小波变换在语音信号处理中的应用
小波变换在信号处理中的作用
小波变换在信号处理中的作用信号处理是一门研究如何对信号进行采集、分析、处理和解释的学科。
在实际应用中，信号处理广泛应用于通信、图像处理、音频处理等领域。
而小波变换作为一种有效的信号处理方法，在各个领域中发挥着重要的作用。
小波变换是一种数学变换方法，可以将信号分解成不同频率的成分，从而对信号进行分析和处理。
与傅里叶变换相比，小波变换具有更好的时频局部性，能够更准确地描述信号的瞬时特征。
因此，小波变换在信号处理中被广泛应用于时频分析、信号去噪、特征提取等方面。
首先，小波变换在时频分析中起到了重要的作用。
时频分析是对信号在时间和频率上的变化进行分析的方法。
传统的傅里叶变换只能提供信号在频域上的信息，无法提供时间上的信息。
而小波变换通过将信号分解成不同尺度和频率的小波基函数，可以同时提供信号在时间和频率上的信息。
这使得小波变换在分析非平稳信号、瞬态信号等方面具有优势，如地震信号分析、语音信号分析等。
其次，小波变换在信号去噪中也发挥着重要的作用。
在实际应用中，信号通常受到噪声的干扰，这会影响信号的质量和可靠性。
小波变换通过将信号分解成不同频率的小波系数，可以对信号和噪声进行分离。
通过对小波系数的阈值处理或者重构过程中的系数截断，可以实现对信号的去噪操作。
这使得小波变换在语音去噪、图像去噪等方面具有广泛的应用。
此外，小波变换还可以用于信号的特征提取。
在实际应用中，我们常常需要从信号中提取出有用的特征，用于信号分类、识别等任务。
小波变换通过将信号分解成不同频率的小波系数，可以提取出信号在不同频率上的特征。
这些特征可以用于信号的模式识别、故障诊断等方面。
例如，在图像处理中，小波变换可以提取出图像的边缘、纹理等特征，用于图像的分割和识别。
综上所述，小波变换作为一种有效的信号处理方法，在时频分析、信号去噪、特征提取等方面发挥着重要的作用。
它具有更好的时频局部性，能够更准确地描述信号的瞬时特征。
随着科技的不断发展，小波变换在信号处理领域的应用将会越来越广泛。
gabor小波变换的python -回复
gabor小波变换的python -回复Gabor小波变换（Gabor Wavelet Transform）是一种在信号处理和图像处理领域中常用的分析工具。
它结合了傅立叶变换和高斯函数，在时频域同时分析信号，具有优秀的时频局部化特性。
在本文中，我们将一步一步地介绍Gabor小波变换的原理、实现和应用。
一、Gabor小波变换的原理Gabor小波变换是基于Gabor小波的分析方法。
Gabor小波是一种时频局部化的基，具有较好的时域和频域分辨能力。
它在时域上由一个高斯窗口和一个复指数的乘积构成，在频域上是对高斯滤波器的傅立叶变换。
这种结构使得Gabor小波能够在时频域同时分析信号，既能够提取信号的瞬时特征，又能够保留信号的频谱特性。
二、Gabor小波变换的实现在Python中实现Gabor小波变换可以使用scipy库中的信号处理模块。
首先，我们需要定义一个高斯窗口和一个复指数，并将它们乘在一起得到Gabor小波。
然后，将Gabor小波应用于待分析的信号上。
最后，通过调整Gabor小波的参数，可以得到不同频率和尺度的时频表示。
具体实现步骤如下：1. 导入所需的库：例如scipy库中的信号处理模块和numpy库。
2. 定义Gabor小波的参数：包括频率、尺度、高斯窗口的宽度等。
3. 生成高斯窗口函数：使用numpy库中的函数生成高斯窗口。
4. 生成复指数函数：利用numpy库中的函数生成复指数函数。
5. 构造Gabor小波：将高斯窗口函数和复指数函数相乘得到Gabor小波。
6. 对信号进行分析：使用scipy库中的信号处理模块的函数将Gabor小波应用于待分析的信号上。
7. 可视化结果：通过绘制时频图或频谱图等方式，对Gabor小波变换的结果进行可视化。
三、Gabor小波变换的应用Gabor小波变换在图像处理中有广泛的应用，主要包括纹理分析、图像压缩和图像增强等方面。
例如，在纹理分析中，通过对图像进行Gabor 小波变换，可以提取出图像中的纹理特征，在纹理分类和检测任务中发挥重要作用。
青岛大学小波变换论文
关键词：小波变换语音处理 引言：
