小波变换去噪，软阈值和硬阈值，以及设计的阈值函数来去噪，毕业设计全套。

离散小波变换dwt matlab代码论文代码“使用完全卷积去噪自动编码器消除细胞外神经记录中的噪声” 抽象的 细胞外录音受到大量噪声源的严重污染，使降噪过程成为一项极具挑战性的任务，必须对其进行有效的尖峰分拣才能解决。 为此，我们提出了一种利用此问题的端到端深度学习方法，该方法利用了完全卷积去噪自动编码器，该编码器学会了从嘈杂的多通道输入中产生干净的神经元活动信号。 在模拟数据上的实验结果表明，我们提出的方法可以显着改善受噪声破坏的神经信号的质量，优于广泛使用的小波去噪技术。 要求 Python（已通过v3.8测试）：用于数据生成和网络开发 Matlab（经过R2020b测试）：用于开发小波去噪方法以比较网络的性能 为了安装必要的Python库，请运行以下命令： pip install -r requirements.txt 注意：要运行数据集生成脚本，您还应该安装MEArec Python库。 可以找到说明。 数据集 用于训练和评估的细胞外录音有两种格式，即.mat和.tfrecord 。 . |-- data/ | |-- mat/ | |-- TFRecord/ . 数据组织如下

为了提高神经网络对分布复杂的雷达信号类型的识别率，提出一种结合小波变换、互信息特征选择及神经网络的分类新方法。首先利用小波变换对信号进行特征提取，然后通过基于互信息的特征选择来对特征进行选择，最后把选择出的特征作为神经网络的训练样本对其进行辐射源类型的识别。仿真结果显示，该方法能够利用较少的特征值得到较高的识别正确率。

经典小波分解对信号稀疏化效果不佳，为此设计了基于小波域经验维纳滤波器的稀疏表示算法. 该算法可自适应地衰减每个小波系数，增大系数的稀疏度及可压缩性，从而提高压缩感知算法对信号的恢复质量. 仿真结果表明，与传统的基于小波变换的信号稀疏表示及恢复算法相比，该算法较大地提升了对信号及图像的恢复质量。

基于图的冗余小波变换在压缩感知MRI图像重建中的应用

英文版的是国外讲解小波变换的经典教材，中文版是翻译版

contourlet变换和反变换，可选择不同的拉布拉斯滤波器，方向滤波器，设置方向分解数目

示例：两层分解重构 load woman; [c,s]=wavedec2(X,2,'sym4'); a0=waverec2(c,s,'sym4'); subplot(1,2,1); imshow(X,[]); Title('Original Image'); subplot(1,2,2); imshow(a0,[]); Title('Image using idwt2');

文章是描述二维提升小波变换的图像融合，何伟。将图像进行提升小波变换，分别对高低频采用不同的融合方法，得到融合后图像。 并引入信息熵、相关系数和清晰度等性能指 标对融合后的图像进行分析。 实验结果表明，此提升方法在融合图像质量上优于传统小波变换需要的可以下载

使用 DEAP 数据集从脑电图信号进行情绪识别，准确率为 86.4%。应用了多种机器学习模型，并实现了DWT算法等各种信号转换算法。 并对数据进行了归一化、离散小波变换、划分频段、提取频域特征等等处理。