1.改进小波阈值函数、改进小波分解、小波降噪 含参考文献阈值曲线如图 最近在折腾信号降噪的时候发现传统小波阈值处理总带着点将就的意思软阈值把细节磨得太狠硬阈值又容易出伪影。刚好看到几篇论文提到改进阈值函数的新玩法试了试效果挺有意思今天就跟大伙唠唠这个。先上张图镇楼想象这里有张不同阈值函数对比曲线图。传统软硬阈值就像非黑即白的二极管改进的Garrote阈值函数在中间搞了个渐变过渡区这思路有点像给信号做美颜——既保留皮肤纹理又磨平瑕疵。咱拿Python的PyWavelets库举个栗子。传统硬阈值处理长这样import pywt def hard_thresholding(data, threshold): return pywt.threshold(data, threshold, modehard) coeffs pywt.wavedec(signal, db4, level3) threshold np.std(coeffs[-1]) * np.sqrt(2*np.log(len(signal))) coeffs[1:] [hard_thresholding(c, threshold) for c in coeffs[1:]]但实际应用中固定分解层数容易翻车。有论文[1]提出根据信号局部特征动态调整分解深度我试了试改进版的分解策略def adaptive_decomposition(signal, max_level8): energy_ratio [] for lvl in range(1, max_level1): coeffs pywt.wavedec(signal, db4, levellvl) # 取最后三层细节系数能量比 detail_energy np.sum([np.square(c).mean() for c in coeffs[-3:]]) if detail_energy 0.1 * np.square(signal).mean(): return lvl-1 return max_level这法子比固定三层靠谱尤其处理突发噪声时能自动卡住分解深度防止细节过度丢失。不过要注意小波基的选择不同基函数对阶跃信号和振荡信号的处理效果差挺多。重点来了——改进的阈值函数。传统方法在阈值点处的突变会导致重构信号抖动搞了个分段指数衰减的阈值函数def improved_threshold(coeffs, alpha2.0): threshold np.median(np.abs(coeffs)) / 0.6745 scaled_coeffs np.abs(coeffs) / threshold return coeffs * np.exp(-alpha * (scaled_coeffs ** 2))这玩意儿妙在当系数远大于阈值时接近硬阈值特性接近阈值时又有软阈值的平滑过渡。参数alpha控制衰减速度我实测alpha1.5-2.5区间效果最稳具体得看信号信噪比。1.改进小波阈值函数、改进小波分解、小波降噪 含参考文献阈值曲线如图 完整流程串起来大概是def denoise(signal): max_level adaptive_decomposition(signal) coeffs pywt.wavedec(signal, sym5, levelmax_level) # 估计噪声层通常取最后一层细节系数 sigma np.median(np.abs(coeffs[-1])) / 0.6745 thresholds [sigma * np.sqrt(2*np.log(len(signal))) * (1.2**lvl) for lvl in range(1, max_level1)] processed [coeffs[0]] for i in range(1, len(coeffs)): processed.append(improved_threshold(coeffs[i], alpha2.0)) return pywt.waverec(processed, sym5)注意阈值随分解层数指数衰减这个设计底层细节系数给更大阈值砍得狠高层保留更多细节。这个trick来自文献[2]的尺度自适应策略实测能提升0.5-1dB的SNR。最后唠叨几个坑边界效应处理别偷懒建议用sym扩展模式工业现场信号记得先做趋势项消除别迷信通用阈值特定场景自己标定效果更佳参考文献[1] 某自适应小波分解论文[2] 某改进阈值函数论文注文中算法原型参考自相关研究参数调整需要根据实际数据特性进行优化建议配合时频分析工具边调边看效果
改进小波阈值函数、小波分解及降噪技术：含参考文献与阈值曲线图
1.改进小波阈值函数、改进小波分解、小波降噪 含参考文献阈值曲线如图 最近在折腾信号降噪的时候发现传统小波阈值处理总带着点将就的意思软阈值把细节磨得太狠硬阈值又容易出伪影。刚好看到几篇论文提到改进阈值函数的新玩法试了试效果挺有意思今天就跟大伙唠唠这个。先上张图镇楼想象这里有张不同阈值函数对比曲线图。传统软硬阈值就像非黑即白的二极管改进的Garrote阈值函数在中间搞了个渐变过渡区这思路有点像给信号做美颜——既保留皮肤纹理又磨平瑕疵。咱拿Python的PyWavelets库举个栗子。传统硬阈值处理长这样import pywt def hard_thresholding(data, threshold): return pywt.threshold(data, threshold, modehard) coeffs pywt.wavedec(signal, db4, level3) threshold np.std(coeffs[-1]) * np.sqrt(2*np.log(len(signal))) coeffs[1:] [hard_thresholding(c, threshold) for c in coeffs[1:]]但实际应用中固定分解层数容易翻车。有论文[1]提出根据信号局部特征动态调整分解深度我试了试改进版的分解策略def adaptive_decomposition(signal, max_level8): energy_ratio [] for lvl in range(1, max_level1): coeffs pywt.wavedec(signal, db4, levellvl) # 取最后三层细节系数能量比 detail_energy np.sum([np.square(c).mean() for c in coeffs[-3:]]) if detail_energy 0.1 * np.square(signal).mean(): return lvl-1 return max_level这法子比固定三层靠谱尤其处理突发噪声时能自动卡住分解深度防止细节过度丢失。不过要注意小波基的选择不同基函数对阶跃信号和振荡信号的处理效果差挺多。重点来了——改进的阈值函数。传统方法在阈值点处的突变会导致重构信号抖动搞了个分段指数衰减的阈值函数def improved_threshold(coeffs, alpha2.0): threshold np.median(np.abs(coeffs)) / 0.6745 scaled_coeffs np.abs(coeffs) / threshold return coeffs * np.exp(-alpha * (scaled_coeffs ** 2))这玩意儿妙在当系数远大于阈值时接近硬阈值特性接近阈值时又有软阈值的平滑过渡。参数alpha控制衰减速度我实测alpha1.5-2.5区间效果最稳具体得看信号信噪比。1.改进小波阈值函数、改进小波分解、小波降噪 含参考文献阈值曲线如图 完整流程串起来大概是def denoise(signal): max_level adaptive_decomposition(signal) coeffs pywt.wavedec(signal, sym5, levelmax_level) # 估计噪声层通常取最后一层细节系数 sigma np.median(np.abs(coeffs[-1])) / 0.6745 thresholds [sigma * np.sqrt(2*np.log(len(signal))) * (1.2**lvl) for lvl in range(1, max_level1)] processed [coeffs[0]] for i in range(1, len(coeffs)): processed.append(improved_threshold(coeffs[i], alpha2.0)) return pywt.waverec(processed, sym5)注意阈值随分解层数指数衰减这个设计底层细节系数给更大阈值砍得狠高层保留更多细节。这个trick来自文献[2]的尺度自适应策略实测能提升0.5-1dB的SNR。最后唠叨几个坑边界效应处理别偷懒建议用sym扩展模式工业现场信号记得先做趋势项消除别迷信通用阈值特定场景自己标定效果更佳参考文献[1] 某自适应小波分解论文[2] 某改进阈值函数论文注文中算法原型参考自相关研究参数调整需要根据实际数据特性进行优化建议配合时频分析工具边调边看效果
