ch8_6利用MATLAB实现信号小波分析

MATLAB小波变换指令及其功能介绍1 一维小波变换的 Matlab 实现(1) dwt函数功能：一维离散小波变换格式：[cA,cD]=dwt(X,'wname')[cA,cD]=dwt(X,Lo_D,Hi_D)别可以实现一维、二维和 N 维DFT说明：[cA,cD]=dwt(X,'wname') 使用指定的小波基函数 'wname' 对信号X 进行分解，cA、cD 分别为近似分量和细节分量；[cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组 Lo_D、Hi_D 对信号进行分解。

(2) idwt 函数功能：一维离散小波反变换格式：X=idwt(cA,cD,'wname')X=idwt(cA,cD,Lo_R,Hi_R)X=idwt(cA,cD,'wname',L)函数 fft、fft2 和 fftn 分X=idwt(cA,cD,Lo_R,Hi_R,L)说明：X=idwt(cA,cD,'wname') 由近似分量 cA 和细节分量 cD 经小波反变换重构原始信号 X 。

'wname' 为所选的小波函数X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器 Lo_R 和Hi_R 经小波反变换重构原始信号 X 。

X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。

2 二维小波变换的 Matlab 实现二维小波变换的函数别可以实现一维、二维和 N 维 DFT函数名函数功能---------------------------------------------------dwt2 二维离散小波变换wavedec2 二维信号的多层小波分解idwt2 二维离散小波反变换waverec2 二维信号的多层小波重构wrcoef2 由多层小波分解重构某一层的分解信号upcoef2 由多层小波分解重构近似分量或细节分量detcoef2 提取二维信号小波分解的细节分量appcoef2 提取二维信号小波分解的近似分量upwlev2 二维小波分解的单层重构dwtpet2 二维周期小波变换idwtper2 二维周期小波反变换-----------------------------------------------------------(1) wcodemat 函数功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分格式：Y=wcodemat(X,NB,OPT,ABSOL)Y=wcodemat(X,NB,OPT)Y=wcodemat(X,NB)Y=wcodemat(X)说明：Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵 X 的编码矩阵Y ；NB 伪编码的最大值，即编码范围为 0～NB，缺省值 NB＝16；OPT 指定了编码的方式（缺省值为 'mat'），即：别可以实现一维、二维和 N 维 DFTOPT＝'row' ，按行编码OPT＝'col' ，按列编码OPT＝'mat' ，按整个矩阵编码函数 fft、fft2 和 fftn 分ABSOL 是函数的控制参数（缺省值为 '1'），即：ABSOL＝0 时，返回编码矩阵ABSOL＝1 时，返回数据矩阵的绝对值 ABS(X)1. 离散傅立叶变换的 Matlab实现(2) dwt2 函数功能：二维离散小波变换格式：[cA,cH,cV,cD]=dwt2(X,'wname')[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D)说明：[cA,cH,cV,cD]=dwt2(X,'wname')使用指定的小波基函数'wname' 对二维信号 X 进行二维离散小波变幻；cA，cH,cV,cD 分别为近似分量、水平细节分量、垂直细节分量和对角细节分量；[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D) 使用指定的分解低通和高通滤波器 Lo_D 和 Hi_D 分解信号 X 。

