-
论文研究-基于SVD和小波包分解的自适应鲁棒水印算法.pdf
2019-07-22 21:33:21针对当前水印鲁棒性和透明性矛盾的问题, 提出了一种基于奇异值变换(SVD)和小波包分解的自适应鲁棒水印算法, 对二值水印图像进行Arnold置乱预处理, 以增强水印信息的安全性。在水印嵌入过程中, 将原始宿主图像分为8... -
基于小波包分解和EMD的滚动轴承故障诊断方法研究
2020-05-27 17:51:30提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量... -
小波变换系数计算实例_小波与小波包、小波包分解与信号重构、小波包能量特征提取(Matlab 程序详解)...
2021-01-09 07:48:521.小波与小波包区别 工程应用中经常需要对一些非平稳信号进行分析,小波分析和小波包...可以根据信号的特征,自适应的选择最佳小波基函数,比便更好的对信号进行分析,所以小波包分析应用更加广泛。①小波分解 小波...1.小波与小波包区别
工程应用中经常需要对一些非平稳信号进行分析,小波分析和小波包分析适合对非平稳信号分析,相比较小波分析,利用小波包分析可以对信号分析更加精细,小波包分析可以将时频平面划分的更为细致,对信号的高频部分的分辨率要好于小波分析,可以根据信号的特征,自适应的选择最佳小波基函数,比便更好的对信号进行分析,所以小波包分析应用更加广泛。
①小波分解
小波变换只对信号的低频部分做进一步分解,而对高频部分也即信号的细节部分不再继续分解,所以小波变换能够很好地表征一大类以低频信息为主要成分的信号,不能很好地分解和表示包含大量细节信息(细小边缘或纹理)的信号,如非平稳机械振动信号、遥感图象、地震信号和生物医学信号等。
②小波包分解
小波包变换既可以对低频部分信号进行分解,也可以对高频部分进行分解,而且这种分解既无冗余,也无疏漏,所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。
2.小波包——小波包树与时频图
小波包树解读:
以上即是小波包树,其中节点的命名规则是从 (1,0)开始,叫1号, (1,1)是2号………依此类推,(3,0)是7号,(3,7)是14号。 每个节点都有对应的小波包系数,这个系数决定了频率的大小,也就是说频率信息已经有了,但是时域信息在哪里呢? 那就是 order。 这个order就是这些节点的顺序,也就是频率的顺序。
Matlab实例:
采样频率为1024Hz,采样时间是1秒,有一个信号s是由频率100和200Hz的正弦波混合的,我们用小波包来分解。
clear all
clc
fs=1024; %采样频率
f1=100; %信号的第一个频率
f2=300; %信号第二个频率
t=0:1/fs:1;
s=sin(2*pi*f1*t)+sin(2*pi*f2*t); %生成混合信号
[tt]=wpdec(s,3,'dmey'); %小波包分解,3代表分解3层,'dmey'使用meyr小波
plot(tt) %画小波包树图
wpviewcf(tt,1); %画出时间频率图
主要解释:
x轴,就是1024个点,对应1秒,每个点就代表1/1024秒。
y轴,显示的数字对应于小波包树中的节点,从下面开始,顺序是 7号节点,8号,10号,9号,,,,11号节点,这个顺序是这么排列的,这是小波包自动排列的。然后,y轴是频率啊,怎么不是 100Hz和300Hz呢?我们的采样频率是1024Hz,根据采样定理,奈奎斯特采样频率是512Hz,我们分解了3层,最后一层就是 2^3=8个频率段,每个频率段的频率区间是 512/8=64Hz,看图颜色重的地方一个是在8那里,一个在13那里,8是第二段,也就是 65-128Hz之间,13是第五段,也就是257-320Hz之间。这样就说通了,正好这个原始信号只有两个频率段,一个100一个300。如果我们不是分解了3层,而是更多层,那么每个频率段包含的频率也就越窄,图上有颜色的地方也会更细,也就是说更精细了,由于原始信号的频率在整个1秒钟内都没有改变,所以有颜色的地方是一个横线。(引用:http://www.cnblogs.com/welen/articles/5667217.html )
3.小波包-----小波包分解系数
在数值分析中,我们学过内积,内积的物理含义:两个图形的相似性,若两个图形完全正交,则内积为0,若两个图形完全一样,则系数为1(相对值)。小波变换的实质是:原信号与小波基函数的相似性。小波系数就是小波基函数与原信号相似的系数。
连续小波变换:小波函数与原信号对应点相乘,再相加,得到对应点的小波变换系数,平移小波基函数,再计算小波函数与原信号对应点相乘,再相加,这样就得到一系列的小波系数。对于离散小波变换(由于很多小波函数不是正交函数,因此需要一个尺度函数)所以,原信号函数可以分解成尺度函数和小波函数的线性组合,在这个函数中,尺度函数产生低频部分,小波函数产生高频部分。
4.小波包-----信号分解与重构(方法1)
该方法可以实现对任意节点系数进行组合重构。
