小波包及能量频谱的MATLab算法

一根断条： >> %采样频率 fs=10000; nfft=10240; %定子电流信号 fid=fopen('duantiao.m','r');%故障 N=2048; xdata=fread(fid,N,'int16'); fclose(fid); xdata=(xdata-mean(xdata))/std(xdata,1); %功率谱 figure(1); Y=abs(fft(xdata,nfft)); plot((0:nfft/2-1)/nfft*fs,Y(1:nfft/2)); xlabel('频率 f/Hz'); ylabel('功率谱 P/W'); %3 层小波包分解 T=wpdec(xdata,3,'db4'); %重构低频信号 y1=wprcoef(T,[3,1]); %y1 的波形 figure(2); subplot(2,2,1); plot(1:N,y1); xlabel('时间 t/n'); ylabel('电流 I/A'); %y1 的功率谱 Y1=abs(fft(y1,nfft)); subplot(2,2,2); plot((0:nfft/2-1)/nfft*fs,Y1(1:nfft/2)); xlabel('频率 f/Hz'); ylabel('功率谱 P/W'); 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设 f 是一个能量有限的模拟信号，则其傅立叶变换就表示 f 的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。 这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰。另外我还想说明以下几点： 1、图像经过二维傅立叶变换后，其变换系数矩阵表明： 若变...