Matlab中的小波变换技术详解1. 引言小波变换是一种数学工具，可将任意信号分解成不同尺度和频率成分。

它在信号处理、图像压缩等领域得到广泛应用。

Matlab作为一种功能强大的数值计算和数据可视化软件，提供了丰富的小波变换函数和工具箱。

本文将详细介绍Matlab中小波变换的原理、应用和实现方法。

2. 小波变换原理小波变换利用小波函数的一组基来表示信号。

小波函数是一种局部振荡函数，具有时域和频域局部化的特性。

通过将信号与小波函数进行内积运算，可以得到不同尺度和频率的小波系数，从而揭示信号的局部特征。

小波变换具有多分辨率分析的优势，能够在时间和频率上同时提供较好的分析结果。

3. 小波变换函数在Matlab中，可以使用wavelet工具箱提供的函数来进行小波变换。

最常用的函数是cwt，用于连续小波变换。

通过设置小波函数、尺度范围和采样频率等参数，可以得到连续小波系数矩阵。

另外，还有其他函数如dwt、idwt用于离散小波变换和反离散小波变换。

4. 小波函数小波变换的关键在于选择合适的小波函数。

常用的小波函数有多种，如哈尔、Daubechies、Symlets等。

这些小波函数在时域和频域上都有不同的特性，适用于不同类型的信号。

Matlab提供了丰富的小波函数库，可以根据需要选择合适的小波基函数。

5. 小波分析与信号处理小波变换在信号处理中有广泛的应用。

它可以用于信号去噪、特征提取、边缘检测等方面。

通过对小波系数进行阈值去噪，可以有效地去除信号中的噪声。

小波变换还能够提取信号的局部特征，捕捉信号的边缘信息。

此外，小波变换还可以用于图像压缩、图像分割等领域。

6. Matlab中的小波分析实例为了更好地理解Matlab中小波变换的应用，下面将给出一个实例。

假设我们有一个包含某种周期性成分和噪声的信号，我们希望通过小波变换将其分解成不同尺度的成分，并去除噪声。

首先，我们使用Matlab中的cwt函数对信号进行连续小波变换，并得到小波系数矩阵。

MATLAB小波变换（Wavelet Transform）是一种常用的信号处理工具，可用于信号的时频分析，特征提取和信号分离等应用。

本文将对MATLAB小波变换进行详细介绍，并利用其进行信号分离的实际应用。

1. 小波变换原理MATLAB小波变换是一种多尺度分析方法，通过将信号分解为不同频率和尺度的小波基函数，能够揭示信号的时频特性。

其原理是利用小波基函数对信号进行分解和重构，从而实现对信号的时频分析和特征提取。

2. MATLAB小波变换工具MATLAB提供了丰富的小波分析工具包，包括小波变换函数、小波滤波器设计函数等，能够方便地进行信号的小波分解和重构。

利用MATLAB小波变换工具，可以对信号进行多尺度分析，揭示信号中的细节和特征信息。

3. 信号分离应用利用MATLAB小波变换，可以实现对混合信号的分离和去噪。

在实际应用中，经常遇到多个信号叠加在一起的情况，通过小波变换可以将这些混合信号分解为各自的成分，从而实现信号的分离和分析。

4. 实例分析接下来，我们通过一个实际的示例来演示MATLAB小波变换在信号分离中的应用。

假设我们有两个信号叠加在一起，分别是正弦信号和方波信号。

我们首先使用MATLAB将这两个信号混合在一起，然后利用小波变换对其进行分析和分离。

我们使用MATLAB生成正弦信号和方波信号，并将它们叠加在一起。

利用小波变换将这两个信号进行分解，得到它们各自的小波系数。

我们根据小波系数重构出原始信号的各个成分，实现信号的分离和还原。

通过实例分析，我们可以看到MATLAB小波变换在信号分离中的有效性和实用性，能够帮助我们从混合信号中提取出感兴趣的成分，实现对信号的分析和处理。

5. 总结MATLAB小波变换是一种强大的信号处理工具，可以用于信号的时频分析、特征提取和信号分离等应用。

通过对小波变换原理和工具的详细介绍，以及实际的应用实例分析，我们深入理解了MATLAB小波变换在信号分离中的应用和优势。

