七种滤波方法测试matlab
七种滤波方法测试matlab实现(转)
创建两个混合信号,便于更好测试滤波器效果。同时用七中滤波方法测试。
混合信号Mix_Signal_2 = 信号Signal_Original_2+白噪声。
1.巴特沃斯低通滤波器去噪
巴特沃斯滤波器适合用于信号和噪声没有重叠的情况下。下图是巴特沃斯对两个信号的滤波效果。
从图上可以看出巴特沃斯低通滤波器对信号一的滤波效果还是可以的,主要是因为有效的信号最高频率才30Hz,本程序将50Hz以上的信号全部滤除,通过的频率成分中仍然是有白噪声的。
对于信号二,滤波后的信号与没有加噪声的信号相比就有失真了,上升沿和下降沿的高频信号被滤除了。
2.FIR低通滤波器去噪
情况同巴特沃斯低通滤波器相似。滤波后的效果如下:
3. 移动平均滤波去噪
滤波效果如下:
4. 中值滤波去噪
从上图可以看出,无论是对信号一还是对信号二,中值滤波的滤波效果都是很不错,特备是对于信号二,上升沿和下降失真比较的小。5. 维纳滤波去噪
维纳滤波器属于现代滤波器,传统的滤波器只能滤除信号和干扰频带没有重叠的情况,当信号和干扰频带有重叠的时候传统滤波器将无能为力,这时就需要用到现代滤波器,现代滤波器利用信号和干扰的统计特征(如自相关函数、功率谱等)导出一套最佳估值算法,然后用硬件或软件予以实现。
维纳滤波是以均方误差最小(LMS(LeastMeanSquare)为准则的,它根据过去观测值和当前观测值来估计信号的当前值,因此它的解形式是系统的传递函数或单位脉冲响应。
均方误差为:
维纳-霍夫(Wiener-Hopf)方程最小均方误差下的解为:
由于理解不深,对于信号二,没有什么滤波效果
6. 自适应滤波去噪
维纳滤波器参数是固定的,适合于平稳随机信号。卡尔曼滤波器参数是时变的,适合于非平稳随机信号。然而,只有在信号和噪声的统计特性先验已知的情况下,这两种滤波技术才能获得最优滤波。在实际应用中,常常无法得到信号和噪声统计特性的先验知识。在这种情况下,自适应滤波技术能够获得极佳的滤波性能,因而具有很好的应用价值。
自适应滤波的滤波效果如下:
本程序是基于LMS算法的自适应滤波,从上图可以看出,滤波效果也是很不错的,特别是对于信号二,上升沿有失真,下降沿保持还可以,最要的是得到的波形十分的平滑。由此可见自适应滤波极具使用价值。7. 小波去噪
首先看一下小波的去噪效果。
对于信号二,小波的去噪效果非常不错,虽然得到波形不是很平滑,但是上升沿和下降沿保持的非常高,基本可以看到棱角.
