精华内容
下载资源
问答
  • 小波包分解程序

    热门讨论 2013-10-29 18:21:18
    最佳小波包分解程序
  • 本人当前对波理解不是很深入,通过翻阅网络他人博客,进行汇总总结,重新调试Matlab代码,实现对波与波包、小波包分解与信号重构、波包能量特征提取,供大家参考。以下的所有内容均搬运自 cqfdcw 用户 。...

    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

    • 本人当前对小波理解不是很深入,通过翻阅网络他人博客,进行汇总总结,重新调试Matlab代码,实现对小波与小波包、小波包分解与信号重构、小波包能量特征提取,供大家参考。
    • 以下的所有内容均搬运自 cqfdcw 用户 。感觉写的很好所以保存下来。
    • 用户链接如下:https://blog.csdn.net/cqfdcw/article/details/84995904

    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,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。

    在这里插入图片描述
    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。

    在这里插入图片描述
    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。

    在这里插入图片描述

    展开全文
  • 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...
  • 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...
  • 波与波包、小波包分解与信号重构、波包能量特征提取 (Matlab 程序详解) -----暨 小波包分解后解决频率大小分布重新排列问题 本人当前对波理解不是很深入,通过翻阅网络他人博客,进行汇总总结,重新...

            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)

                                                           -----暨 小波包分解后解决频率大小分布重新排列问题

           本人当前对小波理解不是很深入,通过翻阅网络他人博客,进行汇总总结,重新调试Matlab代码,实现对小波与小波包、小波包分解与信号重构、小波包能量特征提取,供大家参考,后续将继续更新!

         本人在分析信号的过程中发现,按照网上所述的小波包分解方法理解,获取每层节点重构后信号频率并不是按照(n,0)、(n,1)...顺序依次由小到大排列的,经过进一步分析研究后发现,需要对节点进行重排序,具体操作见本文分析。


    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,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选择进行组合重构。

    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 dmey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。

    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 dmey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

    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.

    接下来进行举例说明:

    x_input=x_train(:,1,1);                  %输入数据
    plot(x_input);title('输入信号时域图像')   %绘制输入信号时域图像

    %%   查看频谱范围
    x=x_input;       
    fs=128;
    N=length(x); %采样点个数
    signalFFT=abs(fft(x,N));%真实的幅值
    Y=2*signalFFT/N;
    f=(0:N/2)*(fs/N);
    figure;plot(f,Y(1:N/2+1));
    ylabel('amp'); xlabel('frequency');title('输入信号的频谱');grid on

    接下来进行4层小波包分解

    wpt=wpdec(x_input,3,'dmey');        %进行3层小波包分解
    plot(wpt);                          %绘制小波包树

    接下来,我们查看第3层8个节点的频谱分布(我的输入信号采样频率是128,按照采样定理小波包分解根节点(0,0)处的频率应该为0-64Hz,按照这个计算(3,0)节点为0-8Hz,后面依次以8Hz为一个段递增)

    首先展示最初的重构方法(频率排布顺序混乱,常见理解错误)

    for i=0:7
    rex3(:,i+1)=wprcoef(wpt,[3 i]);  %实现对节点小波节点进行重构        
    end
    
    figure;                          %绘制第3层各个节点分别重构后信号的频谱
    for i=0:7
    subplot(2,4,i+1);
    x_sign=rex3(:,i+1); 
    N=length(x_sign); %采样点个数
    signalFFT=abs(fft(x_sign,N));%真实的幅值
    Y=2*signalFFT/N;
    f=(0:N/2)*(fs/N);
    plot(f,Y(1:N/2+1));
    ylabel('amp'); xlabel('frequency');grid on
    axis([0 50 0 0.03]); title(['小波包第3层',num2str(i),'节点信号频谱']);
    end

    绘制完后你会发现频谱分布并不是按照之前理解的顺序依次递增排列,如下所示

    那么问题出在哪里呢?经过仔细深入验证后发现问题出在小波包节点的频谱划分“不是严格按照上述理解的顺序排列的”(可能是一种格雷编码或者其他),要解决这个问题我们需要对节点顺序进行重新编码排序。参考这里https://www.ilovematlab.cn/thread-122226-1-1.html?tdsourcetag=s_pctim_aiomsg

    nodes=[7;8;9;10;11;12;13;14];   %第3层的节点号
    ord=wpfrqord(nodes);  %小波包系数重排,ord是重排后小波包系数索引构成的矩阵 如3层分解的[1;2;4;3;7;8;6;5]
    nodes_ord=nodes(ord); %重排后的小波系数

    注意: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

    那么我们来看看经过上面这段重排序运行后nodes_ord中顺序是什么?