首先看3个例子,差不多便懂了(引用:http://blog.sina.com.cn/s/blog_8fc890a20101elnd.html)
例1
有一个信号,变量名为wave,随便找一个信号load进来就行了。
t=wpdec(wave,3,'dmey');
t2 = wpjoin(t,[3;4;5;6]);
sNod = read(t,'sizes',[3,4,5,6]);
cfs3 = zeros(sNod(1,:));
cfs4 = zeros(sNod(2,:));
cfs5 = zeros(sNod(3,:));
cfs6 = zeros(sNod(4,:));
t3 = write(t2,'cfs',3,cfs3,'cfs',4,cfs4,'cfs',5,cfs5,'cfs',6,cfs6);
wave2=wprec(t3);
第一行:将wave 用 meyr小波进行3层小波包分解,获得一个小波包树 t
第二行:将小波包树的第二行的四个节点收起来,也就是让第二行的节点变为树的最底层节点。因为第一行中小 波包树的节点个数是 第一层2个,第二层4个,第三层8个。现在将t2就是将第三层的节点再聚合回第二 层。
第三行:读取第二层四个节点系数的size
第四~七行:将所有四个节点的小波包系数变为0
第八行:将四个节点的系数重组到t3小波树中。
第九行:对t3小波树进行重构,获得信号wave2
可以预见,因为我们把小波树的节点系数都变为0了,所以信号也就全为0了。所以wave2是一个0向量。读者可以自行plot一下wave和wave2看看。进一步,如果我们只聚合第二层中的某几个节点,比如 4和5,即将第三行到第八行中 节点 3 和节点 6的语句删除或修改,那么意思就是将 4 5 节点的系数变为0,那么wave2肯定就不是0向量了。
例2
t=wpdec(wave,3,'dmey');
t2 = wpjoin(t,[3;4;5;6]);
cfs3=wpcoef(t,3);
cfs4=wpcoef(t,4);
cfs5=wpcoef(t,5);
cfs6=wpcoef(t,6);
t3 = write(t2,'cfs',3,cfs3,'cfs',4,cfs4,'cfs',5,cfs5,'cfs',6,cfs6);
wave2=wprec(t3);
解释:
第一行:将wave 用 meyr小波进行3层小波包分解,获得一个小波包树 t
第二行:将小波包树的第二行的四个节点收起来,也就是让第二行的节点变为树的最底层节点。
第三~六行:获取四个节点的小波包系数 (小波包系数就是一个一维向量)
第七行:将四个节点的系数重组到t3小波树中
第八行:对t3小波树进行重构,获得信号wave2
可以看出,该例子就是对一个小波包展开了,又原封不动的装回去了,所以说 wave2和wave是一样的。
注意,wpjoin命令在这里是必要的,因为write函数只能将最底层的节点写进去。也就是说,如果我们将第三层的小波包系数进行修改的话,就不用wpjoin了,具体可以看例3
例3
t=wpdec(wave,3,'dmey');
cfs7=wpcoef(t,7);
cfs8=wpcoef(t,8);
cfs9=wpcoef(t,9);
cfs10=wpcoef(t,10);
cfs11=wpcoef(t,11);
cfs12=wpcoef(t,12);
cfs13=wpcoef(t,13);
cfs14=wpcoef(t,14);
t3=write(t,'cfs',7,cfs7,'cfs',8,cfs8,'cfs',9,cfs9,'cfs',10,cfs10,'cfs',11,cfs11,'cfs',...
12,cfs12,'cfs',13,cfs13,'cfs',14,cfs14);
y=wprec(t3);
该例子也是对一个小波包展开了,又原封不动的装回去了,只不过这次是直接对第三层节点进行的。
5.小波包-----信号分解与重构(方法2)
该方法只能对某一节点信号系数分别进行重构,不能实现多个节点系数组合进行重构.
main.m文件
clc; clear;
close all
% wpt=wpdec(x_sigal,3,'dmey'); %调用matlab自带函数进行分解 x_sigal为输入信号,用 meyr小波进行3层小波包分解
wpt= wavelet_packetdecomposition_reconstruct( x_sigal,3,'dmey'); %调用重新添加绘图、小波包系数提取与重构的函数
% E = wavelet_energy_spectrum( wpt,3 ); %对第3层中8个节点能量进行求取与占比绘图
wavelet_packetdecomposition_reconstruct.m文件
function wpt= wavelet_packetdecomposition_reconstruct( x,n,wpname )
%% 对信号进行小波包分解,得到节点的小波包系数。然后对每个节点系数进行重构。
% Decompose x at depth n with wpname wavelet packets.using Shannon entropy.
