1
靈石網(wǎng)站制作公司哪家好，找成都創(chuàng)新互聯(lián)！從網(wǎng)頁設(shè)計、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、自適應(yīng)網(wǎng)站建設(shè)等網(wǎng)站項目制作，到程序開發(fā)，運(yùn)營維護(hù)。成都創(chuàng)新互聯(lián)從2013年成立到現(xiàn)在10年的時間，我們擁有了豐富的建站經(jīng)驗和運(yùn)維經(jīng)驗，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選成都創(chuàng)新互聯(lián)。
噪音污染
近年來在環(huán)保部門每年所接到的投訴中，電梯噪音檢測達(dá)標(biāo)但被認(rèn)為影響正常生活的投訴，占噪音投訴的35%左右。
面對越來越嚴(yán)重的低頻噪聲污染問題，有關(guān)專家向記者表示，過去我國城市將環(huán)境污染的注意力較多集中在治理水、氣、垃圾的污染上，往往忽視聲污染。現(xiàn)在，越來越多的人認(rèn)識到，噪聲同樣危害人類健康，是誘發(fā)疾病的一個原因。
2
什么是低頻噪音？
低頻噪音，頻率是用Hz作單位讀赫茲，低頻噪音是指頻率在500赫茲(倍頻程)以下的聲音。在人耳范圍內(nèi)是在20Hz--500Hz是低頻，即在一秒內(nèi)震動20到500次所發(fā)出無規(guī)律的聲音稱之為低頻噪音。
GIF
早在上世紀(jì)90年代初，低頻噪聲就已經(jīng)悄悄地開始影響人們的生活。
小區(qū)高樓內(nèi)的電梯、開在居民區(qū)娛樂場所的重低金屬音響和那些被移入居民樓內(nèi)的變壓器、水泵都成了制造低頻噪音的“罪魁禍?zhǔn)住薄?/p>
福建省環(huán)境監(jiān)測中心站環(huán)境聲學(xué)專家說，“同樣是70分貝的聲音，100赫茲和1000赫茲頻率，人體耳朵感應(yīng)的聲響就不一樣。人體內(nèi)器官固有頻率基本上在低頻和超低頻范圍內(nèi)，很容易與低頻聲音產(chǎn)生共振，所以人會煩惱、感覺不適。”
然而，目前國內(nèi)聲環(huán)境質(zhì)量標(biāo)準(zhǔn)及其監(jiān)測方式只是針對高頻噪音的檢測，對于建筑內(nèi)安裝的變壓器、電梯、中央空調(diào)以及娛樂場所的“低音炮”引起的低頻噪音投訴無門。而環(huán)保部門由于缺乏執(zhí)法依據(jù)和處罰標(biāo)準(zhǔn)的支持，對低頻噪音的污染治理也是無能為力。
3
低頻噪音的傳播途徑
低頻噪音按傳播途徑主要分為：
結(jié)構(gòu)傳聲、
空氣傳聲及駐波。
結(jié)構(gòu)傳聲是指安裝在大樓內(nèi)的電梯主機(jī)、變壓器、水泵、中央空調(diào)主機(jī)通過居住大樓的基礎(chǔ)結(jié)構(gòu)大梁、承重梁將低頻振動的聲波傳導(dǎo)到各家各戶。
空氣傳聲是指低頻噪音通過空氣直接傳播到小區(qū)住家戶。
駐波是指低頻噪音在傳播過程中經(jīng)過多次反射形成駐波，低頻噪音在波腹中的振幅最強(qiáng)，對人的健康危害最重。
白噪聲是時間序列預(yù)測中的一個重要概念。如果一個時間序列是白噪聲，它是一個隨機(jī)數(shù)序列，不能預(yù)測。如果預(yù)測誤差不是白噪聲，它暗示了預(yù)測模型仍有改進(jìn)空間。
什么是白噪聲時間序列？
時間序列可能是白噪聲。時間序列如果變量是獨(dú)立的且恒等分布的均值為0，那么它是白噪聲。這意味著所有變量具有相同的方差 (sigma^2)，并且每個值與該系列中的所有其他值具有零相關(guān)。
如果序列中的變量被高斯分布繪制，則該系列稱為高斯白噪聲。
為什么這么重要？
白噪聲是時間序列分析和預(yù)測中的一個重要的概念。
重要的兩個主要原因為：
1.可預(yù)測性：如果你的時間序列是白噪聲，那么根據(jù)定義它是隨機(jī)的。你無法對它合理的建模并進(jìn)行預(yù)測。
2.模型診斷：時間序列上一系列誤差的預(yù)測模型最好是白噪聲。
模型診斷是時間序列預(yù)測的重要領(lǐng)域。