Matlab中的小波变换与小波分析技术引言：小波变换（Wavelet Transform）是一种强大的信号分析技术，能够在时间与频率上同时提供信息。

与传统的傅里叶变换相比，小波变换可以应对非平稳信号，并在信号分析中提供更多的细节和局部特征。

在Matlab中，小波变换及其相关分析技术被广泛应用于各个领域，如图像处理、信号处理、数据压缩等。

本文将介绍Matlab中的小波变换与小波分析技术，并探讨其在实践中的应用。

一、小波变换的基本原理小波变换通过将信号与不同尺度和位移的小波基函数相乘，来获得信号在不同频率和时域上的表示。

与傅里叶变换可以提供整个频谱信息不同，小波变换能够提供信号的时间局部特征。

小波基函数具有紧凑支持，可以在时间和频率上实现局部化。

Matlab中提供了丰富的小波变换函数，如cwt、dwt、wt、swt等。

其中，cwt 函数实现了连续小波变换，dwt函数实现了离散小波变换，wt函数实现了小波变换的可视化分析，swt函数实现了离散小波变换的平移不变性。

二、小波变换的应用1. 图像处理小波变换在图像处理中具有广泛的应用。

通过对图像进行小波分解，可以将图像信号分解成不同频带的小波系数。

这些小波系数包含了图像的细节和轮廓信息，可以用于图像去噪、边缘检测、纹理分析等。

在Matlab中，可以使用wavedec2函数对图像进行二维小波分解，然后使用wrcoef函数对分解得到的小波系数进行重构，实现图像的去噪和增强等操作。

2. 信号处理小波变换在信号处理中也有广泛的应用。

通过对信号进行小波分解，可以将信号分解成不同频带的小波系数。

这些小波系数可以用于信号去噪、特征提取、模式识别等。

在Matlab中，可以使用dwt函数对信号进行离散小波分解，然后使用idwt函数对分解得到的小波系数进行重构，实现信号的去噪和分析等操作。

3. 数据压缩小波变换在数据压缩领域被广泛应用。

通过对信号或图像进行小波分解，可以将信号或图像的能量在频域上进行稀疏表示，然后通过舍弃部分系数进行数据压缩。

小波变换是一种在信号和图像处理中广泛应用的工具。

在Matlab 中，你可以使用内置的函数来进行小波变换。

以下是一个基本的示例，显示了如何在Matlab中使用小波变换：
```matlab
首先，我们需要导入图像或者信号
I = imread('lena.bmp'); 导入图像
转换为灰度图像
I = rgb2gray(I);
使用'sym4'小波基进行小波分解
[C, S] = wavedec2(I, 1, 'sym4');
显示小波分解的结果
figure, wave2gray(C, S, -6);
```
在这个例子中，我们首先导入了图像，然后将其转换为灰度图像。

接着，我们使用`wavedec2`函数和`'sym4'`小波基进行小波分解。

最后，我们使用`wave2gray`函数显示小波分解的结果。

这只是使用Matlab进行小波变换的一个基本示例。

实际上，你
可以根据你的需求来选择不同的小波基（例如'haar'、'Daubechies'、'Symlet'、'Coiflet'等）以及进行不同级别的小波分解。

同时，Matlab也提供了其他的小波变换函数，例如`wavelet`和`wfilters`等，可以满足不同的需求。

MATLAB中的时频分析与小波变换技巧引言时频分析是信号处理中的一项关键技术，可以帮助我们在时域和频域上同时展示信号的特征。

其中，小波变换作为一种时频分析方法在MATLAB中得到广泛应用。

本文将介绍MATLAB中的时频分析和小波变换技巧，以帮助读者更好地理解和应用这些技术。

一、时频分析基础时频分析是分析信号在时域和频域上的特性变化。

在MATLAB中，常用的时频分析方法有短时傅里叶变换（Short-Time Fourier Transform，STFT）和小波变换（Wavelet Transform）。

