Шумоподавление мультисигнала 1-D с помощью вейвлетов
mswden больше не рекомендуется. Использование wdenoise вместо этого.
[XD,DECDEN,THRESH] = mswden('den',...)
[XD,THRESH] = mswden('densig',...)
[DECDEN,THRESH]
= mswden('dendec',...)
THRESH = mswden('thr',...)
[...] = mswden(OPTION,DIRDEC,X,WNAME,LEV,METH,PARAM)
[...] = mswden(...,S_OR_H)
[...]
= mswden(...,S_OR_H,KEEPAPP)
[...]
= mswden(...,S_OR_H,KEEPAPP,IDXSIG)
mswden вычисляет пороги и, в зависимости от выбранной опции, выполняет шумоподавление 1D сигналов с помощью вейвлетов.
[XD,DECDEN,THRESH] = mswden('den',...) возвращает denoised версию XD из исходного матричного X мультисигнала, чьей структурой разложения вейвлета является DEC. Выход XD получен пороговой обработкой коэффициенты вейвлета, DECDEN разложение вейвлета, сопоставленное к XD (см. mdwtdec), и THRESH матрица пороговых значений. Вход METH имя метода шумоподавления и PARAM связанный параметр, при необходимости.
Допустимые методы шумоподавления METH и сопоставленные параметры PARAM :
'rigrsure' | Принцип несмещенного риска глиняной кружки |
'heursure' | Эвристический вариант права преимущественной покупки |
'sqtwolog' | Универсальный порог |
'minimaxi' | Минимаксная пороговая обработка (см. |
Для этих методов PARAM задает мультипликативный перемасштабирующий порог:
'one' | Нет перемасштабирование |
'sln' | Перемасштабирование использования одной оценки шума уровня на основе первых коэффициентов уровня |
'mln' | Перемасштабирование использования зависимой оценки уровня шума уровня |
'penal' | Уголовный |
'penalhi' | Уголовный высокий, |
'penalme' | Уголовный носитель, |
'penallo' | Уголовный низкий, |
PARAM параметр разреженности, и это должно быть таково что: 1 ≤ PARAM≤ 10 . Для penal метод, никакое управление не сделано.
'man_thr' | Ручной метод |
PARAM NbSIG- NbLEV матрица или NbSIG- (NbLEV+1) матрицируйте таким образом что:
PARAM(i,j) порог для коэффициентов детали уровня j для i-ого сигнала (1 ≤ j ≤ NbLEV).
PARAM(i,NbLEV+1) порог для коэффициентов приближения для iсигнал th (если KEEPAPP 0).
где NbSIG количество сигналов и NbLEV количество уровней разложения.
Вместо 'den' вход OPTION, можно использовать 'densig', 'dendec' или 'thr' OPTION выбрать выходные аргументы:
[XD,THRESH] = mswden('densig',...) или [DECDEN,THRESH]
= mswden('dendec',...)
THRESH = mswden('thr',...) возвращает вычисленные пороги, но шумоподавление не выполняется.
Входной параметр структуры разложения DEC может быть заменен четырьмя аргументами: DIRDECX, WNAME и LEV.
[...] = mswden(OPTION,DIRDEC,X,WNAME,LEV,METH,PARAM) прежде, чем выполнить шумоподавление или вычислить пороги, матричный X мультисигнала анализируется на уровне LEV использование вейвлета WNAME, в направлении DIRDEC.
Можно использовать еще три дополнительных входных параметров:
[...] = mswden(...,S_OR_H) или
[...]
= mswden(...,S_OR_H,KEEPAPP) или
[...]
= mswden(...,S_OR_H,KEEPAPP,IDXSIG)
S_OR_H ('s' or 'h') обозначает мягкую или трудную пороговую обработку (см. mswthresh для получения дополнительной информации).
KEEPAPP (true or false) указывает, сохранить ли коэффициенты приближения (true) или не (false).
IDXSIG вектор, который содержит индексы начальных сигналов или 'all'.
Значениями по умолчанию является, соответственно, 'h'ложь и 'all'.
Загрузите 23 канала данные EEG Espiga3 [8]. Каналы располагаются по столбцам. Данные производятся на уровне 200 Гц.
load Espiga3Выполните разложение на уровне 2 с помощью db2 вейвлет.
dec = mdwtdec('c',Espiga3,2,'db2')
dec = struct with fields:
dirDec: 'c'
level: 2
wname: 'db2'
dwtFilters: [1x1 struct]
dwtEXTM: 'sym'
dwtShift: 0
dataSize: [995 23]
ca: [251x23 double]
cd: {[499x23 double] [251x23 double]}
Denoise сигналы с помощью универсального метода пороговой обработки (sqtwolog) и 'sln' перемасштабирующий порог (с одной оценкой шума уровня, на основе первых коэффициентов уровня).
[xd,decden,thresh] = mswden('den',dec,'sqtwolog','sln');
Постройте исходный сигнал и соответствующий сигнал denoised.
idxA = 3; plot(Espiga3(:,idxA),'r') hold on plot(xd(:,idxA),'b') grid on legend('Original','Denoised')
[1] Birgé, L. и П. Мэссарт. “От Выбора Модели до Адаптивной Оценки”. Юбилейный сборник для Люсьена Ле Кама: Научно-исследовательские работы в Вероятности и Статистике (Э. Торджерсен, Д. Поллард, и Г. Янг, редакторы). Нью-Йорк: Springer-Verlag, 1997, стр 55–88.
[2] DeVore, R. A. Б. Джейрт и Б. Дж. Лукир. “Сжатие изображения Посредством Кодирования Преобразования Вейвлета”. Транзакции IEEE на Теории информации. Издание 38, Номер 2, 1992, стр 719–746.
[3] Donoho, D. L. “Прогресс Анализа Вейвлета и WVD: Десятиминутный Тур”. Прогресс Анализа Вейвлета и Приложений (И. Мейер, и. Рок, редакторы). Джиф-сур-Иветт: Выпуски Frontières, 1993.
[4] Donoho, D. L. и я. М. Джонстон. “Идеальная Пространственная Адаптация Уменьшением Вейвлета”. Biometrika. Издание 81, стр 425–455, 1994.
[5] Donoho, D. L. i. М. Джонстон, Г. Керкьячариэн и Д. Пикар. “Уменьшение вейвлета: Asymptopia?” Журнал Королевского Статистического Общества, серий B, Издания 57, № 2, стр 301–369, 1995.
[6] Donoho, D. L. и я. М. Джонстон. “Идеальное шумоподавление в ортонормированном базисе, выбранном из библиотеки основ”. К. Р. Акэд. Наука Париж, Сер. Я, Издание 319, стр 1317–1322, 1994.
[7] Donoho, D. L. “Шумоподавление Мягкой Пороговой обработкой”. Транзакции IEEE на Теории информации. Издание 42, Номер 3, стр 613–627, 1995.
[8] Мезаструктура, Гектор. “Адаптированные Вейвлеты для Обнаружения Шаблона”. Происходящий в Распознавании образов, Анализе изображения и Приложениях, отредактированных Альберто Санфелиу и Мануелем Лазо Кортесом, 3773:933–44. Берлин, Гейдельберг: Спрингер Берлин Гейдельберг, 2005. https://doi.org/10.1007/11578079_96.