% x-input signal,列向量。
% n-the number of decomposition layers
% wpname-a particular wavelet.type:string.
%% 进行小波包分解与树形图绘制
wpt=wpdec(x,n,wpname);
% Plot wavelet packet tree (binary tree)
plot(wpt)
%% wavelet packet coefficients. 默认为前四个节点(可以修改)
cfs0=wpcoef(wpt,[n 0]); %求解某个节点的小波包系数
cfs1=wpcoef(wpt,[n 1]);
cfs2=wpcoef(wpt,[n 2]);
cfs3=wpcoef(wpt,[n 3]);
figure;
subplot(5,1,1);
plot(x);
title('原始信号');
subplot(5,1,2);
plot(cfs0);
title(['层数 ',num2str(n) ' 节点 0的小波',' 系数'])
subplot(5,1,3);
plot(cfs1);
title(['层数 ',num2str(n) ' 节点 1的小波',' 系数'])
subplot(5,1,4);
plot(cfs2);
title(['层数 ',num2str(n) ' 节点 2的小波',' 系数'])
subplot(5,1,5);
plot(cfs3);
title(['层数 ',num2str(n) ' 节点 3的小波',' 系数'])
%% reconstruct wavelet packet coefficients.
rex0=wprcoef(wpt,[n 0]);
rex1=wprcoef(wpt,[n 1]);
rex2=wprcoef(wpt,[n 2]);
rex3=wprcoef(wpt,[n 3]);
figure;
subplot(5,1,1);
plot(x);
title('原始信号');
subplot(5,1,2);
plot(rex0);
title(['重构第 ',num2str(n) ' 层数节点0',' 系数'])
subplot(5,1,3);
plot(rex1);
title(['重构第 ',num2str(n) ' 层数节点1',' 系数'])
subplot(5,1,4);
plot(rex2);
title(['重构第 ',num2str(n) ' 层数节点2',' 系数'])
subplot(5,1,5);
plot(rex3);
title(['重构第 ',num2str(n) ' 层数节点3',' 系数'])
end
进行3层小波分解得到的小波包树:
对每个节点(频段)系数进行提取,注意观察数据量减为原始信号的1/n:
对每个节点(频段)系数进行重构:
对重构后的节点信号进行频谱图绘制
6.小波包分解------能量特征提取(方法1)
该方法可以实现对任意层中的节点进行能量提取.
main.m文件
clc; clear;
close all
% wpt=wpdec(x_sigal,3,'dmey'); %调用matlab自带函数进行分解 x_sigal为输入信号,用 meyr小波进行3层小波包分解
wpt= wavelet_packetdecomposition_reconstruct( x_sigal,3,'dmey'); %调用重新添加绘图、小波包系数提取与重构的函数
E = wavelet_energy_spectrum( wpt,3 ); %对第3层中8个节点能量进行求取与占比绘图
wavelet_energy_spectrum.m文件
function E = wavelet_energy_spectrum( wpt,n )
%% 计算每一层每一个节点的能量
% wpt-wavelet packet tree
% n-第n层能量
% E-第n层每个节点的能量
%%
% 求第n层第i个节点的系数
E(1:2^n )=0;
for i=1:2^n
E(i) = norm(wpcoef(wpt,[n,i-1]),2)^2; %% 1-范数:就是norm(...,1),即各元素绝对值之和;2-范数:就是norm(...,2),即各元素平方和开根号;
end
%求每个节点的概率
E_total=sum(E);
for i=1:2^n
p_node(i)= 100*E(i)/E_total; % 求得每个节点的占比
end
% E = wenergy(wpt); only get the last layer
figure;
x=1:2^n;
bar(x,p_node);
title(['第',num2str(n),'层']);
axis([0 2^n 0 100]);
xlabel('结点');
ylabel('能量百分比/%');
for j=1:2^n
text(x(j),p_node(i),num2str(p_node(j),'%0.2f'),...
'HorizontalAlignment','center',...
