文件名称：denoise
文件大小：6.1MB
文件格式：ZIP
更新时间：2024-04-18 06:34:55
Python
去噪 去噪声的方法很多，其中小波去噪声，自适应去噪声，卡尔曼滤波器都有不同的特点。 小波去噪 小波去噪的经典方法有：阈值法，小波分解法，小波包分解法 连续小波变换得到的系数是时间和频率，根据小波系数可以画出时频图 阈值法去噪 原理：经过正交小波变换小波变换后的小波系数中，能量集中在少数小波系数中，也即幅值比较大的小波系数变量是有用信号，而幅值较小的一般是噪声；寻找到一个合适的阈值，将小于阈值的小波系数进行相应处理，然后根据处理后的小波系数还原出有用信号 步骤： 正交小波变换，选取一个正交小波和分解层数N 对测量信号的每一层高频系数通过阈值函数处理，低频系数不处理 对处理后的小波系数进行重构 软阈值函数：会丢掉信号的一些特征硬阈值函数：会产生突变 效果推测 小波分解 原理：多尺度小波分解相当于一个高通滤波器和几个个带通滤波器，将每一级的尺度系数继续分解；如果将噪声对应的系数清除，或者将信号对
【文件预览】：
denoise-main
----改进方法1.png(216KB)
----三维时频图.png(58KB)
----时频图.py(1KB)
----lms.png(236KB)
----阈值法效果.png(214KB)
----小波变换去噪.pdf(1.23MB)
----小波分解法.py(2KB)
----小波分解，10hz.png(185KB)
----winer.png(180KB)
----FT+WT.py(5KB)
----阈值法每一层.png(294KB)
----Kalman1-stationary.png(165KB)
----二维时频图.png(42KB)
----winer.py(983B)
----README.md(2KB)
----三维加噪声时频图‘.png(63KB)
----Karman.py(2KB)
----阈值法效果（频域）.png(81KB)
----小波变换的延申.pdf(3.91MB)
----Kalman2-unstationary.png(139KB)
----corrMatrix.py(2KB)