Денуризируйте неоднородно дискретизированный сплайн с добавленным шумом с помощью 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')

Денуризируйте данные с помощью медианного метода шумоподавления.

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

Замените исходные отсутствующие данные в правильном положении для построения графического изображения. 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 многомерного локального полиномиального преобразования (MLPT).

Загрузите сигнал чистой синусоиды с равномерной дискретизацией и поврежденной версией сигнала.

load('InputSamples.mat')

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

Использование mlptdenoise для обесценивания поврежденного сигнала. Визуально сравните поврежденные и деноизированные сигналы с исходным сигналом.

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

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

Сравните сигналы ошибки, сопоставленные с поврежденным сигналом и деноциированным сигналом. Удалите NaNs из сигналов в целях 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 деноидирует сигнал, основанный на двух коэффициентах детализации самого высокого уровня. В этом примере вы обесцениваете сигнал на разных уровнях 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);

Обнулите сигнал до уровней один, два и пять.

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

Визуализируйте эффект level по деноизированному 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')

The mlptdenoise функция выполняет прямой MLPT, порождает коэффициенты как задано в 'DenoisingMethod' Пара "имя-значение". Затем mlptdenoise выполняет обратный MLPT, чтобы вернуть деноидированный сигнал в области вашего исходного сигнала.

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

Денуазируйте неоднородно дискретизированный сигнал, используя объективный метод риска Штейна. 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')