Matlab小波变换的代码。

简介：
f1设定为50; % 设置第一个频率。 f2设定为100; % 设置第二个频率。 fs定义为2*(f1+f2); % 定义采样频率。 Ts计算为1/fs; % 计算采样间隔。 N设置为120; % 设定采样点数。 n生成从1到N的序列; % 创建一个从1到采样点数N的序列。 y计算为sin(2*pi*f1*n*Ts) + sin(2*pi*f2*n*Ts); % 计算混合的正弦波信号。 图像显示第一个信号图，标题为“两个正弦信号”。 图像显示第二个信号频谱图，标题为“两信号频谱”。 随后，进行小波滤波器谱分析： h计算为wfilters(db30,l); % 使用db30阈值对小波l进行低通滤波。 g计算为wfilters(db30,h); % 使用db30阈值对小波h进行高通滤波。 h扩展为h连接零，长度变为N，以增加分辨率和观察效果。 g扩展为g连接零，长度变为N，以增加分辨率和观察效果。 图像显示低通滤波器图，标题为“低通滤波器图”。 图像显示高通滤波器图，标题为“高通滤波器图”。 接下来，执行MALLET分解算法（基于快速傅里叶变换的圆周卷积实现）： sig1计算为ifft(fft(y).*fft(h)); % 低通分量：对混合正弦波信号y和低通滤波器h进行FFT后逆变换。 sig2计算为ifft(fft(y).*fft(g)); % 高通分量：对混合正弦波信号y和高通滤波器g进行FFT后逆变换。 图像显示分解后的信号图，其中第一个子图展示了sig1（分解信号1），第二个子图展示了sig2（分解信号2）。 图像显示分解后的频谱图，第一个子图展示了sig1的频谱，第二个子图展示了sig2的频谱。 然后是MALLET重构算法： sig1通过dyaddown提取低频分量； sig2通过dyaddown提取高频分量； h扩展为一个包含零的低通滤波器，长度变为N； g扩展为一个包含零的高通滤波器，长度变为N； 图像显示低通滤波器图，标题为“低通滤波器图”。 图像显示高通滤波器图，标题为“高通滤波器图”。 hr重建低通滤波器的系数（反转并移动）； gr重建高通滤波器的系数（反转并移动）。 hr和gr通过圆周移位调整位置以适应圆周卷积的要求. sig1通过ifft(fft(hr).*fft(sig1))恢复低频分量. sig2通过ifft(fft(gr).*fft(sig2))恢复高频分量. sig是源信号的重构版本. 最后是比较： 图像显示重构后的低频信号及其频谱, 标题分别为 “重构低频信号” 和 “重构低频信号频谱”。 图像显示重构后的高频信号及其频谱, 标题分别为 “重构高频信号” 和 “重构高频信号频谱”。 绘制原始信号与重构信号的叠加曲线, 并添加 legend 和标题 重构信号与原始信号比较。 f1设定为50; % 设置第一个频率。 f2设定为100; % 设置第二个频率. fs定义为 2*(f1+f2);% 定义采样频率. Ts计算 为 1/fs;% 计算采样间隔. N设置为 120;% 设定采样点数. n生成从 1 到 N 的序列;% 创建一个从 1 到采样点数 N 的序列. y计算 为 sin (2 * pi * f1 * n * Ts) + sin (2 * pi * f2 * n * Ts);% 计算混合的正弦波信号. 图像显示第一个信号图, 标题 为 “两个正弦信号”。 图像显示第二个 signal 图谱, 标题 为 “两 signal 图谱”.