2011 年，苹果的语音识别技术风靡全球，语音识别技术也进入了普通大众的视线。中国在这方面以科 大讯飞为首，首先进入面向用户的阶段。学过信号系统的我们，不妨想一想如何对信号进行处理和识别？ 大家可能会想到傅里叶变换。但是在利用傅立叶变换分析信号时，存在着某些缺陷。比如，傅里叶总是假 定信号为周期性信号，将待分析信号分解成周期性的正弦信号，然后根据分解得到正弦信号得到待分析信 号的频率信息和相位信息，为了分析信号的局部特征，发展了短时傅立叶变换，但是在利用短时傅立叶变 换分析信号时，由于在时频平面的不同位置处分析单元的形状保持不变，既不具有分析频率降低时视野自 动放宽的特点，也不具有频率特性品质因数恒定的特点而。小波变换就可以很好的解决这些问题。那么什 么是小波变换呢？
语音通信过程不可避免地会受到各种噪声的干扰，噪声降低了语音的信噪比和可懂度。小波变换具有 多尺度的特性，可以由粗及细的逐步观察信号。语音信号去噪和增强的目的就是从带噪语音信号中去掉语 音信号中所含有噪音成分从而得到比较纯净语音信号。首先对带噪语音信号进行小波变换，得到各尺度的 小波系数。然后对得到小波系数进行噪声估计。进行噪声估计的方法比较多，可以针对每一层分解得到的 小波系数进行噪声估计，也可以只是对近似部分的系数进行估计，还可以针对所有得到的系数进行估计。 阈值的选取方法可以是“硬阈值” ，也可以是“软阈值”所谓的“硬阈值”就是对根据得到阈值α ，把绝对 值小于α 小波系数置为 0，而其他的系数不变。 “软阈值”是用小波系数的绝对值，减去α ，对于小于α 的 小波系数置为 0。 “硬阈值”处理的计算公式为： d‘= d，if|d| > α 0，if|d| < α sgn(d)||d| − α |，if|d| > α 0，if|d| < α
小波变换在信号处理中的应用
小波变换在信号处理中的应用第一章：引言小波变换是现代数学中的一个重要分支，如今已经广泛应用于信号处理、图像处理、模式识别、生物医学等领域。
小波分析有许多优点，如它提供了比其他技术更好的时间-频率分辨能力、更好的非平稳多分辨分析能力等等。
在本文中，我们将重点探讨小波变换在信号处理中的应用。
第二章：小波变换的基本原理小波变换是一种信号分解技术，它采用一种具有局部性的基函数来分解信号。
该基函数不能仅由数学公式来描述，但它们具有一些非常有趣的性质，包括：1. 局部化：小波函数在时域和频域上都是局部的。
2. 有限性：小波函数是有限长度的。
3. 可伸缩性：小波函数可以通过缩放和平移来描述多个不同频率的变化。
在小波变换中，信号被分解成多个不同频率的信号，这些信号是通过一组基本的小波函数来构建的。
这些小波函数通常是由缩放和平移来完成的。
第三章：小波变换在信号处理中的应用小波变换在信号处理中有很多应用，包括：1. 数据压缩小波变换可以用来压缩数据。
通过将信号分解成多个不同频率的信号，使用小波系数来描述频率的变化，可以在不丢失信号中重要信息的情况下将数据压缩。
2. 信号去噪小波变换可以用于信号去噪。
信号通常被受到各种噪声的干扰，使得信号难以分析。
小波分析可以分解出不同频率的信号，从而可以去除由噪声引起的低频干扰。
3. 信号识别小波变换可以用于信号识别。
通过对信号进行小波分析，可以找到不同频率、尺度下的信号特征，从而识别信号类型。
4. 滤波器设计小波分析可以用于滤波器设计。
通过对小波系数进行滤波，可以选择不同的滤波器来对信号进行处理，从而获得不同的频率响应和滤波特性。
第四章：小波变换在数字信号处理中的应用小波变换在数字信号处理中的应用非常广泛，包括：1. 语音处理小波变换可以用于语音处理。
通过将信号分解成不同频率、尺度下的信号，可以提取语音信号中的不同特征，从而进行语音识别、语音合成等操作。
2. 视频处理小波变换也可以用于视频处理。
小波变换的应用原理
小波变换的应用原理1. 介绍小波变换小波变换是一种时频分析的工具，可以用于信号处理、图像处理、数据压缩等领域。
它将原始信号分解为一系列不同频率的子信号，从而可以对信号的时间和频率特征进行更加详细的分析。
小波变换采用基函数（或称小波函数）与原始信号进行卷积运算得到分解系数，通过调整基函数的尺度和位置，在不同时间和尺度上进行分解和重构。