    接下来我们再绘制一下第三层8个节点重构信号的频谱如下

    for i=1:8
    rex3(:,i)=wprcoef(wpt,nodes_ord(i));  %实现对节点小波节点进行重构        
    end
    
    figure;                         %绘制第3层各个节点分别重构后信号的频谱
    for i=0:7
    subplot(2,4,i+1);
    x_sign= rex3(:,i+1); 
    N=length(x_sign); %采样点个数
    signalFFT=abs(fft(x_sign,N));%真实的幅值
    Y=2*signalFFT/N;
    f=(0:N/2)*(fs/N);
    plot(f,Y(1:N/2+1));
    ylabel('amp'); xlabel('frequency');grid on
    axis([0 50 0 0.03]); title(['小波包第3层',num2str(i),'节点信号频谱']);
    end
    

    到这里为止不知道大家有没有明白我要表达的意思,如果没有明白可以再反复看理解,或者自己进行分解后观察每个节点的频谱后或许就理解了。

    6.小波包分解------能量特征提取(方法1)

    接下来绘制第3层各个频段的能量占比

    %% wavelet packet coefficients. 求取小波包分解的各个节点的小波包系数
    cfs3_0=wpcoef(wpt,nodes_ord(1));  %对重排序后第3层0节点的小波包系数0-8Hz
    cfs3_1=wpcoef(wpt,nodes_ord(2));  %对重排序后第3层0节点的小波包系数8-16Hz
    cfs3_2=wpcoef(wpt,nodes_ord(3));  %对重排序后第3层0节点的小波包系数16-24Hz
    cfs3_3=wpcoef(wpt,nodes_ord(4));  %对重排序后第3层0节点的小波包系数24-32Hz
    cfs3_4=wpcoef(wpt,nodes_ord(5));  %对重排序后第3层0节点的小波包系数32-40Hz
    cfs3_5=wpcoef(wpt,nodes_ord(6));  %对重排序后第3层0节点的小波包系数40-48Hz
    cfs3_6=wpcoef(wpt,nodes_ord(7));  %对重排序后第3层0节点的小波包系数48-56Hz
    cfs3_7=wpcoef(wpt,nodes_ord(8));  %对重排序后第3层0节点的小波包系数56-64Hz
    
    E_cfs3_0=norm(cfs3_0,2)^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;
    E_cfs3_1=norm(cfs3_1,2)^2;
    E_cfs3_2=norm(cfs3_2,2)^2;
    E_cfs3_3=norm(cfs3_3,2)^2;
    E_cfs3_4=norm(cfs3_4,2)^2;
    E_cfs3_5=norm(cfs3_5,2)^2;
    E_cfs3_6=norm(cfs3_6,2)^2;
    E_cfs3_7=norm(cfs3_7,2)^2;
    E_total=E_cfs3_0+E_cfs3_1+E_cfs3_2+E_cfs3_3+E_cfs3_4+E_cfs3_5+E_cfs3_6+E_cfs3_7;
    
    p_node(0)= 100*E_cfs3_0/E_total;           % 求得每个节点的占比
    p_node(2)= 100*E_cfs3_1/E_total;           % 求得每个节点的占比
    p_node(3)= 100*E_cfs3_2/E_total;           % 求得每个节点的占比
    p_node(4)= 100*E_cfs3_3/E_total;           % 求得每个节点的占比
    p_node(5)= 100*E_cfs3_4/E_total;           % 求得每个节点的占比
    p_node(6)= 100*E_cfs3_5/E_total;           % 求得每个节点的占比
    p_node(7)= 100*E_cfs3_6/E_total;           % 求得每个节点的占比
    p_node(8)= 100*E_cfs3_7/E_total;           % 求得每个节点的占比
    
    figure;
    x=1:8;
    bar(x,p_node);
    title('各个频段能量所占的比例');
    xlabel('频率 Hz');
    ylabel('能量百分比/%');
    for j=1:8
    text(x(j),p_node(j),num2str(p_node(j),'%0.2f'),...
        'HorizontalAlignment','center',...
        'VerticalAlignment','bottom')
    end