其中，STFT将信号分解为一系列时间上滑动的窗口，并对每个窗口进行傅里叶变换，得到频谱。

小波变换则使用小波函数作为基函数，在不同的尺度和位置上进行信号分析。

二、MATLAB中的STFT分析MATLAB提供了丰富的函数和工具箱，用于进行STFT分析。

其中，常用的函数包括"stft"和"spectrogram"。

通过这些函数，我们可以方便地对信号进行STFT分析，并绘制出时频谱图。

首先，我们需要将信号读取进MATLAB中。

可以使用"audioread"函数读取音频文件，或者使用"load"函数读取其他类型的信号数据。

接着，我们可以使用"stft"函数对信号进行STFT分析，设置合适的窗口长度和重叠比例。

最后，使用频谱绘制函数，如"spectrogram"，将得到的时频谱图展示出来。

三、小波变换的基本原理小波变换是一种局部时频分析技术，对信号的局部特征更为敏感。

与傅里叶变换是基于正弦函数的频域分析方法不同，小波变换使用小波函数作为基函数，在时域和频域上同时分析信号。

MATLAB中的小波变换函数主要有"wavelet"和"cwt"。

其中，"wavelet"函数用于创建小波对象，选择适合信号的小波函数。

MATLAB小波变换指令及其功能介绍1 一维小波变换的 Matlab 实现(1) dwt函数功能：一维离散小波变换格式：[cA,cD]=dwt(X,'wname')[cA,cD]=dwt(X,Lo_D,Hi_D)别可以实现一维、二维和 N 维DFT说明：[cA,cD]=dwt(X,'wname') 使用指定的小波基函数 'wname'对信号X 进行分解，cA、cD 分别为近似分量和细节分量；[cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组 Lo_D、Hi_D 对信号进行分解。

(2) idwt 函数功能：一维离散小波反变换格式：X=idwt(cA,cD,'wname')X=idwt(cA,cD,Lo_R,Hi_R)X=idwt(cA,cD,'wname',L)函数 fft、fft2 和 fftn 分X=idwt(cA,cD,Lo_R,Hi_R,L)说明：X=idwt(cA,cD,'wname') 由近似分量 cA 和细节分量 cD 经小波反变换重构原始信号 X 。

'wname' 为所选的小波函数X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器 Lo_R 和Hi_R 经小波反变换重构原始信号 X 。

X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。

2 二维小波变换的 Matlab 实现二维小波变换的函数别可以实现一维、二维和 N 维 DFT函数名函数功能---------------------------------------------------dwt2 二维离散小波变换wavedec2 二维信号的多层小波分解idwt2 二维离散小波反变换waverec2 二维信号的多层小波重构wrcoef2 由多层小波分解重构某一层的分解信号upcoef2 由多层小波分解重构近似分量或细节分量detcoef2 提取二维信号小波分解的细节分量appcoef2 提取二维信号小波分解的近似分量upwlev2 二维小波分解的单层重构dwtpet2 二维周期小波变换idwtper2 二维周期小波反变换----------------------------------------------------------- (1) wcodemat 函数功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分格式：Y=wcodemat(X,NB,OPT,ABSOL)Y=wcodemat(X,NB,OPT)Y=wcodemat(X,NB)Y=wcodemat(X)说明：Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵 X 的编码矩阵Y ；NB 伪编码的最大值，即编码范围为 0～NB，缺省值 NB＝16；OPT 指定了编码的方式（缺省值为 'mat'），即：别可以实现一维、二维和 N 维 DFTOPT＝'row' ，按行编码OPT＝'col' ，按列编码OPT＝'mat' ，按整个矩阵编码函数 fft、fft2 和 fftn 分ABSOL 是函数的控制参数（缺省值为 '1'），即：ABSOL＝0 时，返回编码矩阵ABSOL＝1 时，返回数据矩阵的绝对值 ABS(X)1. 离散傅立叶变换的 Matlab实现(2) dwt2 函数功能：二维离散小波变换格式：[cA,cH,cV,cD]=dwt2(X,'wname')[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D)说明：[cA,cH,cV,cD]=dwt2(X,'wname')使用指定的小波基函数'wname' 对二维信号 X 进行二维离散小波变幻；cA，cH,cV,cD 分别为近似分量、水平细节分量、垂直细节分量和对角细节分量；[cA,cH,cV,cD]=dwt2(X,Lo_D,Hi_D) 使用指定的分解低通和高通滤波器 Lo_D 和 Hi_D 分解信号 X 。