2. 小波变换的应用小波变换在许多领域中都有广泛的应用，以下是一些常见的应用领域：2.1 信号处理小波变换可用于信号的去噪、特征提取和模式识别等任务。
通过对信号进行小波分解，可以将信号分解为低频和高频部分，使得对于不同频率的成分可以更好地处理。
在信号处理中，小波变换常用于语音信号处理、地震信号处理等领域。
2.2 图像处理小波变换在图像处理中的应用十分广泛。
通过将图像进行小波分解，可以将图像分解为不同尺度和频率的子图像。
这种分解可以用于图像的压缩、去噪、边缘检测等任务。
小波变换在图像压缩标准中被广泛应用，比如JPEG2000标准就采用了小波变换来实现图像的高效压缩。
2.3 数据压缩小波变换可以将信号或数据分解为不同尺度和频率的子信号或子数据。
通过丢弃一些高频细节信息，可以实现数据的压缩。
基于小波变换的数据压缩算法，如小波编码、小波包编码等，在各种数据压缩领域得到了广泛应用。
2.4 数字水印小波变换可以用于数字图像和视频的水印嵌入和提取。
通过在图像或视频的小波域中嵌入水印信息，可以实现对图像和视频的版权保护和认证。
小波变换提供了一种鲁棒且隐蔽的方式，使得水印不容易被恶意攻击者检测和修改。
2.5 模式识别小波变换在模式识别中的应用也非常广泛。
通过对模式信号进行小波分解，可以提取出不同尺度和频率的特征，从而实现对模式的鉴别和分类。
小波变换在人脸识别、指纹识别、语音识别等领域都有应用。
3. 小波变换的原理小波变换的原理可以简要总结为以下几点：•小波变换采用基函数（或称小波函数）与原始信号进行卷积运算得到分解系数。
小波变换及其应用
小波变换及其应用
小波变换是一种多尺度分析的信号处理技术，可以将信号分解为不同
频率和时间尺度的小波分量，从而提供了更全面的信息，具有很广泛的应用。
以下为小波变换的主要应用：
1.信号压缩：小波变换具有如同离散余弦变换（DCT）、小波重构等
变换可压缩性，可以通过选取一定的小波基，剔除高频噪声等方法将信号
压缩到较小的尺寸。
2.信号去噪：小波变换能够将信号分解为多个尺度和频段的小波系数，因而，小波变换可以应用于信号去噪。
在小波域中对噪声尺度和频段进行
分析和滤波，可有效地去除噪声，使信号更加真实。
3.图像处理：小波变换可以将图像分为低频和高频两个部分，分别表
示图像中大面积变化和微小变化的部分。
图像压缩往往采用这种特性进行
处理。
4.音频处理：小波变换也是音频处理领域中广泛应用的技术。
对语音
信号进行小波分析，可以提取其频率、语气、声调信息等，为音频处理提
供更多信息。
5.金融数据分析：小波变换也被广泛应用于金融领域中，用于对金融
数据进行分析和预测。
通过小波分解，可以提取出不同的时间尺度和频率
对应的信息，进一步了解金融市场的趋势和波动情况。
总之，小波变换在信号处理、图像处理、音频处理、金融领域等方面
都具有广泛的应用。
基于小波变换的语音信号去噪技术研究
基于小波变换的语音信号去噪技术研究语音信号作为一种重要的信息载体，在日常生活和工业生产中广泛应用。
随着社会的不断发展和科技的不断进步，对语音信号的要求也越来越高。
但是，在实际应用中，语音信号往往受到各种噪声的干扰，严重影响了信号质量和准确性。
因此，去除语音信号中的噪声，成为了语音处理领域中一个重要的研究方向。
小波变换是一种非常有效的信号分析工具，广泛应用于图像处理、信号处理等领域。
在语音信号去噪方面，小波变换也被用来分析和处理语音信号。
本文将介绍基于小波变换的语音信号去噪技术的研究进展以及相关问题。
一、小波变换小波变换是一种多尺度分析工具，通过将信号分解成不同尺度的子信号，可以对信号进行深入分析和处理。
小波变换的本质是将信号转换到小波域，从而更好地分析和处理信号。
小波变换可以分为离散小波变换和连续小波变换两种。
离散小波变换是将信号离散化后进行变换，适用于数字信号处理。
而连续小波变换是将信号在连续时间域上进行变换，适用于模拟信号处理。
二、语音信号去噪技术传统的语音信号去噪技术有很多，比如基于差分算法的去噪技术、基于局部统计量的去噪技术、基于频域滤波的去噪技术等。
这些方法具有一定的效果，但是在某些情况下效果并不理想，比如噪声比较强、语音信号频率较低等情况下。
基于小波变换的语音信号去噪技术是一种新兴的技术，具有很好的效果。
该技术通过将语音信号分解到小波域中，利用小波系数之间的相关性处理噪声，然后将处理后的信号反变换回到时域中。