'VerticalAlignment','bottom')
end
end
第3层中8个节点小波包分解系数能量占比:
7.小波包分解------能量特征提取(方法2)
直接运行matlab自带函数,如下
E = wenergy(wpt); %该函数只能对最后一层(底层)节点进行能量提取
(引用:https://blog.csdn.net/it_beecoder/article/details/78668273)
8.小波----常见基函数
与标准的傅里叶变换相比,小波分析中使用到的小波函数具有不唯一性,即小波函数 具有多样性。小波分析在工程应用中,一个十分重要的问题就是最优小波基的选择问题,因为用不同的小波基分析同一个问题会产生不同的结果。目前我们主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏,由此决定小波基。
常用小波基有Haar小波、Daubechies(dbN)小波、Mexican Hat(mexh)小波、Morlet小波、Meyer小波等。
1.Haar小波Haar函数是小波分析中最早用到的一个具有紧支撑的正交小波函数,也是最简单的一个小波函数,它是支撑域在范围内的单个矩形波。Haar函数的定义如下:Haar小波在时域上是不连续的,所以作为基本小波性能不是特别好。但它也有自己的优点:计算简单。不但与正交,而且与自己的整数位移正交,因此,在的多分辨率系统中,Haar小波构成一组最简单的正交归一的小波族。
[phi,g1,xval] = wavefun('haar',20);
subplot(2,1,1);
plot(xval,g1,'LineWidth',2);
xlabel('t');
title('haar 时域');
g2=fft(g1);
g3=abs(g2);
subplot(2,1,2);
plot(g3,'LineWidth',2);
xlabel('f')title('haar 频域');
2.Daubechies(dbN)小波Daubechies小波是世界著名的小波分析学者Inrid·Daubechies构造的小波函数,简写为dbN,N是小波的阶数。小波和尺度函数中的支撑区为的消失矩为。除(Harr小波)外,dbN不具有对称性(即非线性相位)。除(Harr小波)外,dbN没有明确的表达式,但转换函数h的平方模是明确的:令,其中为二项式的系数,则有其中:Daubechies小波具有以下特点:在时域是有限支撑的,即长度有限。在频域在处有N阶零点。和它的整数位移正交归一,即。小波函数可以由所谓“尺度函数”求出来。尺度函数为低通函数,长度有限,支撑域在的范围内。
db4的时域和频域波形:
[phi,g1,xval] = wavefun('db4',10);
subplot(2,1,1);
plot(xval,g1,'LineWidth',2);
xlabel('t')title('db4 时域');
g2=fft(g1);
g3=abs(g2);
subplot(2,1,2);
plot(g3,'LineWidth',2);
xlabel('f')title('db4 频域');
Daubechies小波常用来分解和重构信号,作为滤波器使用:
[Lo_D,Hi_D,Lo_R,Hi_R] = wfilters('db4'); %计算该小波的4个滤波器
subplot(2,2,1);
stem(Lo_D,'LineWidth',2);
title('分解低通滤波器');
subplot(2,2,2);
stem(Hi_D,'LineWidth',2);
title('分解高通滤波器');
subplot(2,2,3);
stem(Lo_R,'LineWidth',2);
title('重构低通滤波器');
subplot(2,2,4);
stem(Hi_R,'LineWidth',2);
title('重构高通滤波器');
3.Mexican Hat(mexh)小波Mexican Hat函数为Gauss函数的二阶导数:因为它的形状像墨西哥帽的截面,所以也称为墨西哥帽函数。Mexihat小波的时域和频域波形:
Mexihat小波的时域和频域波形:
d=-6; h=6; n=100;
[g1,x]=mexihat(d,h,n);
subplot(2,1,1);
plot(x,g1,'LineWidth',2);
xlabel('t');
title('Mexihat 时域');
g2=fft(g1);
g3=(abs(g2));
subplot(2,1,2);
plot(g3,'LineWidth',2);
xlabel('f');
title('mexihat 频域');
Mexihat小波的特点:在时间域与频率域都有很好的局部化,并且满足。不存在尺度函数,所以Mexihat小波函数不具有正交性。
4.Morlet小波它是高斯包络下的单频率副正弦函数:其中C是重构时的归一化常数。Morlet小波没有尺度函数,而且是非正交分解。Morlet小波的时域和频域波形图:
d=-6; h=6; n=100;
[g1,x]=morlet(d,h,n);
subplot(2,1,1);
plot(x,g1,'LineWidth',2);
xlabel('t');
title('morlet 时域');
g2=fft(g1);
g3=(abs(g2));
subplot(2,1,2);
plot(g3,'LineWidth',2);
xlabel('f');
title('mexihat 频域');
注:
获取小波系数的两个函数理解:
Wpcoef 是求解某个节点的小波包系数,数据长度是1/(2^n)(分解n层的话),其实就是将原始信号化成2^N段,每段的长度是相等的且比原信号短
wprcoef是把某个节点的小波包系数重构,得到的是和原信号一样长度的信号。
傅里叶变换与小波变换理解参考:
https://zhuanlan.zhihu.com/p/22450818
https://zhuanlan.zhihu.com/p/19763358
https://www.jianshu.com/p/5b5c160c7e3a
-------------------------------------------------------------------------------------
声明:本公众号转载文章出于非商业性的教育和科研目的,并不意味着支持其观点或证实其内容的真实性。版权归原作者所有,如转载稿涉及版权等问题,请立即联系我们,我们会予以更改或删除相关文章,保证您的权利!
