2. 四川大学网络空间安全学院, 四川 成都 610207
2. School of Cyberspace Security, Sichuan University, Chengdu 610207, China
2016年,用于脉冲星观测研究的500 m口径球面射电望远镜(Five-hundred-meter Aperture Spherical radio Telescope, FAST) 在贵州平塘落成,我国实现了依靠国内设备发现脉冲星的零的突破。脉冲星是宇宙中一类奇妙的天体,是验证强引力场、强磁场和高密度等极端环境下物理规律的天然实验室[1]。作为脉冲星研究的利器,500 m口径球面射电望远镜采用19波束接收机每天8 h对天区进行大规模巡天,搜寻并接收脉冲星发出的电磁波信号,依据电磁脉冲信号确定天区中是否存在脉冲星。众所周知,脉冲星距地球约3 000~ 55 000光年,脉冲星发出的信号到达地球且成功被专用仪器接收的信号能量十分微弱,整个脉冲信号淹没在极强的噪声中[2-3]。因此,去噪在脉冲星信号的检测和发现中至关重要。
小波变换作为一种多分辨分析方法能够同时在时域和频域对信号进行分析,由于具有时域局部化和多分辨特性而称为数学显微镜,非常适合处理非平稳信号[4]。脉冲星信号是一种典型的非平稳信号,文[5]把小波分析应用于脉冲星信号去噪, 认为小波分析可以更好地对非平稳信号进行消噪处理,因而小波变换替代了传统的傅里叶变换,在脉冲星信号处理方面大显身手。此后研究者对小波变换去除脉冲星信号噪声进行了大量的研究,文[6]探索了极大极小原理、史坦(Stein) 无偏似然原理的脉冲星降噪方法;文[7]尝试改进阈值函数以提高脉冲星信号去噪效果,提出了软硬折中阈值函数、指数型阈值函数处理脉冲星小波分解系数,获得了较好的效果。
小波变换既能有效去除信号的噪声,又能较好地保持原有信号的数据,是信号处理的理想工具。但小波变换主要针对低频信息的提取和分析,经常忽略高频信息,这对整个信号分析的精确度产生较大的影响。小波变换去噪是在小波函数中选择一种合适的信号处理基函数,利用基函数进行小波分解,根据不同阈值函数的处理结果对信号进行重构,从而实现小波变换去噪。小波变换去噪因基函数和阈值函数的不同而表现出不同的去噪效果,去噪效果有一定的随机性[8]。
随着小波理论的完善,小波包分析得到了进一步的发展。小波包分析是小波分解的一般化,具有更强的去噪能力,既能像小波分析一样对信号的低频部分进行分解,也能够对信号的高频部分进行分解,更好地提取各频段的有用信息。小波包去噪方法应用在图像、地震、心电、海波等信号领域,文[9]尝试将小波包滤波方法与X射线脉冲星噪声滤除相结合,但没有对小波包去噪进行系统的分析。本文提出将小波包阈值法应用于脉冲星信号去噪,系统分析各种阈值函数的去噪效果。实验结果显示,小波包阈值法与传统的小波变换法相比,脉冲星信号的去噪效果得到了明显的提高,为脉冲星信号去噪提供了一些思路。
1 小波变换与小波包变换 1.1 小波变换方法观测信号可以看作为f(t),满足
$ f(t)=s(t)+n(t), $ | (1) |
其中,f(t) 为接收的原始信号,即含噪信号;s(t) 为需要提取的去噪后的信号;n(t) 为方差为σ2的噪声,服从n(0, σ2) 分布。一维含噪信号f(t) 按照小波级数展开可以得到n个由多分辨分析理论得出的线性组合,具体的小波变换为
$ W_{f}\left(\psi_{j, k}\right)=2^{\frac{j}{2}} \int_{R} f \overline{\psi\left(2^{j} n-k\right)} \mathrm{d} x, $ | (2) |
其中,Wf(ψj, k) 为从信号变换的线性空间L2(R) 中提取的小波基ψj, k的离散小波变换;ψ(2jn-k)为小波基函数ψj, k离散化处理后得到的函数。观测信号的小波变换系数由(2) 式确定。
1.2 小波包变换方法小波包变换是小波变换的拓展,具备小波变换处理观测信号低频部分的能力,同时能够较好地分解高频部分,收集观测信号各个频段的有用信息,进而提高去噪精度。具体的小波包变换公式为
$ \left\{\begin{array}{l} \varphi(x)=\sqrt{2} \sum\limits_{n \in {\bf{Z}}} h_{n} \varphi(2 x-n) \\ \psi(x)=\sqrt{2} \sum\limits_{n \in {\bf{Z}}} g_{n} \varphi(2 x-n) \end{array},\right. $ | (3) |
其中,φ(x)和ψ(x) 分别为信号在L2(R) 上多分辨分析中的尺度函数和小波函数;hn和gn为滤波器系数,满足
$ \sum\limits_{n \in {\bf{Z}}} h_{n} \varphi(2 x-n)=\delta_{k l}, $ | (4) |
$ \sum\limits_{n \in {\bf{Z}}} h_{n}=\sqrt{2}, $ | (5) |
$ g_{n}=(-1)^{2} h_{n-1} . $ | (6) |
小波包理论中的小波包变换具有分解与重组的性质[10]。小波包分解算法的数学表达式为
$ w_{j+1}^{2 n}(k)=\sum\limits_{l \in {\bf{Z}}} h_{l-2 k} w_{j}^{n}(l), $ | (7) |
$ w_{j+1}^{2 n+1}(k)=\sum\limits_{l \in {\bf{Z}}} g_{l-2 k} w_{j}^{n}(l), $ | (8) |
