毕业设计基于小波分析的光谱数据去噪正文Word文档格式.docx
《毕业设计基于小波分析的光谱数据去噪正文Word文档格式.docx》由会员分享，可在线阅读，更多相关《毕业设计基于小波分析的光谱数据去噪正文Word文档格式.docx（11页珍藏版）》请在冰点文库上搜索。
通常采用的去噪方法包括平滑，傅立叶分析等。
其中光谱平滑的目的是消除高频随机误差，其基本思路是在平滑点的前后各取若干点来进行“平均”或“拟合”，以求得平滑点的最佳估计值，消除随机噪声，这一方法的基本前提是随机噪声在处理“窗口”的均值为零。
这种平滑的方法可有效地平滑高频噪声，提高信噪比，但是它对有效信号也进行平滑，容易造成信号失真，降低了光谱分辨率，而且光谱的两端不能进行平滑，因此存在一定的局限性。
傅立叶分析对数据处理应用的主要目的是加快信息的提取过程，通过压缩数据使得信息提取更加有效，同时去除干扰和噪声。
在传统的信号处理中，傅立叶分析是数据预处理的主要手段，但是傅立叶分析只能获得信号的整个频谱，不能得到信号的局部特性，不能充分刻画动态的非平稳信号的特征[3]。
而小波分析可以把各种频率组成的混合信号按照不同的分辨尺度分解成一系列不同频率的块信号。
由此可对特殊频率围的噪声进行滤波处理，小波分析灵活滤波的特性是其它方法无法比拟的。
小波分析是从傅立叶分析的基础上发展以来的，通过引入可变的尺度因子和平移因子，在信号分析时具有可调的时频窗口，巧妙地解决了时频局部化矛盾，弥补了傅立叶分析的不足，为信号处理提供了一种多分辨率下的动态分析手段。
由于小波分析对信号的分时分频的精细表达和多分辨率分析的特点，即有用信号和噪声信号在不同尺度上呈现不同的视频特征或者传播行为，根据这些特征的不同，可以将有用信号提取出来。
小波算法能够满足各种去噪要求，如低通，高通，随机噪音的去除等[1],[2]。
小波分析有效地完成了信号的时间与空间的局部化，对于信号分析而言意义重大。
小波分析具有多分辨率分析和多尺度的特点，可以由粗到精地逐步观察信号，同时还具有品质因数恒定，即相对带宽（带宽与中心频率之比）恒定的特点；
适当地选择基小波，可以使其在时、频两域都有表征信号局部特征的能力，因此非常有利于信号分析。
由于小波分析具有以上特性，人们把小波分析誉为分析信号的数学显微镜[3]。
小波消噪与MATLAB仿真方法
对含噪信号的消噪处理过程可以分为三个步骤[4]。
第一步，选择一个小波，确定小波分解的层次M，然后利用离散小波变换对含噪信号进行M层小波分解。
由于噪声信号主要位于每层信号分解后的细节部分，因此对这些细节部分进行处理即可实现消噪。
同一个信号用不同的小波基进行分解所得到的消噪效果是不同的，因此找到合适的小波基对于信号的消噪是很重要的。
第二步，对第一层到第M层的每一层高频系数进行阈值量化处理。
阈值量化方法一般有强制去噪、默认阈值去噪和给定软（或硬）阈值去噪三种方法。
强制去噪方法是把小波分解结构中的高频系数全部变为0，即把高频部分全部滤除掉，然后再对信号进行重构处理。
这种方法比较简单，重构后的去噪信号也比较平滑，但容易丢失信号的有用成分。
默认阈值去噪方法是首先产生信号的默认阈值，然后进行去噪处理。
给定软（或硬）阈值去噪方法是在实际的去噪处理过程中，阈值往往可以通过经验公式获得。
第三步，根据小波分解的第M层的低频系数和经过量化处理后的第一层到第M层的高频系数，进行信号的小波重构。
利用MATLAB软件进行了小波消噪的仿真程序设计[5]。
程序中采用db4小波对含噪信号进行二层小波分解，采用rigrsure、heursure、sqtwolog阈值量化对分解后的小波系数进行处理，重构信号之后即可得到消噪后的信号[6]，仿真程序见附录Ⅰ：
仿真图形及分析
本部分采用如图1和图2原始曲线和含有噪声的曲线进行分析。
从图中可以看出，谱图受到噪声影响较大。
本实验采用尺度为2的db小波，将信号进行分解，分别采用常用的rigrsure、heursure、sqtwolog阈值选择方法进行滤噪处理，滤噪结果如图3、4、5所示。
图1原始光谱数据
图1是
的原始的吸收光谱的数据，是没有受到干扰而产生噪声的数据。
在程序中是第二个图。
图2噪声光谱数据
图2是原始的光谱数据增加了噪声之后的数据，由图可以看出，噪声对光谱数据的影响还是很大了，去除噪声才能更好的对数据进行进一步的分析和处理。
在程序中式第一个图。
图3‘rigrsure’规则阈值去噪后数据
图4‘heursure’规则阈值去噪后数据
图5‘sqtwolog’规则阈值去噪结果后数据
图3，4,5分别是rigrsure规则heursure规则sqtwolog规则阈值去噪的数据结果因为不同的阈值对去噪的结果又一定的影响，因此需要对他们进行比较。
表
为采用各阈值值选择规则滤噪后的相对偏差SEM。
SEM定义为：
式1
式中
——滤噪后个点值，
——标准谱图各点值，
——数据个数。
用尺度为2的db4小波去噪结果
方法
rigrsure
heursure
sqtwolog
相对偏差（SEM）
0.18501
从表
和图3、图4、图5可以看出rigrsure、heursure、sqtwolog三种规则的相对偏差（SEM）均相同，而且比较小，而heursure适用于信号比较小，SORE估计有很大的噪声，通过仿真图形主观视觉上，heursure的峰值比其他两个更接近于原始光谱图，比较适用于本课题，所以确定为heursure作为本次课题的阈值去噪方法。