-
基于小波包理论的自适应滤波算法研究
2020-06-30 22:29:49该算法将信号的小波包分解和自适应滤波相结合,先将信号进行小波包分解,然后对子信号进行自适应滤波,最后将信号合成从而达到信号降噪的目的。使用该算法对电压信号进行降噪,结果表明小波包自适应滤波算法具有良好的... -
基于最优小波包的电机定子电流故障特征提取方法
2020-07-03 20:55:56为了对液压系统的运行状态进行有效的评估和诊断,利用三相电机的定子电流信号对液压系统的故障进行了分析,并采用自适应小波包分解作为特征提取方法从电流信号中提取设备的故障特征。通过试验结果证明了所提方法有效性... -
基于小波包的EEG脑电信号分解重构与特征提取【待补充】
2020-01-05 22:44:051.传统的小波变换与小波包的区别 工程应用中经常需要对一些非平稳信号进行,小波分析和小波包...可以根据信号的特征,自适应的选择最佳小波基函数,比便更好的对信号进行分析,所以小波包分析应用更加广泛。 ...1.传统的小波变换与小波包的区别
工程应用中经常需要对一些非平稳信号进行,小波分析和小波包分析适合对非平稳信号分析,相比较小波分析,利用小波包分析可以对信号分析更加精细,小波包分析可以将时频平面划分的更为细致,对信号的高频部分的分辨率要好于小波分析,可以根据信号的特征,自适应的选择最佳小波基函数,比便更好的对信号进行分析,所以小波包分析应用更加广泛。
①传统的(经典)小波分解
小波变换只对信号的低频部分做进一步分解,而对高频部分也即信号的细节部分不再继续分解,所以小波变换能够很好地表征一大类以低频信息为主要成分的信号,不能很好地分解和表示包含大量细节信息(细小边缘或纹理)的信号,如非平稳机械振动信号、遥感图象、地震信号和生物医学信号等。
②小波包分解
小波包变换既可以对低频部分信号进行分解,也可以对高频部分进行分解,而且这种分解既无冗余,也无疏漏,所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。
2.一些常见的小波基显示及相关数据拟合
(1-8)常见的小波基及显示:
Haar小波基、db系列小波基、Biorthogonal(biorNr.Nd)小波系、Coiflet(coifN)小波系、SymletsA(symN)小波系、Molet(morl)小波、Mexican Hat (mexh)小波、Meyer小波
(9-15)不常见的小波基
1.Haar小波:Haar函数的定义如下:Haar小波在时域上是不连续的,所以作为基本小波性能不是特别好。但它也有自己的优点:计算简单。不但与正交,而且与自己的整数位移正交
%% haar小波 [phi,g1,xval] = wavefun('haar',20); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('haar 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('haar 频域');
2.db系列小波Daubechies(db N):在时域是有限支撑的,即长度有限。在频域在处有N阶零点。和它的整数位移正交归一。Daubechies小波常用来分解和重构信号,作为滤波器使用
%% db系列小波 [phi,g1,xval] = wavefun('db4',20); figure(2); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('db4 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('db4 频域');
3.Biorthogonal(biorNr.Nd)
%% biorNr.Nd小波 [phi,g1,xval] = wavefun('bior2.4',20); figure(3); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('bior2.4 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('bior2.4 频域');
4.Coiflets(coif N)小波
%% coif N小波 [phi,g1,xval] = wavefun('coif3',20); figure(4); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('coif3 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('coif3 频域');
5.Symlets(Sym N)小波
%% sym N小波 [phi,g1,xval] = wavefun('sym2',20); figure(5); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('sym2 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('sym2 频域');
6.Morlet(morl)小波:是高斯包络下的单频率副正弦函数。没有尺度函数,非正交分解。