其中,wjn(k) 表示在分解尺度为j的第n条分叉树上第k个小波包的分解系数;wj+12n(k)和wj+12n+1(k)为wjn(k) 的两个分叉。相应的小波包重构算法的数学表达式为
$ w_{j}^{n}(k)=\sum\limits_{l \in {\bf{Z}}} h_{k-2 l} w_{j+1}^{2 n}(l)+\sum\limits_{l \in {\bf{Z}}} g_{k-2 l} w_{j+1}^{2 n+1}(l), $ | (9) |
其中,w为信号经过小波包分解后得到的分解系数;h和g为小波包分解的滤波器系数;j和n为小波包分解中各分解节点的编号;l和k为信号进行小波包分解所在的分解层数。
2.2 最优小波包基的确定小波包分析处理观测信号时,首先对信号进行小波包分解。小波包分解与小波分解有所不同,小波包分解是按照二叉树的形式,信号的低频和高频部分都进行相应的完全二叉树形式的分解。信号分解的层数直接影响信号的去噪效果,处理的信号在逐层分解过程中必须确定一个最优分解层数。分解层次过低造成频段中混合有用信号,分解层次过高导致结果有误差[11]。在小波分析去噪过程中,分解层数过多造成信号信息量的丢失,从而导致信噪比下降,影响最终的去噪效果。在小波分析的实际应用中,分解层数一般取3~5[12],本文取5进行对比分析。
小波包变换中存在多种小波构成的基底库,因此需要根据信号的特性,结合代价函数的评价标准进行选择。选择小波函数时需要充分考虑脉冲信号的特点,选择能够满足给定区间的紧支性和足够的消失矩,以便能够更加有效地去除噪声,提取真正的目标脉冲信号。为了选出符合脉冲星信号特点的小波基函数,本节选取Symlets, Coiflets, Daubechies和Biorthogonal系列小波以及Haar小波进行比较分析。为了便于比较分析,本节统一采用固定阈值规则,利用不同的小波基进行5层分解,分析结果如表 1、表 2、表 3和表 4。其中N表示小波阶数;Sym N, Coif N, Db N和Bior N分别表示Symlets, Coiflets, Daubechies和Biorthogonal系列小波。从表 1~表 4统计的信噪比和均方根误差可以看出,利用Sym N,Coif N,Db N,Bior N和Haar小波进行脉冲星信号去噪整体上效果较好,其中,Sym N小波的效果最好,Coif N小波次之,Bior N小波最差。此外,小波基阶数不同,去噪效果也不同,就单个小波基而言,Sym5小波去噪效果最好。因此,本文选取近似对称的紧支集正交小波Sym5作为小波基函数对脉冲信号进行小波包分析,分解层数为5层,得到最优小波包基,也就是小波包分解的最优化树。
Order N | Sym N | Coif N | Db N |
SNR | SNR | SNR | |
1 | 104.495 421 | 93.487 519 | |
2 | 104.028 278 | 122.461 700 | 104.028 278 |
3 | 113.023 734 | 137.609 002 | 113.023 734 |
4 | 117.713 573 | 150.993 809 | 121.279 292 |
5 | 128.273 024 | 163.244 416 | 128.628 087 |
6 | 135.525 030 | 174.287 862 | 135.497 251 |
7 | 142.075 414 | 176.879 722 | 142.056 956 |
8 | 148.166 205 | 172.385 781 | 148.189 196 |
9 | 153.963 343 | 171.814 606 | 154.003 296 |
10 | 159.679 101 | 172.627 403 | 159.637 559 |
11 | 161.617 158 | 175.312 769 | 165.295 176 |
12 | 170.280 179 | 176.374 491 | 170.247 172 |
13 | 173.439 558 | 180.927 850 | 172.002 886 |
14 | 178.031 220 | 177.493 286 | 177.478 973 |
15 | 176.211 857 | 176.077 450 | 182.380 212 |
Order N | Sym N | Coif N | Db N |
RMSE | RMSE | RMSE | |
1 | 1.159 026 018 063 619 4×1038 | 1.159 937 964 771 207×1038 | |
2 | 1.159 105 137 508 623×1038 | 1.159 172 948 420 366 2×1038 | 1.159 105 137 508 623 7×1038 |
3 | 1.159 026 304 440 04×1038 | 1.159 201 733 565 514×1038 | 1.159 026 304 447 158 3×1038 |
4 | 1.159 129 019 059 803 6×1038 | 1.159 180 320 017 271 5×1038 | 1.159 332 560 444 843 9×1038 |
