xiaobofenxi.rar_小波分析_高频分量

file=dir('D:\测量数据\20180928涂层侧\3#-涂层侧检测-10M\3#-涂层侧检测-10M\*.txt'); for n=1:length(file) temp=dlmread(['D:\测量数据\20180928涂层侧\3#-涂层侧检测-10M\3#-涂层侧检测-10M\',file(n).name],' ',0,1); eval([file(n).name(1:end-4),'=temp;']) end % clc; % clear all; % close all; % load freqbrk; %调入含突变点的信号 x=x140y114; N=length(x); t=1:N; title('原始信号') % subplot(121); plot(t,x,'LineWidth',2);title('原始信号'); xlabel('时间 t/s');ylabel('幅值 A'); figure; [c,l] = wavedec(x,6,'db5'); %一维小波分解 a6 = wrcoef('a',c,l,'db5',6); %重构第6层逼近系数 %重构第1～6层细节系数 d6 = wrcoef('d',c,l,'db5',6); d5 = wrcoef('d',c,l,'db5',5); d4 = wrcoef('d',c,l,'db5',4); d3 = wrcoef('d',c,l,'db5',3); d2 = wrcoef('d',c,l,'db5',2); d1 = wrcoef('d',c,l,'db5',1); %显示重构系数和细节系数 % subplot(4,2,1); plot(d1,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第1层高频细节分量'); figure; % subplot(4,2,2); plot(d2,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第2层高频细节分量'); figure; % subplot(4,2,3); plot(d3,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第3层高频细节分量'); figure; % subplot(4,2,4); plot(d4,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第4层高频细节分量'); figure; % subplot(4,2,5); plot(d5,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第5层高频细节分量'); figure; % subplot(4,2,6); plot(d6,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第6层高频细节分量'); figure; % subplot(4,2,7); plot(a6,'LineWidth',2);xlabel('时间t');ylabel('幅值A');title('第6层低频信号分量'); % figure; % plot(d1,'LineWidth',2);hold on; % plot(d2,'LineWidth',2);hold on; % plot(d3,'LineWidth',2);hold on; % plot(d4,'LineWidth',2);hold on; % plot(d5,'LineWidth',2);hold on; % plot(d6,'LineWidth',2);hold on; % plot(a6,'LineWidth',2);hold on; % xlabel('时间t');ylabel('幅值A'); clf; fs=100;N=128; %采样频率和数据点数 n=0:N-1;t=n/fs; %时间序列 x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %信号 y=fft(x,N); %对信号进行快速Fourier变换 mag=abs(y); %求得Fourier变换后的振幅 f=n*fs/N; %频率序列 subplot(2,2,1),plot(f,mag); %绘出随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=128');grid on; subplot(2,2,2),plot(f(1:N/2),mag(1:N/2)); %绘出Nyquist频率之前随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=128');grid on; %对信号采样数据为1024点的处理 fs=100;N=1024;n=0:N-1;t=n/fs; x=0.5*sin(2*pi*15*t)+2*sin(2*pi*40*t); %信号 y=fft(x,N); %对信号进行快速Fourier变换 mag=abs(y); %求取Fourier变换的振幅 f=n*fs/N; subplot(2,2,3),plot(f,mag); %绘出随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=1024');grid on; subplot(2,2,4) plot(f(1:N/2),mag(1:N/2)); %绘出Nyquist频率之前随频率变化的振幅 xlabel('频率/Hz'); ylabel('振幅');title('N=1024');grid on; % t=0:1/256:1;%采样步长 % % y= 2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180); % % N=length(t); %样点个数 % % plot(t,y); % % fs=256;%采样频率 % % df=fs/(N-1);%分辨率 % % f=(0:N-1)*df;%其中每点的频率 % % Y=fft(y(1:N))/N*2;%真实的幅值 % % %Y=fftshift(Y); % % figure(2) % % plot(f(1:N/2),abs(Y(1:N/2))); % % 创建具有 15 Hz 和 40 Hz 分量频率的信号，并插入随机高斯噪声。 % % fs = 100; % sample frequency (Hz) % t = 0:1/fs:10-1/fs; % 10 second span time vector % x = (1.3)*sin(2*pi*15*t) ... % 15 Hz component % + (1.7)*sin(2*pi*40*(t-2)) ... % 40 Hz component % + 2.5*gallery('normaldata',size(t),4); % Gaussian noise; % % 信号的傅里叶变换可确定其频率分量。在 MATLAB? 中，fft 函数使用快速傅里叶变换算法计算傅里叶变换。使用 fft 计算信号的离散傅里叶变换。 % % y = fft(x); % % 将功率频谱绘制为频率的函数。尽管噪声在基于时间的空间内伪装成信号的频率分量，但傅里叶变换将其显现为功率尖峰。 % % n = length(x); % number of samples % f = (0:n-1)*(fs/n); % frequency range % power = abs(y).^2/n; % power of the DFT % % plot(f,power) % xlabel('Frequency') % ylabel('Power') % % % 在许多应用中，查看以 0 频率为中心的功率频谱更加方便，因为它能更好地显示信号的周期性。使用 fftshift 函数对 y 执行循环平移，并绘制以 0 为中心的功率。 % % y0 = fftshift(y); % shift y values % f0 = (-n/2:n/2-1)*(fs/n); % 0-centered frequency range % power0 = abs(y0).^2/n; % 0-centered power % % plot(f0,power0) % xlabel('Frequency') % ylabel('Power')