三、基于小波变换的语音信号去噪技术的研究在基于小波变换的语音信号去噪技术方面，目前研究较多的是基于软阈值方法的去噪技术和基于最小均方误差方法的去噪技术。
1. 基于软阈值方法的去噪技术基于软阈值方法的去噪技术是一种比较简单的处理方法，其基本思想是对小波系数进行处理，将小于一定阈值的系数置为零，大于一定阈值的系数保持不变。
这种方法可以有效地去除高频噪声，但对于内部噪声的处理效果较差。
小波分析在语音信号处理中的应用
小波分析在语音信号处理中的应用摘要：本文介绍了小波变换及小波变换在语音信号处理中的应用，效果显著。
这里主要介绍运用小波变换对语音信号的压缩和增强，给出了仿真结果并进行了分析。
关键词：小波去噪压缩基因检测中图分类号：p631 文献标识码：a 文章编号：1007-9416(2012)02-0158-021、引言小波分析是在傅里叶基础上发展起来的一个有效的调和分析工具，傅里叶分析作为最早的调和分析工具，在信号频谱分析中有着非常重要的作用，是调和分析发展的一个重要分支。
但是在当需要对信号的某一时间点，或某一时间段的频率成分进行分析时，传统的傅里叶变换就显得无能为力了，所以在他得基础上发展了短时傅里叶变换，gabor变换，以致到后来具有革命性意义的小波变换。
小波变换是采用面积固定不变但形状不断变化的分析窗口对信号进行变换，其多分辨分析的特点，很适合于分析非平稳信号。
语音信号是一个典型的非平稳信号，目前，小波变换已经成功运用于语音信号处理。
2、小波变换连续小波变换把一维信号投影到二维的时间一尺度相平面上，其基本思想是用一组函数去表示或逼近一信号或函数，这一组函数称为小波函数系，通过一基本小波的平移和伸缩构成小波变换的定义如下：设 x(t)是平方可积函数，记作x(t)∈l2(r)，ψ(t)是被称作基本小波或母小波(motherwavelet)的函数则称为x(t)的小波变换。
式中a>0是尺度因子，b反应位移，*表示共轭。
因为一维信号x(t)作小波变换成为二维的wtx(a,b)后其信息是有冗余的，因此在工程应用中常见的是离散的小波变换。
目前通行的办法是对尺度幂级数作离散化，可将尺度因子a和移位因子b离散化。
若对尺度因子a按二进的方式离散化，就得到了二进小波和二进小波变换。
3、语音信号的小波增强对信号进行消噪实际上是抑制信号中的无用部分，增强信号中的有用部分的过程。
小波去噪的方法有很多种，概括起来主要有屏蔽去噪法值法、阈值去噪法、模极大值检测去噪法等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
小波变换在语音信号处理中的应用XXX(江苏科技大学江苏镇江 212003)摘要：利用小波的多分辨分析，以及其良好的空间域和频率域局部化特点，针对语音信号特征，选取适当的小波算法进行去噪和增强语音，压缩编码，提取语音信号特征等处理。
通过MATLAB仿真分析，得到增强后的信号图和压缩后的压缩比参数、能量保留参数、零系数比例，提取语音信号的特征。
结果表明，基于小波变换的与语音信号处理表现出良好的特性。
关键词：语音信号处理;小波变换; 去噪; 增强; 压缩编码;特征提取中图分类号:TB115文献标识码:AWavelet Transformation Application in Speed SignalProcessingXXX(Jiangsu University of science and technology, Zhenjiang 212003, Jiangsu, China)Abstract:By the time-frequency analytic feature of wavelet transformation, the appropriate wavelet functions are selected to strengthen, to code, to compress and to extract signal features of speech according to the characteristics of the speech signals. Simulated by MATLAB, the strengthened signals, the