時間序列數(shù)據(jù)在潛在的因素產(chǎn)生的信號上被預(yù)測，它包含一些白噪聲成分。
例如：
y(t)= signal(t)+ noise(t)
通過時間序列預(yù)測模型進(jìn)行預(yù)測，可以對其進(jìn)行收集和分析。在理想情況下，預(yù)測誤差應(yīng)該是白噪聲。
當(dāng)預(yù)測誤差為白噪聲時，意味著時間序列中的所有信號已全部被模型利用進(jìn)行預(yù)測。剩下的就是無法建模的隨機(jī)波動。
模型預(yù)測的信號不是白噪聲則表明可以進(jìn)一步對預(yù)測模型改進(jìn)。
你的時間序列白噪音嗎?
你的時間序列如果符合下面條件則不是白噪聲:
你的序列均值為零嗎?
方差隨時間變化嗎?
值與延遲值相關(guān)嗎?
你可以用一些工具來檢查你的時間序列是否為白噪音:
創(chuàng)建一個折線圖。檢查總體特征，如變化的平均值，方差或延遲變量之間的明顯關(guān)系。
計算匯總統(tǒng)計。對照序列中有意義的連續(xù)塊的均值和方差，檢查整個序列的均值和方差(如年、月、日)。
創(chuàng)建一個自相關(guān)的圖。檢查延遲變量之間的總體相關(guān)性。
白噪聲時間序列的例子
在本節(jié)中,我們將使用Python創(chuàng)建一個高斯白噪聲序列并做一些檢查。它有助于在實(shí)踐中創(chuàng)建和評估白噪聲時間序列。它將提供參考框架和示例圖并且使用和比較自己的時間序列項目的統(tǒng)計測試，以檢查它們是否為白噪聲
首先，我們可以使用隨機(jī)模塊的gauss()函數(shù)創(chuàng)建一個1,000個隨機(jī)高斯變量的列表。
我們將從高斯分布提取變量：平均值(mu)0.0和標(biāo)準(zhǔn)偏差(sigma)1.0。
一旦創(chuàng)建,為方便起見，我們可以在Pandas序列中打包這個列表。
from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plot
# seed random number generatorseed(1)# create white noise series
series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)
接下來，我們可以計算和打印一些匯總統(tǒng)計數(shù)據(jù)，包含序列的平均值和標(biāo)準(zhǔn)偏差。
# summary statsprint(series.describe())
鑒于我們在繪制隨機(jī)數(shù)時定義了平均值和標(biāo)準(zhǔn)偏差，所以應(yīng)該不會有意外。
count ? 1000.000000mean ? ? ?-0.013222std ? ? ? ?1.003685min ? ? ? ?-2.96121425% ? ? ? ?-0.68419250% ? ? ? ?-0.01093475% ? ? ? ? 0.703915max ? ? ? ? 2.737260
我們可以看到平均值接近0.0，標(biāo)準(zhǔn)偏差接近1.0?？紤]到樣本較小預(yù)測會有些誤差。
如果我們有更多的數(shù)據(jù)，將序列分成兩半計算和比較每一半的匯總統(tǒng)計可能會更有趣。我們認(rèn)為每個子系列的平均值和標(biāo)準(zhǔn)差都會相似。
現(xiàn)在我們可以創(chuàng)建一些序列的線條圖。
# line plot
series.plot()pyplot.show()
我們可以看到，這個序列似乎是隨機(jī)的。
我們還可以創(chuàng)建直方圖，并確認(rèn)分布是高斯分布。
# histogram plot
series.hist()pyplot.show()
事實(shí)上，直方圖顯示了典型的鐘形曲線。
最后，我們可以創(chuàng)建一個自相關(guān)圖并檢查延遲變量的所有自相關(guān)。
# autocorrelationautocorrelation_plot(series)pyplot.show()
自相關(guān)圖沒有顯示任何顯著的自相關(guān)特征。在峰值時可信度達(dá)在95％和99％，但這只是統(tǒng)計的偶然情況。