%% molet小波 [g1,xval] = wavefun('morl',20); figure(6); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('morl 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('morl 频域');
7.Mexican Hat小波:高斯函数的二阶导数,又称为墨西哥帽函数,在时间和频域都有很好的局部化,且满足(时域对称)
8.Meyer小波:正交小波,不是紧支撑的,但其收敛速度很快,且
无限可微
%% Meyer小波 [phi,g1,xval] = wavefun('meyr',20); figure(8); subplot(2,1,1); plot(xval,g1,'LineWidth',2); xlabel('t'); title('meyr 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('meyr 频域');
9.Gaus小波
%% Gaus小波 [g1,xval] = wavefun('gaus3',20); figure(1); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('gaus3 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('gaus 频域');
10. Dmeyer小波
%% Dmeyer小波 [g1,xval] = wavefun('dmey',20); figure(2); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('dmey 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('dmey 频域');
11.ReverseBior小波
%% ReverseBior小波 [g1,xval] = wavefun('rbio2.4',20); figure(3); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('rbio2.4 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('rbio2.4 频域');
12.Cgau小波
%% Cgau小波 [g1,xval] = wavefun('cgau3',20); figure(4); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('cgau3 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('cgau3 频域');
13.Cmor小波
%% Cmor小波 [g1,xval] = wavefun('cmor3-3',20); figure(5); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('cmor 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('cmor 频域');
14.Fbsp小波:当fbsp"M"-"Fb"-"Fc"(M=1时与shan小波等价)
%% Fbsp小波 [g1,xval] = wavefun('fbsp2-3-3',20); figure(6); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('fbsp 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('fbsp 频域');
15.shan小波
%% Shan小波 [g1,xval] = wavefun('shan3-3',20); figure(7); subplot(2,1,1); plot(xval,g1,'LineWidth',2);%绘制线条宽度为2 xlabel('t'); title('shan 时域'); g2=fft(g1); g3=abs(g2); subplot(2,1,2); plot(g3,'LineWidth',2); xlabel('f'); title('shan 频域');
部分内容参考链接:
-
采用小波包ASGSO-RBF的采煤机滚动轴承故障诊断
2020-05-15 16:08:58针对采煤机滚动轴承常见的突发问题诊断准确性不高和速度慢,以小波包和RBF神经网络为基础,提出了由小波包分解提取各个节点特征能量谱与自适应步长萤火虫算法优化的RBF神经网络进行分类辨识的采煤机滚动轴承故障诊断... -
小波的秘密6_小波包的理解
2016-11-02 13:02:201.各种变换的适合处理对象 小波变换 加窗Fourier变换 Fourier变换 突变信号或奇异性函数 ...自适应信号处理 ...2.小波包分解概述 传统的振动信号分析和处理方法一般都是采用加窗傅立叶分析,它是一个1.各种变换的适合处理对象