compression ratio parameter, the energy reservation parameter, the zero coefficient parameter and the speech signal features were obtained. The results show that the speech signal processing based on wavelet transformation exhibits good characteristics.Keywords: Speech Signal Processing; Wavelet Transformation; Strengthening; De-noising; Feature extraction; Condensation encode1 引言小波分析是近十几年发展起来的一种新的时频分析方法，它是泛函数、Fourier分析、调和分析、数字分析的最完美的结晶；在应用领域，特别是在信号处理、图像处理、语音处理以及众多的非线性可续领域，它被认为是继Fourier分析之后的又一有效的时频分析方法。
小波变换是传统傅里叶变换的集成和发展。
由于小波的多分辨分析具有良好的空间域和频率域局部化特性，针对聚焦到分析对象的任意细节，因此，特别适合于信号非平稳信源的处理，并已成为一种信息处理的新手段。
目前，小波分析已成功应用于语音信号处理。
2 小波理论2.1 连续小波变换设)(t ψ为一平方可积函数，即)()(2R L t ∈ψ，若其傅里叶变换)(t ψ满足条件： ∞<ψ=⎰ψdw w C R2w)(则称)(t ψ为一基本小波或小波母函数，称上式为小波函数的容许条件。
将任意)(2R L 空间中的函数)(t f 在小波基下展开，函数)(t f 连续小波变换（continue wavelet transform ，简称CWT ）表达式为：dt a t t f at t f a WT n R a f )()(1)(),(),(,τττ-ψ>=ψ=<⎰ (1) 其重构公式（逆变换）为：dadb abt b a W C t f f)(),(1)(-ψ=⎰⎰∞+∞-∞+∞-ψ(2) 2.2 离散小波变换为了减小小波变换系数冗余度，将小波基函数)(1)(,at at a ττ-ψ=ψ的τ,a 限定在一些离散点上的取值。
在离散小波变换中，待分析信号)(t f 和分析小波)(00,t k a τψ中的时间变换t 并没有被离散化，只是离散τ,a 栅格下的小波变换。
2.2．1 尺度离散化对尺度进行幂数级离散化即取),0(00Z m a a a m∈>=，此时对应的小波函数是：()][020τψ---t a a jjj=0,1,2,··· （3） 2.2．2 位移离散化对τ进行均匀离散取值，以覆盖整个时间轴。
在尺度j 下由于)(0t a j-ψ的宽度是)(t ψ的j a -0倍，采样间隔可以扩大j a -0，但信息也不会丢失。
这样，)(,t a τψ就改为()()][[0020000τψτψK t a a ka t a j jj-=---- (4) 记为)(00,t k a τψ。
离散小波变换定义为：dt t k t f k a WTf nj a )(,)(),(0000ττψ=⎰j=0,1,2,···，)Z k ∈ (5) 其重构公式为：)()(,,t c c t f k j k j ψ=∑∑+∞∞-+∞∞- (6)其中，c 是一个与信号无关的常数。
2.3 多分辨分析定义函数：Z k j K t j j kj ∈⎪⎪⎭⎫ ⎝⎛-=--,2222,ϕψ (7) 则函数系><∈Z k k j t |)(,ϕ为规范正交。
三层多分辨率分析树结构如图1所示。
设j V 代表图中的低频部分j A ；j W 代表分解中的高频部分j D ，则j W 是j V 和1+j V 中的正交补，即：m j j j j j V W W W V +++=⊕⊕⊕⊕m 1 (8)则多分辨率的子空间0V 可以用有限子空间来逼近。
即有221-N N 122110······W W W V W W V W V V ⊕⊕⊕⊕==⊕⊕=⊕= (8)图1三层多分辨率分析树结构图分解的最总目的是构造一个在频率上高度逼近)(2R L 空间的正交小波基，频率分辨率不同正交小波基相当于带宽各异的带通滤波器。