為了完整性，下面提供了完整的代碼清單。
from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plotfrom matplotlibimport pyplot
# seed random number generatorseed(1)# create white noise series
series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)# summary statsprint(series.describe())# line plot
series.plot()pyplot.show()# histogram plot
series.hist()pyplot.show()# autocorrelationautocorrelation_plot(series)pyplot.show()
原文：網(wǎng)頁鏈接
學(xué)習(xí)目標(biāo)：
OpenCV 中有 150 多種色彩空間轉(zhuǎn)化的方法，這里只討論兩種：
HSV的色相范圍為[0,179]，飽和度范圍為[0,255]，值范圍為[0,255]。不同的軟件使用不同的規(guī)模。如果要比較 OpenCV 值和它們，你需要標(biāo)準(zhǔn)化這些范圍。
HSV 和 HLV 解釋
運(yùn)行結(jié)果：該段程序的作用是檢測藍(lán)色目標(biāo)，同理可以檢測其他顏色的目標(biāo)
結(jié)果中存在一定的噪音，之后的章節(jié)將會去掉它
這是物體跟蹤中最簡單的方法。一旦你學(xué)會了等高線的函數(shù)，你可以做很多事情，比如找到這個物體的質(zhì)心，用它來跟蹤這個物體，僅僅通過在相機(jī)前移動你的手來畫圖表，還有很多其他有趣的事情。
菜鳥教程 在線 HSV- BGR 轉(zhuǎn)換
比如要找出綠色的 HSV 值，可以使用上面的程序，得到的值取一個上下界。如上面的取下界 [H-10, 100, 100]，上界 [H+10, 255, 255]
或者使用其他工具如 GIMP
學(xué)習(xí)目標(biāo)：
對圖像進(jìn)行閾值處理，算是一種最簡單的圖像分割方法，基于圖像與背景之間的灰度差異，此項分割是基于像素級的分割
threshold(src, thresh, maxval, type[, dst]) - retval, dst
計算圖像小區(qū)域的閾值。所以我們對同一幅圖像的不同區(qū)域得到不同的閾值，這給我們在不同光照下的圖像提供了更好的結(jié)果。
三個特殊的輸入?yún)?shù)和一個輸出參數(shù)
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) - dst
opencv-threshold-python
OpenCV 圖片集
本節(jié)原文
學(xué)習(xí)目標(biāo)：
OpenCV 提供兩種變換函數(shù)： cv2.warpAffine 和 cv2.warpPerspective
cv2.resize() 完成縮放
文檔說明
運(yùn)行結(jié)果
說明 : cv2.INTER_LINEAR 方法比 cv2.INTER_CUBIC 還慢，好像與官方文檔說的不一致？ 有待驗證。
速度比較： INTER_CUBIC INTER_NEAREST INTER_LINEAR INTER_AREA INTER_LANCZOS4
改變圖像的位置，創(chuàng)建一個 np.float32 類型的變換矩陣，
warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) - dst
運(yùn)行結(jié)果：
旋轉(zhuǎn)角度（ ）是通過一個變換矩陣變換的：
OpenCV 提供的是可調(diào)旋轉(zhuǎn)中心的縮放旋轉(zhuǎn)，這樣你可以在任何你喜歡的位置旋轉(zhuǎn)。修正后的變換矩陣為
這里
OpenCV 提供了 cv2.getRotationMatrix2D 控制