5 | 1.158 938 180 787 420 1×1038 | 1.159 131 758 699 342 4×1038 | 1.159 134 635 851 061×1038 |
6 | 1.159 097 314 892 064 1×1038 | 1.159 066 610 794 475 5×1038 | 1.159 029 194 160 150 5×1038 |
7 | 1.159 204 508 875 512×1038 | 1.159 003 933 885 223 1×1038 | 1.159 182 317 772 279 6×1038 |
8 | 1.159 088 142 710 694 9×1038 | 1.158 961 339 216 643 9×1038 | 1.159 141 094 525 412 3×1038 |
9 | 1.158 967 653 502 829 3×1038 | 1.158 947 980 266 396 8×1038 | 1.159 008 132 208 397 2×1038 |
10 | 1.159 084 769 430 796 5×1038 | 1.158 964 702 074 117×1038 | 1.159 054 797 448 984 3×1038 |
11 | 1.158 951 658 468 034 1×1038 | 1.159 004 256 213 732 4×1038 | 1.159 107 663 863 167 6×1038 |
12 | 1.159 100 191 114 910 5×1038 | 1.159 049 539 153 183 6×1038 | 1.159 026 670 082 034 2×1038 |
13 | 1.158 990 764 381 691×1038 | 1.159 079 896 581 430 1×1038 | 1.159 006 778 378 034 1×1038 |
14 | 1.159 077 672 120 096 6×1038 | 1.159 075 926 550 663 7×1038 | 1.159 053 051 651 49×1038 |
15 | 1.159 008 083 315 201 9×1038 | 1.159 035 404 037 832×1038 | 1.159 040 220 865 430 3×1038 |
Order (Nr.Nd) | Bior N | |
SNR | RMSE | |
1.1 | 93.487 519 | 1.159 937 964 771 207×1038 |
1.3 | 92.882 619 | 1.161 230 305 420 237×1038 |
1.5 | 92.564 777 | 1.162 142 824 515 336 2×1038 |
2.2 | 113.496 536 | 1.162 025 788 449 856 2×1038 |
2.4 | 114.275 923 | 1.159 336 126 321 598 8×1038 |
2.6 | 114.380 095 | 1.159 172 950 702 638 7×1038 |
2.8 | 114.370 066 | 1.159 251 442 102 878 6×1038 |
3.1 | 121.556 228 | 1.488 856 008 044 095 2×1038 |
3.3 | 131.610 178 | 1.171 249 426 778 764 5×1038 |
3.5 | 133.428 810 | 1.161 179 551 884 114 5×1038 |
3.7 | 133.791 348 | 1.159 698 687 349 786 6×1038 |
3.9 | 133.895 611 | 1.159 274 972 477 477 8×1038 |
4.4 | 128.219 091 | 1.159 259 591 601 108×1038 |
5.5 | 139.266 704 | 1.159 207 204 890 507 8×1038 |
6.8 | 143.374 262 | 1.159 125 280 987 07×1038 |
Order N | Haar | |
SNR | RMSE | |
93.487 519 | 1.159 937 964 771 207×1038 |
利用小波包变换处理信号的过程中经常出现翻转现象,也就是在信号经过高通滤波器时的一种频率交叠现象,导致分解的小波包系数出现频率大小顺序错位,即信号的低频部分从小到大排列,信号的高频部分则从大到小排列。因此,在进行小波包阈值处理之前需要先对变换后的小波包系数进行排序,再根据排序后的小波包系数选取对应的信号处理阈值。
小波包分析常用的阈值选取准则有4种,分别为固定形式(Sqtwolog) 阈值准则、自适应(Rigrsure) 阈值准则、启发式(Heursure)阈值准则和极大极小值(Minimaxi) 阈值准则,本文采用固定形式阈值准则对信号进行处理。信号分解时,每层的系数选定阈值以后,需要确定对信号处理的阈值函数。常用的阈值函数有软阈值函数和硬阈值函数,其中,硬阈值函数采用将绝对值不大于阈值λ的所有元素用0取代,这样容易造成处理后的信号不连续。硬阈值函数的表达式为