matlab小波特征提取-回复Matlab小波特征提取在信号处理和机器学习中，特征提取是一个重要的步骤。

它允许我们从原始数据中提取有用的信息，并用于模式分析、分类、聚类等任务。

小波变换是一种常用的信号分析工具，可以提供时间—频率表示，因此广泛应用于特征提取任务中。

在本文中，我们将一步一步介绍如何利用Matlab进行小波特征提取。

第一步：加载信号数据我们首先需要加载我们要进行特征提取的信号数据。

假设我们有一个名为"signal.txt"的文本文件，其中包含我们要处理的信号数据。

我们可以使用Matlab的load函数来加载数据：matlabdata = load('signal.txt');现在，我们将信号数据存储在名为"data"的变量中，以便后续处理。

第二步：选择小波函数小波变换的一个关键方面是选择适当的小波函数。

Matlab提供了许多常见的小波函数，如haar、db、sym等。

我们可以使用wavemenu函数来浏览和选择适合我们问题的小波函数：matlabwavelet = wavemenu;此命令将打开一个小波选择菜单，您可以在其中选择合适的小波函数。

选择完毕后，Matlab将返回所选小波函数的名称。

第三步：进行小波变换一旦我们选择了适合的小波函数，我们可以使用wavedec函数进行小波变换。

这个函数使用指定的小波函数对信号进行分解，并返回小波系数和尺度：matlab[coefficients, scale] = wavedec(data, levels, wavelet);在上述代码中，"data"是我们加载的信号数据，"levels"是指定的分解级别，"wavelet"是我们选择的小波函数。

函数将返回小波系数和尺度作为输出。

第四步：提取特征在得到小波系数之后，我们可以从中提取特征。

matlab 小波变换时频Matlab小波变换是一种在时频域中分析信号的方法。

它将信号划分为不同的频率区间，并在每个频率区间内进行时域分析。

这使得我们可以同时获得信号的时间和频率信息，从而更好地理解信号的特性。

在Matlab中，我们可以使用`cwt`函数来执行小波变换。

该函数需要输入待分析的信号和小波的类型以及其他参数。

在本文中，我们将逐步展示如何执行小波变换以及如何分析得到的时频表示。

首先，我们需要准备一个示例信号，以便进行小波变换。

假设我们有一个正弦信号，频率为10Hz，采样频率为1000Hz，持续时间为1秒。

可以使用以下代码生成这个信号：matlabfs = 1000; 采样频率为1000Hzt = 0:1/fs:1-1/fs; 时间向量，从0s到1sf = 10; 正弦信号频率为10Hzx = sin(2*pi*f*t); 生成正弦信号接下来，我们可以使用`cwt`函数进行小波变换。

我们可以选择不同的小波函数来适应信号的特性。

在这个例子中，我们选择使用'Morlet'小波函数。

可以使用以下代码执行小波变换：matlabscales = 1:64; 尺度向量，设置小波变换尺度coefs = cwt(x, scales, 'morl'); 执行小波变换在上述代码中，我们创建了一个尺度向量来定义小波变换的尺度范围。

在这个例子中，我们选择了1到64的尺度范围。

然后，我们使用`cwt`函数对信号进行小波变换，并指定了使用'Morlet'小波函数。

执行上述代码之后，我们将得到一个时频矩阵`coefs`，其中存储了小波变换的结果。

该矩阵的行数对应于尺度向量的长度，列数对应于信号的样本数。

为了更好地理解时频表示，我们可以绘制小波系数矩阵的图像。

可以使用以下代码将小波系数图像化：matlabimagesc(abs(coefs)); 绘制小波系数图像colormap jet; 使用彩虹色调来表示幅度colorbar; 添加颜色刻度在上述代码中，我们使用`imagesc`函数绘制小波系数的幅度图像。

