【数字信号去噪】基于matlab粒子滤波器与FBS、MAP平滑方法数字信号去噪【含Matlab源码 2179期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、平滑分解简介

根据奈奎斯特定理,采样频率必须大于等于有用信号最高频率的2倍。假设对心电信号的采样满足奈奎斯特采样定理,则实测信号采样频率的1/2为有用心电信号的最高频率。通过三点平滑滤波,可以将频率大于1/2采样频率的信号滤除,将滤除的信号定义为第1阶平滑分解分量(sdc1)。而剩余信号中的最高频率则为前一阶提取频率的下限。继续按剩余信号最高频率的1/2进行新的平滑滤波提取,平滑滤波点数为前一级平滑滤波点数的2倍减1。直到平滑点数大于1/2数据长度且小于数据长度时分解结束。平滑分解方法描述如下。

设实际检测到的心电信号为s(n),n=1,2,…,N为样本序号,N为信号长度。记第k阶平滑分解分量为sdck(n),剩余信号记为rk(n),k=1,2,…,M。M=int(lb2(N-1))为最大分解阶数。

1)当k=1时

2)当k≥2时

在以上各式中,当i<1或i>N时,s(i)和rk-1(i)取相应的数据端点值。

3. 信号重构
   

⛄二、部分源代码

close all
T=100; %Number of Time Steps
n=10; %Number of Particles
m=1; %Number of iterations

for iter=1:m
%Mean and standard deviation of state equation
a=.6; b=.2;
%Mean and standard deviation of state equation
c=2; d=.2;

%Simulate the dynamical system x and y, initializing x(1)=x0
x0=rand;
[x,y]=simulate(a,b,c,d,x0,T);

%Particle Filter, particles initialized at xf(:,1)=X0
X0=random(‘uniform’,0,1,n,1);
tic
[xf,wftilda]=pfilter(a,b,c,d,X0,y);
toc

%Particle Smoothing (FBS)
tic
[wstilda wstilda2,wstilda3]=fbssmoother(a,b,xf,wftilda);
toc

%Particle Smoother (Maximum A-posterior) initialized at xf(:,1)=X20
%Initialization
X20=zeros(n,1);
tic
[psi,delta,meanm,wstilda4,wstilda5]=mapsmoother(a,b,c,d,X20,xf,wftilda,y);
toc

%Estimation of filter and fbs smoother posterior means at time t
for t=2:T
meanf(t)=xf(:,t)‘*wftilda(:,t);
means(t)=xf(:,t)’*wstilda(:,t);
meansf(t)=xf(:,t)'*wstilda(:,t);
end

%Computes the MSE of filter, fbs, and map
FilterMSE(iter)=norm(x(2:end)-meanf(2:end),‘fro’)/norm(x(2:end),‘fro’)
FBSsmootherMSE(iter)=norm(x(2:end)-means(2:end),‘fro’)/norm(x(2:end),‘fro’)
MAPsmootherMSE(iter)=norm(x(2:end)-meanm(2:end),‘fro’)/norm(x(2:end),‘fro’)
%Computes the Likelihood of filter, fbs, and map
LL(iter)=likelihood(y,x,a,b,c,d)
FilterLL(iter)=likelihood(y,meanf,a,b,c,d)
FBSsmootherLL(iter)=likelihood(y,means,a,b,c,d)
MAPsmootherLL(iter)=likelihood(y,meanm,a,b,c,d)
end

if m==1
%Plots of simulated x vs the estimated xhat of filter, fbs, and map
hold on
plot(x(2:end),‘k’,‘linewidth’,2)
plot(meanf(2:end),‘:r*’,‘linewidth’,2)
plot(means(2:end),‘:go’,‘linewidth’,2)
plot(meanm(2:end),‘:bd’,‘linewidth’,2)
xlabel(‘time’)
ylabel(‘state’)
h = legend(‘True State’,‘Filter’,‘FBS-Smoother’,‘MAP-Smoother’);
else
fmean=mean(FilterMSE)
smean=mean(FBSsmootherMSE)
mmean=mean(MAPsmootherMSE)
fll=mean(FilterLL)
sll=mean(FBSsmootherLL)
mll=mean(MAPsmootherLL)
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]张淼,魏国.心电信号平滑分解阈值去噪方法[J].哈尔滨工程大学学报. 2020,41(09)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合