%****************************************************************************************
%
% 创建两个信号Mix_Signal_1和信号 Mix_Signal_2
%
%***************************************************************************************
Fs =1000; %采样率
N =1000; %采样点数
n = 0:N-1;
t =0:1/Fs:1-1/Fs; %时间序列
Signal_Original_1=sin(2*pi*10*t)+sin(2*pi*20*t)+sin(2*pi*30*t);
Noise_White_1 =[0.3*randn(1,500),rand(1,500)]; %前500点高斯分部白噪声,后500点均匀分布白噪声
Mix_Signal_1 =Signal_Original_1 +Noise_White_1; %构造的混合信号
Signal_Original_2 = [zeros(1,100),20*ones(1,20), -2*ones(1,30), 5*ones(1,80), -5*ones(1,30),9*ones(1,140), -4*ones(1,40), 3*ones(1,220), 12*ones(1,100),5*ones(1,20), 25*ones(1,30), 7*ones(1,190)];
Noise_White_2 = 0.5*randn(1,1000); %高斯白噪声
Mix_Signal_2 = Signal_Original_2+Noise_White_2; %构造的混合信号
%****************************************************************************************
%
% 信号Mix_Signal_1和Mix_Signal_2 分别作巴特沃斯低通滤波。
%
%***************************************************************************************
%混合信号Mix_Signal_1 巴特沃斯低通滤波
figure(1);
Wc=2*50/Fs; %截止频率50Hz
[b,a]=butter(4,Wc);
Signal_Filter=filter(b,a,Mix_Signal_1);
subplot(4,1,1); %Mix_Signal_1原始信号
plot(Mix_Signal_1);
axis([0,1000,-4,4]);
title('原始信号 ');
subplot(4,1,2); %Mix_Signal_1低通滤波滤波后信号
plot(Signal_Filter);
axis([0,1000,-4,4]);
title('巴特沃斯低通滤波后信号');
%混合信号Mix_Signal_2 巴特沃斯低通滤波
Wc=2*100/Fs; %截止频率100Hz
[b,a]=butter(4,Wc);
Signal_Filter=filter(b,a,Mix_Signal_2);
subplot(4,1,3); %Mix_Signal_2原始信号
plot(Mix_Signal_2);
axis([0,1000,-10,30]);
title('原始信号 ');
subplot(4,1,4); %Mix_Signal_2低通滤波滤波后信号
plot(Signal_Filter);
axis([0,1000,-10,30]);
title('巴特沃斯低通滤波后信号');
%****************************************************************************************
%
% 信号Mix_Signal_1和Mix_Signal_2 分别作FIR低通滤波。
%
%***************************************************************************************
%混合信号Mix_Signal_1 FIR低通滤波
figure(2);
F = [0:0.05:0.95];
A = [1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] ;
b = firls(20,F,A);
Signal_Filter = filter(b,1,Mix_Signal_1);
subplot(4,1,1); %Mix_Signal_1原始信号
plot(Mix_Signal_1);
axis([0,1000,-4,4]);
title('原始信号 ');
subplot(4,1,2); %Mix_Signal_1FIR低通滤波滤波后信号
plot(Signal_Filter);
axis([0,1000,-5,5]);
title('FIR低通滤波后的信号');
%混合信号Mix_Signal_2 FIR低通滤波
F = [0:0.05:0.95];
A = [1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] ;
b = firls(20,F,A);
Signal_Filter = filter(b,1,Mix_Signal_2);
subplot(4,1,3); %Mix_Signal_2原始信号
plot(Mix_Signal_2);
axis([0,1000,-10,30]);
title('原始信号 ');
subplot(4,1,4); %Mix_Signal_2FIR低通滤波滤波后信号
plot(Signal_Filter);
axis([0,1000,-10,30]);
title('FIR低通滤波后的信号');
%****************************************************************************************
%