cv2.getRotationMatrix2D(center, angle, scale) → retval
運(yùn)行結(jié)果
cv2.getAffineTransform(src, dst) → retval
函數(shù)關(guān)系：
\begin{bmatrix} x'_i \ y'_i \end{bmatrix}\begin{bmatrix} x'_i \ y'_i \end{bmatrix} =
其中
運(yùn)行結(jié)果：圖上的點(diǎn)便于觀察，兩圖中的紅點(diǎn)是相互對應(yīng)的
透視變換需要一個 3x3 變換矩陣。轉(zhuǎn)換之后直線仍然保持筆直，要找到這個變換矩陣，需要輸入圖像上的 4 個點(diǎn)和輸出圖像上的對應(yīng)點(diǎn)。在這 4 個點(diǎn)中，有 3 個不應(yīng)該共線。通過 cv2.getPerspectiveTransform 計算得到變換矩陣，得到的矩陣 cv2.warpPerspective 變換得到最終結(jié)果。
本節(jié)原文
平滑處理（smoothing）也稱模糊處理（bluring）,是一種簡單且使用頻率很高的圖像處理方法。平滑處理的用途：常見是用來 減少圖像上的噪點(diǎn)或失真 。在涉及到降低圖像分辨率時，平滑處理是很好用的方法。
圖像濾波：盡量保留圖像細(xì)節(jié)特征的條件下對目標(biāo)圖像的噪聲進(jìn)行抑制，其處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。
消除圖像中的噪聲成分叫做圖像的平滑化或濾波操作。信號或圖像的能量大部分集中在幅度譜的低頻和中頻段，在高頻段，有用的信息會被噪聲淹沒。因此一個能降低高頻成分幅度的濾波器就能夠減弱噪聲的影響。
濾波的目的：抽出對象的特征作為圖像識別的特征模式；為適應(yīng)圖像處理的要求，消除圖像數(shù)字化時混入的噪聲。
濾波處理的要求：不能損壞圖像的輪廓及邊緣等重要信息；圖像清晰視覺效果好。
平滑濾波是低頻增強(qiáng)的空間濾波技術(shù)，目的：模糊和消除噪音。
空間域的平滑濾波一般采用簡單平均法，即求鄰近像元點(diǎn)的平均亮度值。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑效果越好，但是鄰域過大，平滑也會使邊緣信息的損失的越大，從而使輸出圖像變得模糊。因此需要選擇合適的鄰域。
濾波器：一個包含加權(quán)系數(shù)的窗口，利用濾波器平滑處理圖像時，把這個窗口放在圖像上，透過這個窗口來看我們得到的圖像。
線性濾波器：用于剔除輸入信號中不想要的頻率或者從許多頻率中選擇一個想要的頻率。
低通濾波器、高通濾波器、帶通濾波器、帶阻濾波器、全通濾波器、陷波濾波器
boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) - dst
均值濾波是方框濾波歸一化后的特殊情況。歸一化就是要把處理的量縮放到一個范圍內(nèi)如 (0,1)，以便統(tǒng)一處理和直觀量化。非歸一化的方框濾波用于計算每個像素鄰近內(nèi)的積分特性，比如密集光流算法中用到的圖像倒數(shù)的協(xié)方差矩陣。
運(yùn)行結(jié)果：
均值濾波是典型的線性濾波算法，主要方法為鄰域平均法，即用一片圖像區(qū)域的各個像素的均值來代替原圖像中的各個像素值。一般需要在圖像上對目標(biāo)像素給出一個模板（內(nèi)核），該模板包括了其周圍的臨近像素（比如以目標(biāo)像素為中心的周圍8（3x3-1）個像素，構(gòu)成一個濾波模板，即 去掉目標(biāo)像素本身 ）。再用模板中的全體像素的平均值來代替原來像素值。即對待處理的當(dāng)前像素點(diǎn)（x，y），選擇一個模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)（x，y），作為處理后圖像在該點(diǎn)上的灰度個g（x，y），即個g（x，y）=1/m ∑f（x，y） ，其中m為該模板中包含當(dāng)前像素在內(nèi)的像素總個數(shù)。