小波变换 加窗Fourier变换 Fourier变换 突变信号或奇异性函数自适应信号处理处理渐变信号实时信号处理稳定和渐变信号实时信号处理2.小波包分解概述
传统的振动信号分析和处理方法一般都是采用加窗傅立叶分析,它是一个窗口函数固定不变的分析方法,无法反映信号的非平稳、持时短、时域和频域局部化等特性。
小波分析是一种窗口面积固定但其形状可改变,即时间和频率窗都可改变的时频局部化分析方法,由于它在分解的过程中只对低频信号再分解,对高频信号不再实施分解,使得它的频率分辨率随频率升高而降低。
在这种情况下,小波包分解应运而生,它不仅对低频部分进行分解,对高频部分也实施了分解,而且小波包分解能根据信号特性和分析要求自适应地选择相应频带与信号频谱相匹配,是一种比小波分解更为精细的分解方法。3.爆破信号的小波包分解实例
对其采用db5 小波,进行3 层分解。分解树如下图:所示,左边为三层分解树,右边为点击相应节点得到的分解系数,图示为原始信号(节点(0,0))。根据信号的采样频率即可得每一个分解节点的频带范围,例如假设本里中数据的采样频率为1024Hz,则奈奎斯特频率为512 Hz。则进行三层分解时,共分为2^3 = 8 个频带,每个频带的带宽为512/8 = 64Hz。因此节点(3,0)的频带范围为0~64 Hz,节点(3.1) 的频带范围为65~128 Hz分解后每个节点的小波包系数如图所示:由此可见,原信号的主要能量集中在前两个频带内,即0~64Hz 和65~128 Hz 内。(观看信号的幅度) -
小波包技术在抑制窄带干扰中的应用
2020-11-10 16:31:12小波分析是最近十几年来发展起来的一种新的时频分析方法。...我们可以根据小波包的分解特性,利用小波包分解技术滤除干扰信号。 1 小波包分析基本原理 1.1 小波变换 信号x(t)的连续小波变换 -
小波包的理解
2018-05-04 16:32:19小波包分解概述传统的振动信号分析和处理方法一般都是采用加窗傅立叶分析,它是一个窗口函数固定不变的分析方法,无法反映信号的非平稳、持时短、时域和频域局部化等特性。小波分析是一种窗口面积固定但其形状可改变...1.各种变换的适合处理对象
小波变换 加窗Fourier变换 Fourier变换 突变信号或奇异性函数自适应信号处理处理渐变信号实时信号处理稳定和渐变信号实时信号处理2.小波包分解概述
传统的振动信号分析和处理方法一般都是采用加窗傅立叶分析,它是一个窗口函数固定不变的分析方法,无法反映信号的非平稳、持时短、时域和频域局部化等特性。
小波分析是一种窗口面积固定但其形状可改变,即时间和频率窗都可改变的时频局部化分析方法,由于它在分解的过程中只对低频信号再分解,对高频信号不再实施分解,使得它的频率分辨率随频率升高而降低。
在这种情况下,小波包分解应运而生,它不仅对低频部分进行分解,对高频部分也实施了分解,而且小波包分解能根据信号特性和分析要求自适应地选择相应频带与信号频谱相匹配,是一种比小波分解更为精细的分解方法。3.爆破信号的小波包分解实例
对其采用db5 小波,进行3 层分解。分解树如下图:所示,左边为三层分解树,右边为点击相应节点得到的分解系数,图示为原始信号(节点(0,0))。根据信号的采样频率即可得每一个分解节点的频带范围,例如假设本里中数据的采样频率为1024Hz,则奈奎斯特频率为512 Hz。则进行三层分解时,共分为2^3 = 8 个频带,每个频带的带宽为512/8 = 64Hz。因此节点(3,0)的频带范围为0~64 Hz,节点(3.1) 的频带范围为65~128 Hz分解后每个节点的小波包系数如图所示:由此可见,原信号的主要能量集中在前两个频带内,即0~64Hz 和65~128 Hz 内。(观看信号的幅度) -
论文研究-NSCT变换和小波包变换相结合的图像隐藏方法.pdf
2019-09-11 21:03:07利用NSCT变换将载体图像分解为低频子带和一组高频子带,对低频子带进行二级小波包分解,通过奇异值变换将秘密图像重要位平面信息隐藏在小波包分解低频子带中,次要信息自适应隐藏在NSCT高频子带中。实验表明,在同等... -
小波的秘密10_小波包的数学支撑
2016-11-08 13:34:48他将频带进行多层次划分,对多分辨率中没有细分的高频部分进一步分解,并根据被分析信号的特征,自适应地选择频段,使之与信号频谱相匹配,从而提高了时频分辨率,因此小波包分析具有更大的应用价 -
小波的秘密6_小波包的理解1
2018-11-26 15:21:171.各种变换的适合处理对象 小波变换 ...2.小波包分解概述 传统的振动信号分析和处理方法一般都是采用加窗傅立叶分析,它是一个窗口函数固定不变的分析方法,无法反映信号... -
基于小波包-陷波器的电机断条故障诊断的仿真
2020-07-09 12:43:29基于小波包-自适应陷波器的电机断条故障诊断方法利用小波包对信号进行细致分解,从分解系数上准确找到故障信号所在节点,对该节点进行重构得到要分析的信号,然后采用自适应陷波器去除工频的干扰,提取故障特征量.MATLAB... -
论文研究-基于修正维纳滤波的小波包变换图像去噪.pdf
