Деноизируйте неравномерно дискретизированный сплайновый сигнал с добавленным шумом с использованием медианного сглаживания и двух основных моментов исчезновения. Неоднородность сигнала обозначается NaNs (отсутствующие данные).

Загрузите данные в рабочую область и визуализируйте их.

load nonuniformspline
plot(splinenoise)
grid on
title('Noisy Signal with Missing Data')

Денуазировать данные с помощью метода медианного деноизирования.

xden = mlptdenoise(splinenoise,[],'DenoisingMethod','median');

Замените исходные отсутствующие данные в правильном положении для печати. Визуализация исходных и деноизированных сигналов.

denoisedsig = NaN(size(splinenoise));
denoisedsig(~isnan(splinenoise)) = xden;
figure
plot([splinesig denoisedsig])
grid on
legend('Original Signal','Denoised Signal');

Уменьшите шум сигнала с помощью многомасштабного локального полиномиального преобразования (MLPT).

Загрузка синусоидального сигнала с равномерной выборкой и поврежденной версией сигнала.

load('InputSamples.mat')

plot(t,x)
hold on
plot(tCorrupt,xCorrupt)
legend('Original','Corrupted')

Использовать mlptdenoise для устранения поврежденного сигнала. Визуально сравните искаженные и денозованные сигналы с исходным сигналом.

[xDenoised,tDenoised] = mlptdenoise(xCorrupt,tCorrupt);

plot(tDenoised,xDenoised,'b')
hold off
legend('Original','Corrupted','Denoised')

Сравните сигналы ошибок, связанные с поврежденным сигналом и деноизированным сигналом. Удалите NaNs из сигналов для целей визуализации.

x(samplesToErase) = [];
xCorrupt(samplesToErase) = [];

xCorruptError = abs(diff([x,xCorrupt],[],2));
yError = abs(diff([x,xDenoised],[],2));

plot(tDenoised,xCorruptError)
hold on
plot(tDenoised,yError)
title('Error Signals')
legend('Corrupted','Denoised')
hold off

По умолчанию mlptdenoise обозначает сигнал, основанный на двух коэффициентах детализации самого высокого уровня. В этом примере вы денуалируете сигнал до различных уровней и визуализируете эффект.

Создайте многотоновый сигнал.

fs = 1000;
t = 0:1/fs:1;
x = sin(4*pi*t) + sin(120*pi*t) + sin(480*pi*t);

Денуазировать сигнал до уровней 1, 2 и 5.

y1 = mlptdenoise(x,t,1);
y2 = mlptdenoise(x,t,2);
y5 = mlptdenoise(x,t,5);

Визуализация эффекта level по денойзированному сигналу.

subplot(4,1,1)
plot(t,x)
title('Original Signal')

subplot(4,1,2)
plot(t,y1)
title('Denoised Signal, Level = 1')

subplot(4,1,3)
plot(t,y2)
title('Denoised Signal, Level = 2')

subplot(4,1,4)
plot(t,y5)
title('Denoised Signal, Level = 5')

mlptdenoise выполняет прямой MLPT, пороговые значения коэффициентов, указанные 'DenoisingMethod' пара имя-значение. Тогда mlptdenoise выполняет обратное MLPT для возврата деноизированного сигнала в области исходного сигнала.

При необходимости можно вернуть пороговые и исходные коэффициенты для контроля и анализа.

Деноизируйте неравномерно дискретизированный сигнал с использованием метода непредвзятого риска Стейна. Возвращает деноизированный сигнал, связанные моменты времени, пороговые коэффициенты MLPT и исходные коэффициенты MLPT. Постройте график исходных и деноизированных сигналов.

load nonuniformheavisine;

[xDenoised,t,wThrolded,wOriginal] = mlptdenoise(x,t,3,'denoisingmethod','SURE');

plot(t,[f,xDenoised])
legend('Original signal','Denoised signal')

Постройте график исходных коэффициентов MLPT и пороговых коэффициентов MLPT для сравнения.

plot([wOriginal,wThrolded])
legend('Original coefficients','Thresholded coefficients')