matlab 小波分解-回复小波分解是一种常用的信号处理技术，它可以将信号分解成不同频段的子信号，并且能够在频域和时域上提供对信号的详细描述。

在Matlab中，我们可以使用Wavelet Toolbox来进行小波分解。

本文将逐步回答有关Matlab中的小波分解的问题，并介绍其基本原理和实现步骤。

第一部分：小波分解的基本原理和概念小波分解是一种基于多尺度分析的信号处理方法。

它采用一组基函数（小波函数）来分析信号的频谱特性，这些基函数是有限长、局部化的，并且能够在时间和频率上进行局部化分析。

小波分解可以将信号分解成不同频段的子信号，同时保留了原始信号的时域和频域信息。

第二部分：Matlab中的小波分解函数在Matlab中，Wavelet Toolbox提供了一系列用于小波分解的函数。

其中最常用的函数之一是'decwavelet'函数。

这个函数用于计算小波分解后的子信号和近似信号的系数。

它需要输入待分解的信号、小波函数的名称以及分解的层数等参数，并返回分解后的结果。

第三部分：Matlab中小波函数库的使用Wavelet Toolbox还提供了许多常用的小波函数库，例如'morl'、'db'和'haar'等。

这些小波函数具有不同的频率特性和局部化性质，可以根据需要选择适当的小波函数进行信号分解。

通过使用'wavefun'函数可以查看和绘制这些小波函数的形状和频谱特性。

第四部分：Matlab中的小波分解实例现在，让我们来看一个具体的示例。

假设我们有一个包含多个频段的信号，并且我们想要将它分解成不同的子信号。

首先，我们需要创建这个信号。

我们可以使用Matlab中的'sin'函数生成一个包含多个频率的信号。

matlabt = 0:0.01:10; 时间范围x = sin(2*pi*3*t) + sin(2*pi*5*t) + sin(2*pi*7*t); 信号包含3个频率成分接下来，我们需要选择一个小波函数进行分解。