    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

    这里对比一下,和方法1得到的图形基本上是一致的,不同之处在于排列顺序变了,方法2中的顺序是按照小波包分解函数自动排列顺序,方法1经过重排序后为按照频率段递增顺序依次排列顺序的

    %% 绘制重构前各个频段小波包系数
    figure(1);
    subplot(4,1,1);
    plot(x_input);
    title('原始信号');
    subplot(4,1,2);
    plot(cfs3_0);
    title(['层数 ',num2str(3) '  节点 0的小波0-8Hz',' 系数'])
    subplot(4,1,3);
    plot(cfs3_1);
    title(['层数 ',num2str(3) '  节点 1的小波8-16Hz',' 系数'])
    subplot(4,1,4);
    plot(cfs3_2);
    title(['层数 ',num2str(3) '  节点 2的小波16-24Hz',' 系数'])

    %% 绘制重构后时域各个特征频段的图形
    figure(3);
    subplot(3,1,1);
    plot(rex3(:,1));
    title('重构后0-8Hz频段信号');
    subplot(3,1,2);
    plot(rex3(:,2));
    title('重构后8-16Hz频段信号')
    subplot(3,1,3);
    plot(rex3(:,3));
    title('重构后16-24Hz频段信号');
    

    以上过程完整代码

    clear all;
    
    x_input=x_train(:,1,1);           %输入数据
    plot(x_input);title('输入信号时域图像')  %绘制输入信号时域图像
    
    x=x_input;        %   查看频谱范围
    fs=128;
    N=length(x); %采样点个数
    signalFFT=abs(fft(x,N));%真实的幅值
    Y=2*signalFFT/N;
    f=(0:N/2)*(fs/N);
    figure;plot(f,Y(1:N/2+1));
    ylabel('amp'); xlabel('frequency');title('输入信号的频谱');grid on
    
    wpt=wpdec(x_input,3,'dmey');      %进行4层小波包分解
    plot(wpt);                        %绘制小波包树
    
    %% 实现对节点顺序按照频率递增进行重排序
    % nodes=get(wpt,'tn');  %小波包分解系数 为什么nodes是[7;8;9;10;11;12;13;14]
    % N_cfs=length(nodes);  %小波包系数个数
    nodes=[7;8;9;10;11;12;13;14];
    ord=wpfrqord(nodes);  %小波包系数重排,ord是重排后小波包系数索引构成的矩阵 如3层分解的[1;2;4;3;7;8;6;5]
    nodes_ord=nodes(ord); %重排后的小波系数
    
    %% 实现对节点小波节点进行重构 
    for i=1:8
    rex3(:,i)=wprcoef(wpt,nodes_ord(i));         
    end
    
    %% 绘制第3层各个节点分别重构后信号的频谱
    figure;                         
    for i=0:7
    subplot(2,4,i+1);
    x_sign= rex3(:,i+1); 
    N=length(x_sign); %采样点个数
    signalFFT=abs(fft(x_sign,N));%真实的幅值
    Y=2*signalFFT/N;
    f=(0:N/2)*(fs/N);
    plot(f,Y(1:N/2+1));
    ylabel('amp'); xlabel('frequency');grid on
    axis([0 50 0 0.03]); title(['小波包第3层',num2str(i),'节点信号频谱']);
    end
    
