1、小波阈值去噪理论
小波阈值去噪就是对信号进行分解，然后对分解后的系数进行阈值处理，最后重构得到去噪信号。该算法其主要理论依据是：小波变换具有很强的去数据相关性，它能够使信号的能量在小波域集中在一些大的小波系数中;而噪声的能量却分布于整个小波域内。因此，经小波分解后，信号的小波系数幅值要大于噪声的系数幅值。可以认为，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声。于是，采用阈值的办法可以把信号系数保留，而使大部分噪声系数减小至零。小波阈值收缩法去噪的具体处理过程为：将含噪信号在各尺度上进行小波分解，设定一个阈值，幅值低于该阈值的小波系数置为0，高于该阈值的小波系数或者完全保留，或者做相应的“收缩（shrinkage）”处理。最后将处理后获得的小波系数用逆小波变换进行重构，得到去噪后的信号.
2、小波阈值去噪c语言程序
此程序是用于信号处理分析，突出奇异值的前段处理，对信号进行小波包分解，用C语言实现的，仅供参考。
#include<stdio.h>
#include<stdlib.h>
#include<stdio.h>
#include<stdlib.h>
#defineLENGTH4096//信号长度
#defineDB_LENGTH8//Daubechies小波基紧支集长度
/******************************************************************
* 一维卷积函数
* 说明：循环卷积，卷积结果的长度与输入信号的长度相同
* 输入参数：data［］，输入信号;core［］，卷积核;cov［］，卷积结果;
*n，输入信号长度;m，卷积核长度。
******************************************************************/
/*voidCovluTIon（doubledata［］，doublecore［］，doublecov［］，intn，intm）
{
inTI=0;
intj=0;
intk=0;
//将cov［］清零
for（i=0;i《n;i++）
{
cov［i］=0;
}
//前m/2+1行
i=0;
for（j=0;j《m/2;j++，i++）
{
for（k=m/2-j;k《m;k++）
{
cov［i］+=data［k-（m/2-j）］*core［k］;//k针对core［k］
}
for（k=n-m/2+j;k《n;k++）
{
cov［i］+=data［k］*core［k-（n-m/2+j）］;//k针对data［k］
}
}
//中间的n-m行
for（i=m/2;i《=（n-m）+m/2;i++）
{
for（j=0;j《m;j++）
{
cov［i］+=data［i-m/2+j］*core［j］;
}
}
//最后m/2-1行
i=（n-m）+m/2+1;
for（j=1;j《m/2;j++，i++）
{
for（k=0;k《j;k++）
{
cov［i］+=data［k］*core［m-j-k］;//k针对data［k］
}
for（k=0;k《m-j;k++）
{
cov［i］+=core［k］*data［n-（m-j）+k］;//k针对core［k］
}
}
}
*/
//定义一个线性卷积
voidCovluTIon（doubledata［］，doublecore［］，doublecov［］，intn，intm）
{
inTI=0;
intj=0;
intt=0;
//将cov［］清零
for（j=0;j《n+m-1;j++）
{
cov［j］=0;
}
for（j=0;j《m+n-1;j++）
{
if（j《=m-1）//前面m行
{
for（i=0，t=j;t》=0;i++，t--）
cov［j］+=data［i］*core［t］;
}
elseif（j《=n-1）//中间n-m行
{
for（i=j-m+1，t=m-1;t》=0;i++，t--）
cov［j］+=data［i］*core［t］;
}
else//后面m行
{
for（i=j-m+1，t=m-1;i《n;i++，t--）
cov［j］+=data［i］*core［t］;
}
}
}
技术专区
- Alexa语音服务软件扩展STM32Cube
- 结合DNN API驱动未来神经网络应用的解决方案
- 针对于高端移动通信和汽车市场的四集群设计
- 一款基于帧捕捉的开源图形调试器应用设计
- 即将成为标准配置的最新安全技术：后视摄像系统