matlab小波阈值-回复Matlab小波阈值处理是指使用小波变换和阈值处理方法对信号进行去噪处理的过程。

小波阈值方法在信号处理领域被广泛应用，能够有效地去除信号中的噪声，提取出有用的信息。

本文将详细介绍Matlab中小波阈值的原理和操作步骤，旨在帮助读者更好地理解和应用这一方法。

【第一部分：小波变换的基本原理】小波变换是一种时频分析方法，将时域信号分解为频域信号和时间域信号。

频域信号表示信号在频率上的分布，而时间域信号则表示信号随时间的变化。

小波变换较传统的傅里叶变换能够提供更多的时频信息，使得在信号分析中更加灵活和准确。

小波变换的基本步骤如下：1. 选择小波函数：选择合适的小波函数对信号进行分析，常用的小波函数有Daubechies小波、Haar小波和Morlet小波等。

2. 将小波函数进行缩放和平移：对选定的小波函数进行缩放和平移变换，以适应信号的不同频段和时间段特征。

3. 计算小波系数：通过对信号与小波函数进行内积运算，得到小波系数序列。

4. 重构信号：根据小波系数和小波函数，通过相反方向的缩放和平移变换，重构出近似信号和细节信号。

【第二部分：小波阈值的原理】小波阈值处理是对小波变换得到的小波系数进行阈值判定和处理的过程。

噪声信号与有用信号的特点不同，所以小波变换后的小波系数中噪声部分会表现出各个频带上的差异。

通过设置适当的阈值，可以实现对信号的去噪处理。

常用的小波阈值方法有软阈值和硬阈值。

1. 软阈值：软阈值用于保留信号的较大幅值系数，对较小幅值的系数进行压缩。

通过设定一个阈值，当小波系数的绝对值小于该阈值时，将该系数设为0，否则保留原系数。

2. 硬阈值：硬阈值用于滤除信号中的噪声，将较小幅值的系数设为0，并对较大幅值的系数保持不变。

同样，通过设置一个阈值，当小波系数的绝对值小于该阈值时，将该系数设为0，否则保留原系数。

【第三部分：Matlab小波阈值操作步骤】在Matlab中，我们可以使用Wavelet Toolbox进行小波阈值处理。

基于小波分析的特征信号提取的matlab程序%装入变换放大器输入输出数据%bf_150ms.dat为正常系统输出信号 %bf_160ms.dat为故障系统输出信号load bf_150ms.dat;load bf_160ms.dat;s1,bf_150ms(1:1000);%s1为正常信号 s2,bf_160ms(1:1000);%s2为故障信号 %画出正常信号与故障信号的原始波形tittle(“原始信号’);Ylabel('s1');subplot(922); plot(s2);title('故障信号');Ylabel('s2');%============================================%用dbl小波包对正常信号s1进行三层分解[t,d],wpdec(sl,3,'db','shannon'); %plontree(t)%画小波包树结构的图形 %下面对正常信号第三层各系数进行重构 %s130是指信号sl的[3,0]结点的重构系数;其他依次类推sl30,wprcoef(t,d,[3,0]);s13l,wprcoef(t,d,[3,1]);s132,wprcoef(t,d,[3,2]);sl33,wprcoef(t,d,[3,3]);sl34,wprcoef(t,d,[3,4]);s135,wprcoef(t,d,[3,5]);s136,wprcoef(t,d,[3,6]);s137,wprcoef(t,d,[3,7]);%画出至构系数的波形subplot(9,2,3); plot(s130); Ylabel('S130');subpolt(9,2,5); plot(s131); Ylabel('S13l');subplot(9,2,7); plot(s132); Ylabel('S132');subplot(9,2,9); plot(s133); Ylabel('S133');subplot(9,2,11);plot(s134); Ylabel('S134');subplot(9,2,13);plot(s135); Ylabel('S135');subplot(9,2,15);plot(s136); Ylabel('S136');subplot(9,2,17);plot(s137); Ylabel('S137');%-------------------------------------- %计算正常信号各重构系数的方差 %s10是指s130的方差，其他依此类推 s10,norm(sl30);sll,norm(s131);s12,norm(sl32);s13,norm(sl33);sl4,norm(s134);s15,norm(s135);s16,norm(sl36);s17,norm(sl37);%向量ssl是针对信号s1构造的向量 disp=('正常信号的输出向量')ssl,[sl0,s11,sl2,sl3,s14,s15,sl6,s17] %,,,,,,,,,,,,,,,,,,,,,,,,,,, %用db1小波包对故障信号s2进行三层分解[t,d]=wpdec(s2,3,'db1','shannon');%plottree(t)%画小波包树结构的图形 %s230是指信号S2的[3,0]结点的重构系数,其他以此类推s230=wprcoef(t,d,[3,0]);s231=wprcoef(t,d,[3,1]);s232=wprcoef(t,d,[3,2]);33=wprcoef(t,d,[3,3]); s2s234=wprcoef(t,d,[3,4]);s235=wprcoef(t,d,[3,5]);s236=wprcoef(t,d,[3,6]);s237=wprcoef(t,d,[3,7]);%画出重构系数的波形subplot(9,2,4);plot(s230); Ylabel('S230');subplot(9,2,6);plot(s231); Ylabel('S231');subplot(9,2,8);plot(s232); Ylabel('S232');subplot(9,2,10);plot(s233); Ylabel('S233');subplot(9,2,12);plot(s234); Ylabel('S234');subplot(9,2,14);plot(s235); Ylabel('S235');subplot(9,2,16);plot(s236); Ylabel('S236');subplot(9,2,18);plot(s237);Ylabel('S237');%----------------------------------------------------------%计算故障信号各重构系数的方差 %s20是指s230的方差，其他依次类推s20,norm(s230);s21,norm(s231);s22,norm(s232);s23,norm(s233);s24,norm(s234);s25,norm(s235);s26,norm(s236);s27,norm(s237);%向量ss2是针对信号S1构造的向量 disp('故障信号的输出向量') ss2=[s20,s21,s22,s23,s24,s25,s26,s27]。