    %% wavelet packet coefficients. 求取小波包分解的各个频段的小波包系数
    cfs3_0=wpcoef(wpt,nodes_ord(1));  %对重排序后第3层0节点的小波包系数0-8Hz
    cfs3_1=wpcoef(wpt,nodes_ord(2));  %对重排序后第3层0节点的小波包系数8-16Hz
    cfs3_2=wpcoef(wpt,nodes_ord(3));  %对重排序后第3层0节点的小波包系数16-24Hz
    cfs3_3=wpcoef(wpt,nodes_ord(4));  %对重排序后第3层0节点的小波包系数24-32Hz
    cfs3_4=wpcoef(wpt,nodes_ord(5));  %对重排序后第3层0节点的小波包系数32-40Hz
    cfs3_5=wpcoef(wpt,nodes_ord(6));  %对重排序后第3层0节点的小波包系数40-48Hz
    cfs3_6=wpcoef(wpt,nodes_ord(7));  %对重排序后第3层0节点的小波包系数48-56Hz
    cfs3_7=wpcoef(wpt,nodes_ord(8));  %对重排序后第3层0节点的小波包系数56-64Hz
    %% 求取小波包分解的各个频段的能量
    E_cfs3_0=norm(cfs3_0,2)^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;
    E_cfs3_1=norm(cfs3_1,2)^2;
    E_cfs3_2=norm(cfs3_2,2)^2;
    E_cfs3_3=norm(cfs3_3,2)^2;
    E_cfs3_4=norm(cfs3_4,2)^2;
    E_cfs3_5=norm(cfs3_5,2)^2;
    E_cfs3_6=norm(cfs3_6,2)^2;
    E_cfs3_7=norm(cfs3_7,2)^2;
    E_total=E_cfs3_0+E_cfs3_1+E_cfs3_2+E_cfs3_3+E_cfs3_4+E_cfs3_5+E_cfs3_6+E_cfs3_7;
    
    p_node(0)= 100*E_cfs3_0/E_total;           % 求得每个节点的占比
    p_node(2)= 100*E_cfs3_1/E_total;           % 求得每个节点的占比
    p_node(3)= 100*E_cfs3_2/E_total;           % 求得每个节点的占比
    p_node(4)= 100*E_cfs3_3/E_total;           % 求得每个节点的占比
    p_node(5)= 100*E_cfs3_4/E_total;           % 求得每个节点的占比
    p_node(6)= 100*E_cfs3_5/E_total;           % 求得每个节点的占比
    p_node(7)= 100*E_cfs3_6/E_total;           % 求得每个节点的占比
    p_node(8)= 100*E_cfs3_7/E_total;           % 求得每个节点的占比
    
    figure;
    x=1:8;
    bar(x,p_node);
    title('各个频段能量所占的比例');
    xlabel('频率 Hz');
    ylabel('能量百分比/%');
    for j=1:8
    text(x(j),p_node(j),num2str(p_node(j),'%0.2f'),...
        'HorizontalAlignment','center',...
        'VerticalAlignment','bottom')
    end
    % E = wenergy(wpt);       %求取各个节点能量
    
    %% 绘制重构前各个特征频段小波包系数的图形
    figure(1);
    subplot(4,1,1);
    plot(x_input);
    title('原始信号');
    subplot(4,1,2);
    plot(cfs3_0);
    title(['层数 ',num2str(3) '  节点 0的小波0-8Hz',' 系数'])
    subplot(4,1,3);
    plot(cfs3_1);
    title(['层数 ',num2str(3) '  节点 1的小波8-16Hz',' 系数'])
    subplot(4,1,4);
    plot(cfs3_2);
    title(['层数 ',num2str(3) '  节点 2的小波16-24Hz',' 系数'])
    
    %% 绘制重构后时域各个特征频段的图形
    figure(3);
    subplot(3,1,1);
    plot(rex3(:,1));
    title('重构后0-8Hz频段信号');
    subplot(3,1,2);
    plot(rex3(:,2));
    title('重构后8-16Hz频段信号')
    subplot(3,1,3);
    plot(rex3(:,3));
    title('重构后16-24Hz频段信号');
    
    

    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

     

     

    展开全文
  • 首先基于小波包分解进行原始图像压缩编码,进而分别采用固定信道编码方案和自适应信道编码方案,为具有不等重要性的信源压缩码流提供UEP。仿真结果表明:基于固定信道编码及自适应信道编码的两种UEP方案性能明显优于...
  • 该方法在自适应时域分解的基础上,利用小波包变换多分辨分析能力和良好的时频特性进行频率分解,将有用信号和干扰分离,然后将受扰频带置零后进行小波包合成,达到滤除时变窄带干扰的目的。计算机仿真结果表明,该...
  • Mean)聚类,提出了一种能同时进行自适应分解和纹理特征分类的纹理图像分割方法,该方法将无监督聚类中的聚类有效性参数弓l入到自适应小波分解的判决中,能根据无监督聚类分割的需要,自适应地选取小波包分解的树...
  • 该算法将信号的小波包分解自适应滤波相结合,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,结果表明波包自适应滤波算法具有良好的...
  • 小波包分解