小波去噪的软件实现
打开小波工具点击加载文本数据进行加载并找出需要加载的含噪声的光谱数据读出含噪吸光度光谱图如图6
图6含噪吸光度光谱图
如上图选好一个分解数据，采用Mallat算法对小波进行多层分解，分解层数选择3层分解，并选用db小波对需要分解的数据进行处理，而db小波基N=1,2,3…10。
选好小波去噪的各个参数后，然后在滤波中选取启发式阈值，而此阈值就是软阈值处理，点击“滤波”按钮，对需要的分解的数据进行小波去噪滤波。
滤波结果如图3.7。
从图形来看，去噪效果符合选定参数的去噪结果，基本实现了预期编织软件的目的。
图7给定光谱吸收度信号分解滤波重构图
数据分析
通过光谱预处理软件，得到光谱数据处理后和处理前的坐标数据，将这些数据通过MATLAB进行仿真，与原数据进行比较如图8所示，并进行相对偏差（SEM）进行计算得出最终数据，其结果如表
所示，得到的数据的相对偏差和在MATLAB中用heursure阈值去噪方法得到的相对偏差很接近，说明本课题实现的光谱预处理软件比较准确的实现了光谱数据去噪的功能。
图8软件去噪后得到的数据
从图可以看出，图形形状基本和图4相同，通过对数据进行相对偏差处理得到表
，虽然精度达不到MATLAB的精度，但是偏差不是很大，能实现去噪效果，保留了基本信息。
相对偏差比较
方法
MATLAB仿真
软件去噪
相对偏差（SEM）
0.19322
小结
通过简单介绍了小波去噪的各个步骤以及分别用MATLAB和VC++软件对给定数据进行仿真，通过MATLAB仿真，对不同的阈值处理方法进行了比较和分析，得出更适合阈值去噪的方法（heursure阈值去噪），虽然从相对偏差计算结果看，并没有什么大的区别，但是从heursure阈值去噪的仿真图形来看，heursure的峰值比其他两个更接近于原始光谱图，而从各个阈值消噪方法的特点来看,heursure适用于信号比较小，SORE估计有很大的噪声，比较适合本课题。
heursure阈值消噪选取为下面VC软件实现得出了一个比较合适的阈值去噪方法。
小波分析也是一种比较成熟的图像处理方法，通过对小波阈值去噪算法的不断改进，会设计出更加完善，功能更加强大的软件。
相信在不久将来，随着算法不断改进，设计出的软件功能也会更加完善，功能也越来越强大，而软件的种类也会越来越多。
对人们的生活质量的提高会有很大帮助。
MATLAB仿真程序
figure;
charxuzhiqiang.m,a,b,c;
plot（a,b）;
axis（[10001500-0.21.4]）;
figure
plot（a,c）
[C,L]=wavedec（b,2,'
db4'
）;
q=0.05;
p=C（126:
492）;
V=length（p）;
I=（1:
V）'
;
cVID=1;
cVN=sum（1./（1:
V））;
pID=p（max（find（p<
=I/V*q/cVID）））;
pN=p（max（find（p<
=I/V*q/cVN）））;
plot（C（126:
493））
E1=wden（b,'
rigrsure'
'
h'
one'
2,'
E2=wden（b,'
heursure'
E3=wden（b,'
sqtwolog'
E4=wdencmp（'
gbl'
b,'
2,0.05462,'
s'
1）
plot（E1）;
plot（E2）;
plot（E3）;
plot（E4）;
y1=0;
y2=0;
y10=0;
y20=0;
y11=0;
y21=0;
y12=0;
y22=0;
y13=0;
y23=0;
fori=1:
479
y10=y10+（E1（i）-c（i））^2;
end
y20=y20+c（i）^2;
SEM1=（y10/y20）^0.5;
y11=y11+（E2（i）-c（i））^2;
y21=y21+c（i）^2;
SEM2=（y11/y21）^0.5;
y12=y12+（E3（i）-c（i））^2;
y22=y22+c（i）^2;
SEM3=（y12/y22）^0.5;
y13=y13+（E4（i）-c（i））^2;
y23=y23+c（i）^2;
SEM4=（y13/y23）^0.5;
disp（SEM1）;
注：
其中a、b、c是在通过测试二氧化硫在给定波长的光谱吸光度，a为给定的波长数组，b是含噪的光谱吸光度数组，c是纯净的光谱吸光度数组。
是给定的数据。
参考文献
[1]龙瑞麟,高维.小波分析[M].北京:
世界图书出版公司.1995
[2]程正兴.小波分析算法与应用[M].:
交通大学.1998
[3]族桥,方志雄,雷学堂等.基于小波分析算法的应用程序设计与实现[J].黄冈师学院学报,2003.6:
60-62.
[4]IngridDaubechies著，建平，万年译，小波十讲，北京，国防工业，2003：
1-313。
[5]黎,许国旺等.快速傅立叶分析用于色谱噪声平滑及微弱信号检测[J].色谱,1998，16（5）:
386-389
[6]DonohoD.L,Denoisingbysoftthresholding.IEEETrans.OnIT,1995,41（3）:
613-627.
[7]海英，纪超辉.小波变换降噪技术及其在Mallab中的实现[J]．兵工自动化，2006，25
（2）：
54～55
升级会员 