$ \overline{w_{j}^{n}}= \begin{cases}w_{j}^{n} & \left|w_{j}^{n}\right| \geqslant \lambda \\ 0 & \left|w_{j}^{n}\right|<\lambda\end{cases}. $ | (10) |
软阈值函数克服了硬阈值函数的不足,有效避免信号间断,具有较好的连续性。然而当小波系数较大时,经过阈值函数处理后容易造成信号的高频部分损失,进而影响信号重构。软阈值函数的表达式为
$ \overline{w_{j}^{n}}=\left\{\begin{array}{cc} \operatorname{sign}\left(w_{j}^{n}\right)\left(\left|w_{j}^{n}\right|-\lambda\right) & \left|w_{j}^{n}\right| \geqslant \lambda \\ 0 & \left|w_{j}^{n}\right|<\lambda \end{array}\right.. $ | (11) |
其中,wjn为信号在分解尺度为j的第n条分叉树上的分解系数;λ为选定的阈值;wjn为经过阈值函数处理后得到的分解系数。鉴于软、硬阈值函数处理信号时存在各自的不足,都有一定的局限性,研究人员提出了软硬阈值折中法,具体的表达式为
$ \overline{w_{j}^{n}}=\left\{\begin{array}{cc} \operatorname{sign}\left(w_{j}^{n}\right)\left(\left|w_{j}^{n}\right|-\alpha \lambda\right) & \left|w_{j}^{n}\right| \geqslant \lambda \\ 0 & \left|w_{j}^{n}\right|<\lambda \end{array}\right., $ | (12) |
其中,α取值范围为0≤α≤1。当α取0时相当于硬阈值函数,当α取1时相当于软阈值函数,适当调整α的大小可以得到更优的信号去噪效果。
3 脉冲星信号去噪分析实验采用的脉冲信号来源于帕克斯(Parkes) 脉冲星观测数据,该数据经过PRESTO去干扰、消色散后得到.dat数据文件,以二进制形式记录,采样频率为1 024 Hz。
图 1为原始脉冲信号消色散后得到的图形,图 2为原始脉冲信号消色散后的功率谱。本文对目标脉冲星信号文件按照Sym5进行小波包分解,分解层数为5层,分别选择小波分析的硬阈值、软阈值和软硬折中阈值函数,采用固定形式阈值准则进行处理。
![]() |
图 1 消色散后得到的信号 Fig. 1 The dispersion-limited signal |
![]() |
图 2 消色散后得到信号的功率谱 Fig. 2 The power spectrum of the dispersion-limited signal |
为了比较采用不同去噪方法获得信号的去噪效果,本文参照文[13]采用信噪比、峰值信噪比和平滑度作为评价指标比较最终的去噪效果,信噪比越大、峰值信噪比越大、平滑度越小,去噪效果越好。具体公式定义如下:
(1) 信噪比的计算公式为
$ S N R=10 \log _{10}\left\{\left[\sum\limits_{i=1}^{m} f(i)^{2}\right] /\left[\sum\limits_{i=1}^{m} s(i)^{2}-f(i)^{2}\right]\right\}; $ | (13) |
(2) 均方根误差的计算公式为
$ R M S E=\sqrt{\frac{1}{m} \sum\limits_{i=1}^{m}[s(i)-f(i)]^{2}}; $ | (14) |
(3) 峰值信噪比是信号的最大功率和噪声功率的比值,用PSNR表示,具体公式为
$ P S N R=10 \log _{10}\left\{\max \left[f(i)^{2}\right] / \frac{1}{m}\left[\sum\limits_{i=1}^{m} s(i)^{2}-f(i)^{2}\right]\right\}; $ | (15) |
(4) 平滑度是去噪后信号差分数的方差根和信号之间差分数的方差根之比,常用r表示,具体公式为
$ r=\sum\limits_{i=1}^{m-1}\left\{[f(i+1)-f(i)]^{2}\right\} / \sum\limits_{i=1}^{m-1}\left\{[s(i+1)-s(i)]^{2}\right\} . $ | (16) |
以上各式中,s(i) 为含噪信号;f(i) 为去噪后的信号。
小波变换和小波包变换去噪法采用不同阈值处理的结果图和功率谱图见图 3~图 10,去噪后的各评价指标见表 5。由表 5可知,采用小波包阈值法去噪相比小波变换能够取得更好的效果,尽管小波包变换各类阈值函数处理之后,得到的均方根误差、功率谱变化并不明显,但是在信噪比、峰值信噪比以及平滑度方面都有相应的提高。如实验显示,采用小波包硬阈值法与小波变换硬阈值法相比,平滑度降低至0.000 068,信噪比提高至128.574 093 dB,峰值信噪比提高至50.216 641 dB,小波包软阈值、软硬折中阈值法去噪效果的各项评价指标都有相应的提高。
![]() |
图 3 小波软阈值法去噪后的信号 Fig. 3 The result of de-noised with wavelet soft threshold method |
![]() |
