pyWavelet基于阈值的小波分解重构法去噪（软硬阈值折衷法）

最新推荐文章于 2024-03-13 18:15:31 发布

原创

最新推荐文章于 2024-03-13 18:15:31 发布 · 1.1w 阅读

49 ·

CC 4.0 BY-SA版权

使用pyWavelet库，结合软硬阈值改良方法，对Appliances energy prediction数据集进行小波分解重构以实现噪声去除。原始信号与去噪后的信号对比展示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

软硬阈值及相应的改良方法见链接：点击打开链接

数据来源：https://archive.ics.uci.edu/ml/datasets/Appliances+energy+prediction

代码如下：

import pywt
import numpy as np
import pandas as pd
import matplotlib  
import matplotlib.pyplot as plt
import math
####################一些参数和函数############
def sgn(num):
    if(num > 0.0):
        return 1.0
    elif(num == 0.0):
        return 0.0
    else:
        return -1.0
begin = 1
end = 1001
###软硬阈值折衷法 a 参数
a = 0.5
###################一些参数和函数############# 
       
###sample###  
#x = [3, 7, 1, 1, -2, 5, 4, 6]

#read data
data = pd.read_csv('energydata_complete.csv' )
#y_value为原信号
##########画图################################################
x1 = range(begin, end)
y_values =  data['RH_6'][begin:end]
'''
scatter() 
x:横坐标 y:纵坐标 s:点的尺寸
'''
#plt.scatter(x1, y_values, s=10)

plt.plot(x1, y_values) 
## 设置图表标题并给坐标轴加上标签
#plt.title('plot N