    千次阅读 2012-02-11 15:40:56
    传统的振动信号分析和处理方法一般都是采用傅立叶分析,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...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

    传统的振动信号分析和处理方法一般都是采用傅立叶分析,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。

    而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。

    下面以一个爆破振动信号为例对其进行小波包分解。

    原始信号如图1所示。

    对其采用db5 小波,进行3 层分解。分解树如图2 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1024 Hz,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 = 64 Hz。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3 和图4 所示。

    由此可见,原信号的主要能量集中在前两个频带内,即0~64 Hz 和65~128 Hz 内。


    如果愿意探讨交流或需要源代码请联系email:sipeizhao@gmail.com 或QQ: 2251989571

    展开全文
  • 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...
  • 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,波分析和小波包...可以根据信号的特征,自适应的选择最佳波基函数,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\varphi \left ( t \right )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:

    https://blog.csdn.net/jbb0523/article/details/42586749

    https://blog.csdn.net/cqfdcw/article/details/84995904

    展开全文
  • 小波包及其应用

    千次阅读 多人点赞 2021-05-17 21:03:27
    本博文首先介绍了小波包分解的特点和基本原理,然后将小波包分解应用于信号的去噪,最后提取小波包分解后各个频带的能量作为特征量。
  • 小波包MATLAB实现

    2021-08-16 15:16:25
    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波分析,可以根据信号的特征,自适应的选择最佳波基函数,比便更好的对信号进行分析,故小波包分析应用更加广泛。 ①分解 小波变换...
  • 研究了用离散小波包变换实现直扩通信系统中输入信号的分解,分析了小波包变换抵消窄带干扰的机理,对原有算法进行了优化并提出了相应的自适应去干扰算法。采用自适应滤波技术取代子带剔除法,自适应地跟踪窄带干扰,...
  • 该方法首先利用第二代小波包对原始信号进行分解与重构,然后为了避免对分解与重构后的所有子带都进行包络谱分析,根据能量最大化准则自适应选择一组故障信息最为丰富的子带进行包络谱分析,最后根据包络谱即可提取微弱...
  • 提出了一种基于小波包变换的非线性均衡器,利用小波包对信号较强的去相关能力来提高均衡器的收敛速度,并通过能量归一化过程给出了一种自适应均衡算法。在仿真实验中,针对无线通信数字信号传输过程中由于多径效应和...
  • 行业分类-设备装置-一种小波包辅助的自适应抗混总体平均经验模式分解方法
  • 小波包的理解

    千次阅读 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。波分析是一种窗口面积固定但其形状可改变...
  • 波的秘密6_小波包的理解

    千次阅读 2017-04-06 09:08:15
    1.各种变换的适合处理对象 小波变换 加窗Fourier变换 ...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,它是一个窗口函数固定
  • 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。...我们可以根据波包的分解特性,利用小波包分解技术滤除干扰信号。  1 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
  • 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...
  • [Python]波分析库Pywavelets的常用 API [Python ]波变化库——Pywavelets 学习笔记 小波变换与深度学习的结合 超分-wavelet Invertible Image Rescaling 可逆图像缩放:完美恢复降采样后的高清图片(ECCV 2020 ...
  • 基于MATLAB的波阈值去噪

    万次阅读 多人点赞 2016-11-14 17:01:01
    非常感谢: ... ... ...MATLAB中实现了信号的阈值去噪,主要包括 ...MATLAB中实现阈值获取的函数有ddencmp、...格式(2)与格式(1)的输出参数相同,输入选项也相同,只是它从信号的小波包分解树TREE进行去噪或压缩。
  • 1.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,在故障诊断中比波分析更精细。本文尝试用
  • 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...

空空如也

空空如也

1 2 3 4 5 ... 11
收藏数 212
精华内容 84
关键字:

自适应小波包分解