% 信号Mix_Signal_1和Mix_Signal_2 分别作移动平均滤波
%
%***************************************************************************************
%混合信号Mix_Signal_1 移动平均滤波
figure(3);
b = [11 1 1 1 1]/6;
Signal_Filter = filter(b,1,Mix_Signal_1);
subplot(4,1,1); %Mix_Signal_1原始信号
plot(Mix_Signal_1);
axis([0,1000,-4,4]);
title('原始信号 ');
subplot(4,1,2); %Mix_Signal_1移动平均滤波后信号
plot(Signal_Filter);
axis([0,1000,-4,4]);
title('移动平均滤波后的信号');
%混合信号Mix_Signal_2 移动平均滤波
b = [11 1 1 1 1]/6;
Signal_Filter = filter(b,1,Mix_Signal_2);
subplot(4,1,3); %Mix_Signal_2原始信号
plot(Mix_Signal_2);
axis([0,1000,-10,30]);
title('原始信号 ');
subplot(4,1,4); %Mix_Signal_2移动平均滤波后信号
plot(Signal_Filter);
axis([0,1000,-10,30]);
title('移动平均滤波后的信号');
%****************************************************************************************
%
% 信号Mix_Signal_1和 Mix_Signal_2 分别作中值滤波
%
%***************************************************************************************
%混合信号Mix_Signal_1 中值滤波
figure(4);
Signal_Filter=medfilt1(Mix_Signal_1,10);
subplot(4,1,1); %Mix_Signal_1原始信号
plot(Mix_Signal_1);
axis([0,1000,-5,5]);
title('原始信号 ');
subplot(4,1,2); %Mix_Signal_1中值滤波后信号
plot(Signal_Filter);
axis([0,1000,-5,5]);
title('中值滤波后的信号');
%混合信号Mix_Signal_2 中值滤波
Signal_Filter=medfilt1(Mix_Signal_2,10);
subplot(4,1,3); %Mix_Signal_2原始信号
plot(Mix_Signal_2);
axis([0,1000,-10,30]);
title('原始信号 ');
subplot(4,1,4); %Mix_Signal_2中值滤波后信号
plot(Signal_Filter);
axis([0,1000,-10,30]);
title('中值滤波后的信号');
%****************************************************************************************
%
% 信号Mix_Signal_1和 Mix_Signal_2 分别作维纳滤波
%
%***************************************************************************************
%混合信号Mix_Signal_1 维纳滤波
figure(5);
Rxx=xcorr(Mix_Signal_1,Mix_Signal_1); %得到混合信号的自相关函数
M=100; %维纳滤波器阶数
fori=1:M %得到混合信号的自相关矩阵
forj=1:M
rxx(i,j)=Rxx(abs(j-i)+N);
end
end
Rxy=xcorr(Mix_Signal_1,Signal_Original_1); %得到混合信号和原信号的互相关函数
for i=1:M
rxy(i)=Rxy(i+N-1);
end %得到混合信号和原信号的互相关向量
h =inv(rxx)*rxy'; %得到所要涉及的wiener滤波器系数
Signal_Filter=filter(h,1,Mix_Signal_1); %将输入信号通过维纳滤波器
subplot(4,1,1); %Mix_Signal_1原始信号
plot(Mix_Signal_1);
axis([0,1000,-5,5]);
title('原始信号 ');
subplot(4,1,2); %Mix_Signal_1 维纳滤波后信号
plot(Signal_Filter);
axis([0,1000,-5,5]);
title('维纳滤波后的信号');
%混合信号Mix_Signal_2 维纳滤波
Rxx=xcorr(Mix_Signal_2,Mix_Signal_2); %得到混合信号的自相关函数
M=500; %维纳滤波器阶数
fori=1:M %得到混合信号的自相关矩阵
forj=1:M
rxx(i,j)=Rxx(abs(j-i)+N);
end
end
Rxy=xcorr(Mix_Signal_2,Signal_Original_2); %得到混合信号和原信号的互相关函数
for i=1:M
rxy(i)=Rxy(i+N-1);
end %得到混合信号和原信号的互相关向量
h=inv(rxx)*rxy'; %得到所要涉及的wiener滤波器系数
Signal_Filter=filter(h,1,Mix_Signal_2); %将输入信号通过维纳滤波器
subplot(4,1,3); %Mix_Signal_2原始信号
plot(Mix_Signal_2);
axis([0,1000,-10,30]);
title('原始信号 ');
subplot(4,1,4); %Mix_Signal_2维纳滤波后信号