图 4 小波硬阈值法去噪后的信号 Fig. 4 The result of de-noised with wavelet hard threshold method |
![]() |
图 5 小波软硬阈值折中法去噪后的信号 Fig. 5 The result of de-noised with wavelet soft and hard threshold compromise method |
![]() |
图 6 小波阈值法去噪后信号的功率谱 Fig. 6 Power spectrum of the result of de-noised with wavelet threshold method |
![]() |
图 7 小波包软阈值法去噪后的信号 Fig. 7 The result of de-noised with wavelet packet soft threshold method |
![]() |
图 8 小波包硬阈值法去噪后的信号 Fig. 8 The result of de-noised with wavelet packet hard threshold method |
![]() |
图 9 小波包软硬阈值折中法去噪后的信号 Fig. 9 The result of de-noised with wavelet packet soft and hard threshold compromise method |
![]() |
图 10 小波包阈值法去噪后信号的功率谱 Fig. 10 Power spectrum of the result of de-noised with wavelet packet threshold method |
Index | r | SNR | PSNR | RMSE |
Wavelet packet soft threshold method | 0.000 068 | 128.574 093 | 50.216 641 | 1.159 033 236 135 142 3×1038 |
Wavelet soft threshold method | 0.000 068 | 128.568 456 | 50.205 368 | 1.159 006 907 399 597 4×1038 |
Wavelet packet hard threshold method | 0.000 068 | 128.574 093 | 50.216 641 | 1.159 033 236 135 142 3×1038 |
Wavelet hard threshold method | 0.000 070 | 127.619 843 | 48.308 142 | 1.158 915 271 010 991 7×1038 |
Wavelet packet soft and hard threshold compromise method | 0.000 068 | 128.574 093 | 50.216 641 | 1.159 033 236 135 142 3×1038 |
Wavelet soft and hard threshold compromise method | 0.000 069 | 128.273 024 | 49.614 505 | 1.158 938 180 787 420 1×1038 |
本文针对小波变换在去噪方面存在的不足,提出了使用小波包阈值法对脉冲星信号去噪。小波包阈值法首先需要对小波包分解后的系数按从小到大的顺序排列,然后采用固定阈值准则求出阈值,利用常见的软阈值函数、硬阈值函数和软硬折中阈值函数对小波包变换后的系数进行处理,并对处理后的信号进行重构,得到去噪后的信号。本文首先从理论方面对小波包阈值法去噪进行了相关论述,之后通过实验验证了小波包阈值法去除脉冲星信号噪声的效果优于小波分解法。为了使实验结果得到量化标准,本文采用信噪比、峰值信噪比、平滑度以及均方根误差进行量化,比较不同方法去噪的效果。实验结果表明,小波包阈值法较小波变换有更好的去噪效果。由于目前本文只使用Sym5小波基和固定阈值准则对选用的帕克斯望远镜脉冲星信号进行了测试,是否适用于其他脉冲星信号,是否其他小波基或者阈值准则也能够获得同样的去噪效果有待进一步探索研究。
致谢: 感谢贵州省信息与计算重点实验室提供数据支持。
[1] |
闫振, 沈志强. FAST——脉冲星观测研究的利器[J]. 科技导报, 2017, 35(24): 16–19 YAN Z, SHEN Z Q. Fast: a sharp tool to do pulsar studies[J]. Science & Technology Review, 2017, 35(24): 16–19. |
[2] |
汪丽, 柯熙政, 倪广仁. 基于小波变换的脉冲星弱信号的去噪方法研究[J]. 天文研究与技术, 2008, 5(1): 49–54 WANG L, KE X Z, NI G R. Research on noising reduction for millisecond pulsar signal based on wavelet transform[J]. Astronomical Research & Technology, 2008, 5(1): 49–54. |
[3] |
