高斯白噪声代码python

生成高斯白噪声的代码如下：

import numpy as np

def gaussian_white_noise(mu, sigma, length):
    return np.random.normal(mu, sigma, length)

其中，`mu`为高斯分布的均值，`sigma`为高斯分布的标准差，`length`为生成的高斯白噪声的长度。

相关问题

高斯白噪声 python

高斯白噪声是一种随机信号，其幅度符合高斯分布，且在所有频率上都具有相等的能量。在 python 中，可以使用 numpy 库来生成高斯白噪声信号。

以下是一个生成高斯白噪声的示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成高斯白噪声信号
num_samples = 1000  # 采样点数
mean = 0  # 均值
std_dev = 1  # 标准差

white_noise = np.random.normal(mean, std_dev, size=num_samples)

# 绘制高斯白噪声信号
plt.plot(white_noise)
plt.xlabel('Sample')
plt.ylabel('Amplitude')
plt.title('Gaussian White Noise')
plt.show()

在上面的代码中，我们使用 `numpy.random.normal` 函数生成高斯分布的随机数，其中 `mean` 和 `std_dev` 分别为高斯分布的均值和标准差。我们将生成的随机数存储在 `white_noise` 中，并使用 matplotlib 库绘制图形。

运行上面的代码，我们可以得到以下输出结果：


可以看到，生成的信号在时间轴上随机波动，并且其幅度符合高斯分布。

小波变换滤除高斯白噪声代码

以下是使用小波变换滤除高斯白噪声的 Python 代码示例：

import pywt
import numpy as np

# 生成含噪声的信号
x = np.linspace(0, 1, num=1024)
signal = np.sin(20 * np.pi * x) + 0.5 * np.sin(40 * np.pi * x)
noise = np.random.normal(0, 0.2, size=1024)
noisy_signal = signal + noise

# 小波变换
wavelet = 'db4'
level = pywt.dwt_max_level(data_len=len(noisy_signal), filter_len=pywt.Wavelet(wavelet).dec_len)
coeffs = pywt.wavedec(data=noisy_signal, wavelet=wavelet, level=level)

# 阈值处理
sigma = np.median(np.abs(coeffs[-level]))
threshold = sigma * np.sqrt(2 * np.log(len(noisy_signal)))
for i in range(1, len(coeffs)):
    coeffs[i] = pywt.threshold(coeffs[i], threshold)

# 重构信号
filtered_signal = pywt.waverec(coeffs=coeffs, wavelet=wavelet)

# 绘制结果
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 5))
plt.plot(x, signal, label='Original Signal')
plt.plot(x, noisy_signal, label='Noisy Signal')
plt.plot(x, filtered_signal, label='Filtered Signal')
plt.legend()
plt.show()

代码中使用的小波基为 Daubechies 4 阶小波（db4），通过最大可分解层数自动确定分解层数。对每层小波系数进行阈值处理，其中阈值设为 $\sigma\sqrt{2\log n}$，其中 $\sigma$ 为小波系数的中位数。最后通过小波重构得到滤波后的信号，并将结果与原始信号和含噪声信号一起绘制出来，以便观察滤波效果。