Вейвлет сигнала шумоподавления
денофицирует данные в XDEN
= wdenoise(X
)X
используя эмпирический байесовский метод с приором Коши. По умолчанию в sym4
вейвлет используют с апостериорным медианным пороговым правилом. Шумоподавлением сведено к минимуму floor(log2N)
и wmaxlev(N,'sym4')
где N - количество выборок в данных. (Для получения дополнительной информации см. wmaxlev
.) X
является действительным вектором, матрицей или расписанием.
Если X
является матрицей, wdenoise
денонсирует каждый столбец X
.
Если X
является расписанием, wdenoise
должен содержать действительные векторы в отдельных переменных или одну действительную матрицу данных.
X
приняты равномерно выбранными.
Если X
является расписанием, и временные метки не разнесены линейно, wdenoise
выдает предупреждение.
задает опции, использующие аргументы пары "имя-значение" в дополнение к любому из входных параметров в предыдущих синтаксисах.XDEN
= wdenoise(___,Name,Value
)
[
возвращает деноизированные коэффициенты вейвлет и масштабирование в массиве ячеек XDEN
,DENOISEDCFS
] = wdenoise(___)DENOISEDCFS
. Элементы DENOISEDCFS
- в порядке уменьшения разрешения. Конечный элемент DENOISEDCFS
содержит аппроксимационные (масштабирующие) коэффициенты.
[
возвращает исходные коэффициенты вейвлета и масштабирования в массиве ячеек XDEN
,DENOISEDCFS
,ORIGCFS
] = wdenoise(___)ORIGCFS
. Элементы ORIGCFS
- в порядке уменьшения разрешения. Конечный элемент ORIGCFS
содержит аппроксимационные (масштабирующие) коэффициенты.
Наиболее общая модель для сигнала с шумом имеет следующую форму:
где временные n равномерно разнесены. В самой простой модели предположим, что e (n) является Гауссовским белым шумовым N (0,1), а уровень шума - 1. Шумоподавление цель состоит в том, чтобы подавить шумовую часть s сигнала и восстановить f.
Процедура шумоподавления состоит из трех этапов:
Разложение - выберите вейвлет и выберите уровень N
. Вычислите вейвлет разложение сигнала, s на уровне N
.
Пороговое значение коэффициентов детализации - Для каждого уровня от 1 до N
выберите порог и примените мягкое пороговое значение к коэффициентам детализации.
Реконструкция - Вычисление реконструкции вейвлета на основе исходных коэффициентов приближения уровневых N
и измененные коэффициенты детализации уровней от 1 до N
.
Более подробная информация о правилах выбора порогов содержится в Denoising Wavelet и непараметрической оценке функции и в помощи thselect
функция.
[1] Абрамович, Ф., Я. Бенджамини, Д. Л. Донохо, и И. М. Джонстон. «Адаптация к неизвестной разреженности путем управления частотой ложного обнаружения». Annals of Statistics, Vol. 34, Number 2, pp. 584-653, 2006.
[2] Antoniadis, A., and G. Oppenheim, eds. Вейвлеты и статистика. Лекции по статистике. Нью-Йорк: Springer Verlag, 1995.
[3] Cai, T. T. «On Block Thresholding in Wavelet Regression: Adaptivity, Block Size и Threshold Level». Statistica Sinica, Vol. 12, pp. 1241-1273, 2002.
[4] Donoho, D. L. «Progress in Wavelet Analysis and WVD: A Ten Minute Tour». Прогресс в области Wavelet Analysis and Applications (Y. Meyer, and S. Roques, eds.). Gif-sur-Yvette: Editions Frontiéres, 1993.
[5] Donoho, D. L., I. M. Johnstone. Идеальная пространственная адаптация методом усадки вейвлет. Биометрика, том 81, стр. 425-455, 1994.
[6] Donoho, D. L. «De-noising by Soft-Thresholding». Транзакции IEEE по теории информации, том 42, № 3, стр. 613-627, 1995.
[7] Donoho, D. L., I. M. Johnstone, G. Kerkyacharian, and D. Picard. «Усадка вейвлет: асимптопия?» Журнал Королевского статистического общества, серия B, том 57, № 2, стр. 301 - 369, 1995.
[8] Джонстон, И. М. и Б. У. Сильверман. «Иглы и солома в стогах сена: эмпирические оценки Байеса возможных разреженных последовательностей». Анналы статистики, том 32, № 4, стр. 1594 - 1649, 2004.