plot(Signal_Filter);
axis([0,1000,-10,30]);
title('维纳滤波后的信号');
%****************************************************************************************
%
% 信号Mix_Signal_1和Mix_Signal_2 分别作自适应滤波
%
%***************************************************************************************
%混合信号 Mix_Signal_1 自适应滤波
figure(6);
N=1000; %输入信号抽样点数N
k=100; %时域抽头LMS算法滤波器阶数
u=0.001; %步长因子
%设置初值
yn_1=zeros(1,N); %outputsignal
yn_1(1:k)=Mix_Signal_1(1:k); %将输入信号SignalAddNoise的前k个值作为输出yn_1的前k个值
w=zeros(1,k); %设置抽头加权初值
e=zeros(1,N); %误差信号
%用LMS算法迭代滤波
for i=(k+1):N
XN=Mix_Signal_1((i-k+1):(i));
yn_1(i)=w*XN';
e(i)=Signal_Original_1(i)-yn_1(i);
w=w+2*u*e(i)*XN;
end
subplot(4,1,1);
plot(Mix_Signal_1); %Mix_Signal_1 原始信号
axis([k+1,1000,-4,4]);
title('原始信号');
subplot(4,1,2);
plot(yn_1); %Mix_Signal_1自适应滤波后信号
axis([k+1,1000,-4,4]);
title('自适应滤波后信号');
%混合信号 Mix_Signal_2 自适应滤波
N=1000; %输入信号抽样点数N
k=500; %时域抽头LMS算法滤波器阶数
u=0.000011; %步长因子
%设置初值
yn_1=zeros(1,N); %output signal
yn_1(1:k)=Mix_Signal_2(1:k); %将输入信号SignalAddNoise的前k个值作为输出yn_1的前k个值
w=zeros(1,k); %设置抽头加权初值
e=zeros(1,N); %误差信号
%用LMS算法迭代滤波
for i=(k+1):N
XN=Mix_Signal_2((i-k+1):(i));
yn_1(i)=w*XN';
e(i)=Signal_Original_2(i)-yn_1(i);
w=w+2*u*e(i)*XN;
end
subplot(4,1,3);
plot(Mix_Signal_2); %Mix_Signal_1 原始信号
axis([k+1,1000,-10,30]);
title('原始信号');
subplot(4,1,4);
plot(yn_1); %Mix_Signal_1自适应滤波后信号
axis([k+1,1000,-10,30]);
title('自适应滤波后信号');
%****************************************************************************************
%
% 信号Mix_Signal_1和 Mix_Signal_2 分别作小波滤波
%
%***************************************************************************************
%混合信号Mix_Signal_1 小波滤波
figure(7);
subplot(4,1,1);
plot(Mix_Signal_1); %Mix_Signal_1 原始信号
axis([0,1000,-5,5]);
title('原始信号 ');
subplot(4,1,2);
[xd,cxd,lxd] =wden(Mix_Signal_1,'sqtwolog','s','one',2,'db3');
plot(xd); %Mix_Signal_1 小波滤波后信号
axis([0,1000,-5,5]);
title('小波滤波后信号 ');
%混合信号Mix_Signal_2 小波滤波
subplot(4,1,3);
plot(Mix_Signal_2); %Mix_Signal_2 原始信号
axis([0,1000,-10,30]);
title('原始信号 ');
subplot(4,1,4);
[xd,cxd,lxd] =wden(Mix_Signal_2,'sqtwolog','h','sln',3,'db3');
plot(xd); %Mix_Signal_2小波滤波后信号
axis([0,1000,-10,30]);
title('小波滤波后信号 ');
七种滤波方法测试matlab相关推荐
- matlab怎样实现滤波,【转】matlab七种滤波方法实现和测试
创建两个混合信号,便于更好测试滤波器效果.同时用七中滤波方法测试. 混合信号Mix_Signal_1 = 信号Signal_Original_1+白噪声. 混合信号Mix_Signal_2 = 信号S ...
- matlab加权滤波,matlab实现七种滤波方法
对于信号二,小波的去噪效果非常不错,虽然得到波形不是很平滑,但是上升沿和下降沿保持的非常高,基本可以看到棱角. %******************************************* ...
- C库函数qsort七种使用方法示例
这篇文章是 一楼那个学长写的 C库函数qsort七种使用方法示例 七种qsort排序方法<本文中排序都是采用的从小到大排序> 一.对int类型数组排序 C++代码 int num[10 ...
- 10截图时屏幕变大_解锁电脑更多的截屏姿势:Win 10中自带的七种截图方法
说起电脑截图,我们很容易想到的是微信中Alt+A的快捷方式,但如果我们电脑中没有安装微信却要对屏幕内容进行截图应该怎么办?马上下载并安装微信?没有那么复杂,Win 10就自带了多达七种截图方法,熟悉其 ...
