写一个一维信号奇异值分解降噪代码 python

以下是一个简单的一维信号奇异值分解降噪的 Python 代码示例：

import numpy as np
from scipy.linalg import svd

def svd_denoise(signal, threshold):
    # 对信号进行奇异值分解
    U, s, V = svd(signal)
    
    # 保留大于阈值的奇异值，并将小于阈值的奇异值置为0
    s[s < threshold] = 0
    
    # 重构信号
    reconstructed_signal = U.dot(np.diag(s)).dot(V)
    
    return reconstructed_signal

在上面的代码中，我们使用了 `scipy.linalg` 库中的 `svd` 函数来对一维信号进行奇异值分解。接着，我们将小于阈值的奇异值置为0，并使用保留的奇异值重构信号。这样就能够实现降噪的效果了。

下面是一个简单的测试代码示例：

import matplotlib.pyplot as plt

# 生成一个含有噪声的正弦波信号
t = np.linspace(0, 1, 100)
signal = np.sin(2 * np.pi * 5 * t) + 0.2 * np.random.randn(100)

# 降噪
denoised_signal = svd_denoise(signal, 0.5)

# 绘制原始信号和降噪后的信号
plt.plot(t, signal, label='Original signal')
plt.plot(t, denoised_signal, label='Denoised signal')
plt.legend()
plt.show()

在上面的测试代码中，我们生成了一个含有噪声的正弦波信号，并使用 `svd_denoise` 函数对其进行了降噪。最后，我们将原始信号和降噪后的信号绘制在了同一个图像中，以便比较它们的差异。