均值濾波本身存在著固有的缺陷，即它不能很好地保護(hù)圖像細(xì)節(jié)，在圖像去噪的同時也破壞了圖像的細(xì)節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點(diǎn)。
cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst
結(jié)果：
高斯濾波：線性濾波，可以消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過 加權(quán)平均 后得到。高斯濾波的具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。
高斯濾波有用但是效率不高。
高斯模糊技術(shù)生成的圖像，其視覺效果就像是經(jīng)過一個半透明屏幕在觀察圖像，這與鏡頭焦外成像效果散景以及普通照明陰影中的效果都明顯不同。高斯平滑也用于計算機(jī)視覺算法中的預(yù)先處理階段，以增強(qiáng)圖像在不同比例大小下的圖像效果（參見尺度空間表示以及尺度空間實(shí)現(xiàn)）。從數(shù)學(xué)的角度來看，圖像的高斯模糊過程就是圖像與正態(tài)分布做卷積。由于正態(tài)分布又叫作高斯分布，所以這項技術(shù)就叫作高斯模糊。
高斯濾波器是一類根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。 高斯平滑濾波器對于抑制服從正態(tài)分布的噪聲非常有效。
一維零均值高斯函數(shù)為: 高斯分布參數(shù) 決定了高斯函數(shù)的寬度。
高斯噪聲的產(chǎn)生
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) - dst
線性濾波容易構(gòu)造，并且易于從頻率響應(yīng)的角度來進(jìn)行分析。
許多情況，使用近鄰像素的非線性濾波會得到更好的結(jié)果。比如在噪聲是散粒噪聲而不是高斯噪聲，即圖像偶爾會出現(xiàn)很大值的時候，用高斯濾波器進(jìn)行圖像模糊時，噪聲像素不會被消除，而是轉(zhuǎn)化為更為柔和但仍然可見的散粒。
中值濾波（Median filter）是一種典型的非線性濾波技術(shù)，基本思想是用像素點(diǎn)鄰域灰度值的中值來代替該像素點(diǎn)的灰度值，該方法在去除脈沖噪聲、椒鹽噪聲『椒鹽噪聲又稱脈沖噪聲，它隨機(jī)改變一些像素值，是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲。椒鹽噪聲往往由圖像切割引起?！坏耐瑫r又能保留圖像邊緣細(xì)節(jié)，
中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術(shù)，其基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值，從而消除孤立的噪聲點(diǎn)，對于 斑點(diǎn)噪聲（speckle noise）和椒鹽噪聲（salt-and-pepper noise） 來說尤其有用，因為它不依賴于鄰域內(nèi)那些與典型值差別很大的值。中值濾波器在處理連續(xù)圖像窗函數(shù)時與線性濾波器的工作方式類似，但濾波過程卻不再是加權(quán)運(yùn)算。
中值濾波在一定的條件下可以克服常見線性濾波器如最小均方濾波、方框濾波器、均值濾波等帶來的圖像細(xì)節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲非常有效，也常用于保護(hù)邊緣信息, 保存邊緣的特性使它在不希望出現(xiàn)邊緣模糊的場合也很有用，是非常經(jīng)典的平滑噪聲處理方法。
與均值濾波比較：
說明：中值濾波在一定條件下，可以克服線性濾波器（如均值濾波等）所帶來的圖像細(xì)節(jié)模糊，而且對濾除脈沖干擾即圖像掃描噪聲最為有效。在實(shí)際運(yùn)算過程中并不需要圖像的統(tǒng)計特性，也給計算帶來不少方便。 但是對一些細(xì)節(jié)多，特別是線、尖頂?shù)燃?xì)節(jié)多的圖像不宜采用中值濾波。
雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結(jié)合 圖像的空間鄰近度和像素值相似度 的一種折衷處理，同時考慮空域信息和灰度相似性，達(dá)到保邊去噪的目的。具有簡單、非迭代、局部的特點(diǎn)。
雙邊濾波器的好處是可以做邊緣保存（edge preserving），一般過去用的維納濾波或者高斯濾波去降噪，都會較明顯地模糊邊緣，對于高頻細(xì)節(jié)的保護(hù)效果并不明顯。雙邊濾波器顧名思義比高斯濾波多了一個高斯方差 sigma－d ，它是基于空間分布的高斯濾波函數(shù)，所以在邊緣附近，離的較遠(yuǎn)的像素不會太多影響到邊緣上的像素值，這樣就保證了邊緣附近像素值的保存。 但是由于保存了過多的高頻信息，對于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠?qū)τ诘皖l信息進(jìn)行較好的濾波。
運(yùn)行結(jié)果
學(xué)習(xí)目標(biāo):
形態(tài)變換是基于圖像形狀的一些簡單操作。它通常在二進(jìn)制圖像上執(zhí)行。
膨脹與腐蝕實(shí)現(xiàn)的功能
侵蝕的基本思想就像土壤侵蝕一樣，它會侵蝕前景物體的邊界（總是試圖保持前景為白色）。那它是做什么的？內(nèi)核在圖像中滑動（如在2D卷積中）。只有當(dāng)內(nèi)核下的所有像素都是 1 時，原始圖像中的像素（ 1 或 0 ）才會被視為 1 ，否則它將被侵蝕（變?yōu)榱悖?/p>
erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) - dst
與腐蝕的操作相反。如果內(nèi)核下的至少一個像素為“1”，則像素元素為“1”。因此它增加了圖像中的白色區(qū)域或前景對象的大小增加。通常，在去除噪音的情況下，侵蝕之后是擴(kuò)張。因為，侵蝕會消除白噪聲，但它也會縮小我們的物體。所以我們擴(kuò)大它。由于噪音消失了，它們不會再回來，但我們的物體區(qū)域會增加。它也可用于連接對象的破碎部分
測低頻噪音的操作步驟如下：
1、首先單擊系統(tǒng)應(yīng)用選項。
2、然后找到工具箱選項。
3、在彈出的提示窗口選擇確定。
4、然后找到分貝儀工具。
5、此時就能檢測出低頻噪音分貝大小了，選擇查看分貝標(biāo)準(zhǔn)選項。
6、最后就可以知道噪音的分唄是多少了，這樣問題就解決了。
文檔很細(xì)致啊。
im : ndarray
An N-dimensional array.
mysize : int or arraylike, optional
A scalar or an N-length list giving the size of the Wiener filter window in each dimension. Elements of mysize should be odd. If mysize is a scalar, then this scalar is used as the size in each dimension.
noise : float, optional
The noise-power to use. If None, then noise is estimated as the average of the local variance of the input.
預(yù)計用到的函數(shù)有： wavread();讀入wav格式的語音信號 fft()快速傅里葉變換 plot()繪制二維圖形 randn() 高斯白噪聲 示例： x=wavread('file.wav');%讀取波形文件獲得數(shù)據(jù) x=x(1:1024);%取前1024點(diǎn)作為處理使用數(shù)據(jù) fx=fft(x); figure(1); subplot(211); plot(x); subplot(212) plot(abs(fx)); snr=.3; x1=x+snr*randn(1,1024);%添加高斯白噪聲 fx1=fft(x1); figure(2); subplot(211); plot(x1) subplot(212); plot(abs(fx1))
重慶分公司
重慶分公司