李建勋, 柯熙政, 汪丽. 基于高阶统计量自适应滤波的毫秒脉冲星信号处理[J]. 西安理工大学学报, 2009, 25(1): 76–79 LI J X, KE X Z, WANG L. Adaptive filtering andsignal procession for millisecond pulsar based on high order statistics[J]. Journal of Xi'an University of Technology, 2009, 25(1): 76–79. |
[4] | RIOUL O, VETTERLI M. Wavelets and signal processing[J]. IEEE Signal Processing Magzine, 1991, 10, 8(8): 14–38. |
[5] |
朱晓明, 廖福成, 唐远炎. 基于小波分析的脉冲星信号消噪处理[J]. 天文学报, 2006, 47(3): 328–335 ZHU X M, LIAO F C, TANG Y Y. Pulsar signal denoising based on wavelet transformation[J]. Acta Astronomica Sinica, 2006, 47(3): 328–335. DOI: 10.3321/j.issn:0001-5245.2006.03.011 |
[6] |
阎迪, 许录平, 谢振华. 脉冲星信号的模糊阈值小波降噪算法[J]. 西安交通大学学报, 2007, 41(10): 1193–1196 YAN D, XU L P, XIE Z H. Wavelet denoising algorithm based on fuzzy threshold for pulsar signal[J]. Journal of Xi'an Jiaotong University, 2007, 41(10): 1193–1196. |
[7] |
柯熙政, 汪丽, 倪广仁. 改进的小波阈值消噪法应用于脉冲星弱信号处理[J]. 西安理工大学学报, 2008, 24(1): 18–21 KE X Z, WANG L, NI G R. Application of improved threshold denoising based on wavelet transform to pulsar signal processing[J]. Journal of Xi'an University of Technology, 2008, 24(1): 18–21. |
[8] |
高迎东, 王宏力, 由四海, 等. 基于小波基函数选取与改进阈值函数的脉冲星信号去噪算法研究[J]. 电光与控制, 2020, 27(4): 15–19 GAO Y D, WANG H L, YOU S H, et al. A pulsar signal denoising algorithm based on wavelet basis function selection and improved threshold function[J]. Electronics Optics & Control, 2020, 27(4): 15–19. |
[9] | LIU X P, YUAN W, HAN L L, et al. X-ray pulsar signal de-noising for impulse noise using wavelet packet[J]. Aerospace Science and Technology, 2017, 64: 147–153. |
[10] |
阎妍, 行鸿彦. 基于小波包多阈值处理的海杂波去噪方法[J]. 电子测量与仪器学报, 2018, 32(8): 172–178 YAN Y, XING H Y. Sea clutter de-noising based on wavelet packet multi-threshold method[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(8): 172–178. |
[11] |
谭文才, 张秋菊. 小波包多阈值去噪的一种改进方法[J]. 江南大学学报(自然科学版), 2012, 11(2): 178–181 TAN W C, ZHANG Q J. An improved de-noisingmethod by wavelet packet multi-threshold[J]. Journal of Jiangnan University (Natural Science Edition), 2012, 11(2): 178–181. |
[12] |
徐晨, 赵瑞珍, 甘小冰. 小波分析·应用算法[M]. 北京: 科学出版社, 2004. XU C, ZHAO R Z, GAN X B. Wavelet analysis and application algorithm[M]. Beijing: Science Press, 2004. |
[13] |
赵杰, 杨英, 惠力, 等. 小波包节点分段阈值降噪在水声监听中的应用[J]. 应用声学, 2019, 38(6): 1015–1024 ZHAO J, YANG Y, HUI L, et al. Wavelet packet node segmental threshold denoising for underwater acoustic monitoring[J]. Applied Acoustics, 2019, 38(6): 1015–1024. |