Denoise неоднородно произведенный сплайн сигнализируют с добавленным шумом с помощью среднего сглаживания и два основных исчезающих момента. Неоднородность сигнала обозначается NaNs (недостающие данные).

Загрузите данные к своей рабочей области и визуализируйте его.

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

Denoise данные с помощью среднего метода шумоподавления.

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

Замените исходные недостающие данные в правильном положении для графического вывода целей. Визуализируйте сигналы denoised и оригинал.

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

Уменьшайте шум сигнала с помощью многошкального локального полиномиального преобразования (MLPT).

Загрузите чистый синусоидальный сигнал с универсальной выборкой и поврежденную версию сигнала.

load('InputSamples.mat')

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

Используйте mlptdenoise к denoise поврежденный сигнал. Визуально сравните поврежденный и сигналы denoised против исходного сигнала.

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

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

Сравните сигналы ошибки, сопоставленные с поврежденным сигналом и сигналом denoised. 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 denoises сигнал на основе двух коэффициентов детали высшего уровня. В этом примере, вы denoise сигнал к разным уровням и визуализируют эффект.

Создайте многочастотный сигнал.

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

Denoise сигнал к уровням один, два, и пять.

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

Визуализируйте эффект level на сигнале denoised.

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 функция выполняет форварда MLPT, пороги коэффициенты, как задано 'DenoisingMethod' пара "имя-значение". Затем mlptdenoise выполняет обратный MLPT, чтобы возвратить сигнал denoised в области вашего исходного сигнала.

Можно опционально возвратить порог и исходные коэффициенты для контроля и анализа.

Denoise неоднородно выбранный сигнал с помощью несмещенного метода риска Стайна. Возвратите сигнал denoised, связанные моменты времени, порог коэффициенты MLPT и исходные коэффициенты MLPT. Постройте сигналы denoised и оригинал.

load nonuniformheavisine;

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

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

Постройте исходные коэффициенты MLPT и порог коэффициенты MLPT для сравнения.

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