- C语言运行时电脑白屏怎么办,win10电脑白屏死机无响怎么回事_win10电脑白屏死机无响七种解决方法...
win10专业版使用一段时间后出现白屏死机的问题,开机后不是登录界面,而是白色屏幕,尝试多次还是一样,怎么办呢?此故障原因无非是硬件或软件两大原因,有什么办法解决呢?此文小编告诉大家解决win10电脑 ...
- html语言单词背不下来,专八词汇背不下来?来看看这七种记忆方法
专八词汇背不下来?来看看这七种记忆方法 01 结合构词法记忆单词 前缀记忆,英语单词前缀很多. 常用前缀有: anti-(反对,防止),co-(共同),de-(离开,除去),dis-(否定,相反), ...
- 图像滤波的matlab实现,图像滤波方法及其MATLAB实现
图像滤波方法及其MATLAB实现(论文13000字) 摘要:在数字图像处理中,由于受到成像方法的限制,图像中的边缘.细节特征等重要信息常湮没于噪声信号中,给图像的后继处理如边缘检测.图像分割.图像匹配 ...
- 连接服务器失败请检查网络是否启用修复程序,Win10出现网络连接问题的七种修复方法...
现如今办公和生活都少不了网络,Win10电脑在连接网络时总出现连接失败,出现这种情况原因比较多,大家首先要找到故障原因,然后在对症下药来处理,今天给大家带来Win10出现网络连接问题的七种修复方法,有 ...
- Win10管理员命令提示符窗口的七种打开方法汇总
Win10管理员命令提示符窗口的七种打开方法汇总 管理员命令提示符是我们在Windows10系统操作中经常使用的功能之一, 管理员命令提示符可以非常直接的运行各种程序.命令等. 如:在管理员命令提示符 ...
- 微弱信号检测中四种降噪滤波方法的matlab实现
用Matlab实现4种滤波降噪处理算法,信号为正弦信号叠加上白噪声,参数可自主定制. %matlab clear all;clc; fs=300; Time=128; t=0:1/fs:Time; f ...
最新文章
- 微信小程序navigateTo /redirectTo/navigateBack 三者区别
- 安卓怎么显示res文件夹中的html_安卓手机如何打开.mhtml文件?
- 「第五篇」全国电子设计竞赛-电源题设计方案总结
- oracle函数 sysdate
- 微信小程序开发之普通链接二维码
- System.Runtime.InteropServices.COMException 检索COM类工厂中CLSID{xxxxxxxxx}的组件时失败解决方法...
- 转载:ROS的QT界面 开发史上 最强教程
- 知了堂学习笔记-CSS样式整理(一)
- SQL Server监控全解析
- aspose.words .net 导出word表
- java高级教程pdf_《Java高级编程实用教程》PDF 下载_IT教程网
- snmp trap 如何在浏览器中_SNMP TRAP功能
- AUTOCAD——点命令
- 【后端】Nginx 体系
- JAVA里的空白\t\n\r分别代表什么?
- 为什么这么多学生讨厌数学(以及如何解决它)?
- html5光线传感器,HTML5设备传感器总结
- 64位计算机可以安装32位软件,【64位可以安装32位系统】64位安装32位的软件_64位系统改装32位系统...
- sin30的c语言表达式,c语言sin30怎么写
- JVM--查看堆栈信息
热门文章
- MyBatis官方文档——Java API部分
- python 多继承冲突_python:super()对多继承的影响
- wsdl 架构验证警告:来自命名空间_Let it go: DARTS 神经网络可微架构搜索 笔记
- qt解决中文乱码问题。总结一下
- Qt中鼠标事件捕获与Qt对象事件过滤
- python 颜色条_python – 在Matplotlib / Cartopy中创建颜色条图例
- 使用SAP download manager下载SAP软件
- 台电tbook10s官方固件_台电TbooK 10 S (E5N5)-双系统平板电脑固件
- 网络工程师笔记--网络管理技术
- Android studio 导入 Android 系统源码