Simone
小波变换和去噪通俗的空迅讲就是剥大蒜的过程，也就是不断的分层，使得信号拆分成各种频段（根据采用频率而定），而这一过程要用到低通滤波器和高通滤波器，而小波去噪就是在高频部分（因为通常白噪声出现在高频部分）改变数字量，运用一些算法去除一些混有噪声的数字，然后再运用重构低通滤波器和高通滤波器把刚刚分层的频段加起来，差不多就是拼凑大蒜的过程吧。 如何改变高频系数（也就是去除噪声）具体算法如下：1.软门限和硬门限所谓门限法,就是选择一个门限,然后利用这个门限对小波变换后的离散细节信号和离散逼近信号进行处理。硬门限可以描述为：当数据的绝对值小于给定的门限时,令其为零,而数据为其他值时不变。软门限可以描述为:当数据的绝对值小于给定的皮察门限时,令其为零,然后把其他数据点向零收缩。 2.门限选择的准则及其算法根据现有的文献,对于被高斯白噪声污染的信号基本噪声模型, 一般地, 选择门限的准则如下:1． 无偏风险估计准则。对应于每一个门限值, 求出与其对应的风险值, 使风险最小的门限就斗握此是我们所要选取的门限，其具体算法为:(a) 把待估计的矢量中的元素取绝对值, 由小到大排序, 然后将各个元素平方, 得到新的待估计矢量N V ,其长度为原待估计矢量的长度n。(b) 对应每一个元素下标(即元素的序号) k ,若取门限为待估计矢量的第k 个元素的平方根,则风险算法为:(2) 固定门限准则。 利用固定形式的门限,可取得较好的去噪特性。设n 为待估计矢量的长度,取长度2 倍的常用对数的平方根为门限.(3) 极小极大准则。本准则采用固定门限获得理想过程的极小极大特性. 极小极大原理是在统计学中为设计估计量而采用的,由于去噪信号可以假设为未知回归函数的估计量,则极小极大估计量是实现在最坏条件下最大均方误差最小的任选量。(4) 混合准则。 它是无偏风险估计和固定门限准则的混合