2019-09-12 06:57:14利用小波包对维纳滤波后的图像进行分解,实现对图像的低频和高频部分分别进行分解,用计算出的阈值对小波包树系数进行软阈值处理。利用小波包逆变换来获取去噪后的图像。结果表明:在噪声方差为0.01时,经该算法去噪... -
基于小波包分析的电机转子断条故障诊断研究
2021-01-20 02:25:271.引言 当发生转子断条故障时,在其定子电流中将会出现...小波包分析不仅对信号的低频部分进行分解,同时也对高频部分进行分解,自适应的确定信号在不同频段的分辨率,在故障诊断中比小波分析更精细。本文尝试用小波 -
小波包频带-能量重构的异步电动机转子断条故障诊断
2020-05-24 22:35:58而小波包技术能同时对上一层的低频部分和高频部分进行细分,并根据被分析信号的特征,自适应的选择相应的频段,使之与信号频谱相匹配,从而提高时域分辨率。用小波包分析法对所采集信号处理,可作为电动机故障诊断输入... -
工业电子中的基于小波包分析的电机转子断条故障诊断研究
2020-11-09 00:25:481.引言 当发生转子断条故障时,在其定子电流中将会出现 和 频率...小波包分析不仅对信号的低频部分进行分解,同时也对高频部分进行分解,自适应的确定信号在不同频段的分辨率,在故障诊断中比小波分析更精细。本文尝 -
小波变换的工程分析与应用 杨福生
2015-06-06 11:11:537.4 自适应小波包分解 7.5 最优小波包作自适应切换时瞬态的抑制——时变滤波器组方法 7.6 关于时间一频率平面的自适应铺砌 7.7 基本小波的优化设计 7.8 小波变换在不同基函数间的换算 第八章 小波变换与分形... -
论文研究-基于最大能量匹配与样本熵的小波降噪方法.pdf
2019-09-13 00:28:11为提高自适应小波阈值降噪方法的效果,提出一种结合最大能量匹配的小波包分解和快速样本熵的小波阈值降噪方法。根据各层小波系数特点并以最大能量匹配准则自适应选择小波包基对含噪信号进行分解,对最大尺度下的小波... -
论文研究-混合粒子群算法在job-shop动态调度中的应用.pdf
2019-09-13 04:56:51采用先进的声发射技术监测飞行器关键部件的健康状态,运用小波包对由声发射监测系统募集到的飞行器关键部件原始声发射信号进行三级小波包分解,分别提取其第三级小波包分解中八个频段分解系数的能量最大值、方差最大... -
深度学习论文笔记Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault ...
2018-11-25 11:25:40这篇文章将深度学习算法应用于机械故障诊断,采用了“小波包分解+深度残差网络(ResNet)”的思路,将机械振动信号按照故障类型进行分类。 文章的核心创新点:复杂旋转机械系统的振动信号包含着很多不同频率的冲击和... -
深度学习论文笔记:Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault ...
2018-11-25 09:18:00这篇文章将深度学习算法应用于机械故障诊断,采用了“小波包分解+深度残差网络(ResNet)”的思路,将机械振动信号按照故障类型进行分类。 文章的核心创新点:复杂旋转机械系统的振动信号包含着很多不同频率的冲击和... -
深度学习笔记:Deep Residual Networks with Dynamically Weighted Wavelet Coefficients for Fault ...
2018-11-27 21:37:02这篇文章的题目可翻译为“基于深度残差网络及动态加权小波系数的行星齿轮箱故障诊断”,将小波包变换和深度残差学习结合起来,应用于机械故障诊断。...第一步:对振动信号进行离散小波包分解,构建小... -
非平稳背景噪声下声音信号增强技术.pdf
2019-09-20 10:50:12自适应滤波器具有对信号和噪声的先验知识需求少的特性以及遗传算法具有不依赖于具体问题的优点,提出了一种基于小波包变换分解信号、自适应滤波估计噪声与遗传算法寻优重构相结合的声音信号增强算法。实验研究表明,... -
基于时/频域综合特征提取的分布式光纤入侵监测系统事件识别方法
2021-02-03 13:54:55选取最大能量片段作为主要研究对象,提取片段长度和峰均比特征,并对其进行小波包分解,生成频域能量分布特征,组成时/频域复合特征向量,使用高性能的支持向量机多分类算法进行模式识别。实验结果表明:该方法对行人脚踩... -
基于CEEMDAN样本熵与FWA-SVM的高压断路器机械故障诊断
2021-01-15 00:43:42通过CEEMDAN提取若干反映断路器操动过程机械状态信息的本征模态函数(IMF)分量,依据各IMF相关系数与能量分布,将前7阶IMF分量进行小波包软阈值去噪,计算其样本熵作为特征量,最后采用基于免疫浓度思想的烟花算法... -
《MATLAB R2016a智能计算25个案例分析》源码
2018-06-04 09:29:5121.5小波包在图像边缘检测中应用 21.6小波包与图像消噪 第22章数据分析的MATLAB实现 22.1多元方差分析 22.1.1理论介绍 22.1.2函数介绍 22.1.3应用示例的分析 22.2判别分析 22.2.1概述 22.2.2马氏距离 22.2...