从图1可以看出，多分辨率只对低频弓箭进行进一步分解。
频率分辨率变得越来越高。
2 小波变换在语音增强中的应用在语音的产生、处理和传输过程中，不可避免地会受到环境噪声的干扰，使得语音信号处理系统，如语音编码和语音识别系统的性能大大降低。
为了改善语音质量，提高语音的可信度，人们根据语音和噪声的特点，采取各种语音增强方法抑制背景噪声。
小波去噪的基本原理首先将经过预处理对的含噪信号进行多尺度小波分解，然后在各尺度下尽可能提取信号的小波系数而去除属于噪声的小波系数，最后用逆小波变换重构信息，达到去噪的目的。
小波去噪的方法有很多种，概括起来主要有屏蔽去噪法、阈值去噪法、模极大值检测去噪法等。
下面简单介绍阈值去噪法。
它的思想是利用阈值对经过变换后的较低尺度上的小波系数进行处理，将那些对应于高斯噪声的小波系数置0，而保留那修对应于信号的小波系数，再由处理后的小波系数重构原信号，获得对有效信号的最优估计。
阈值化处理的关键问题是选择合适的阈值。
如果阈值太小，去噪后的信号仍然有噪声存在；如果阈值太大，重要的信号特征将被滤掉，引起偏差。
从直观上，对于给定小波系数，噪声越大，阈值就越大。
大多数阈值选择过程是根据本组小波系数的统计特性，计算出一个阈值。
本文后边的MATLAB 中采用db3母小波函数对语音波形进行5层分解，并选用全阈值进行信号去噪增强处理。
3 小波变换在语音压缩编码中的应用语音信号的压缩编码是研究如何降低语音信号编码速率的问题。
数码率低于64Kbit/s 的语音编码方法成为语音压缩编码技术。
语音的压缩编码方法归纳起来可分为三大类：波形编码、参数编码和混合编码。
波形编码比较简单，失真最小，方法简单。
但数码率比较高。
参数编码的编码速率可以很低，但音质较差，其次是复杂度高。
混合编码吸收了波形编码和参数编码的有点，从而在较低的比特率上获得较高的语音质量。
小波变换编码属于变换域编码方式。
变换域编码是将输入信号用时间窗分成短区间数据块，然后进行正交变换，并对比编码系数逐个地进行量化并传送的方法。
它将时域信号变换到时频域中小波分析结合矢量量化编码，可以进一步压缩编码效率，图2为典型编码框图。
图2 典型编码框图目前，较为完善的小波变换宽带音频编码解决方案是采用离散小波变换（Discreet Wavelet Packet Transform）。
其基本特点是采用离散小波包取代传统滤波器组或正交变换基，由心理声学模型计算掩蔽域门限，直接控制自适应小波基的优化和比特分配。
基于小波变换的宽带音频编码器在64kb/s的速率可以达到透明质量，从技术前景来看，它还可以在10kb/s速率上合成音乐信号。
但现行的小波变换的音频压缩编码方案还存在着计算复杂度高和时延长的缺陷一些优秀的音频特性，如高保真度、动态音频范围及丰富的音质都需要高采样率的保证。
同时，在许多互联网和多媒体系统应用中，由于带宽限制，使这种高采样率技术不适用。
现利用小波变换的方法来降低数据的传输比特率。
其处理过程主要有以下四步：（1）小波的选择。
设计高质量的语音编码器时，母小波的选择非常重要，其目标是最小化重构残差以及最大化信噪比。
多次试验表明，针对语音信号的特点，选用母小波函数db5效果较好。
所以，本场地仿真试验选用此函数来实现。
（2）小波分解。
基于小波压缩的思想，用少量的逼近系数以及某些细节参数准确表示原始语音。
分解系数的决定取决于语音i 信号的类型和其它一些参数。
本试验中，对语音信号进行了5层分解，压缩参数取1.5。
（3）系数的裁剪。
对原始语音信号分解后，压缩过程可以通过较小某一阈值小波系数来实现。
这是依据人耳的生理特性和人对声音的心里特征去除人耳朵不能感知的声音成分的原理，进行压缩裁剪。
使用BirgeMassart策略进行语音波形的一维小波阈值计算，即用函数wdcbm进行阈值压缩信号。
此函数可以返回尺幅相关阈值和系数的个数，尺度相关阈值使用基于Birge-Massart策略的小波系数选择规则得到。
（4）系数编码。
最后进行剩下的小波系数编码，有利于传输。
其中，压缩编码后原语音信号的长度比编码后的长。
这种压缩方法是一种有损压缩，但可用最小的数据量来表示音频信号，保持良好的失真度。
4基于小波变换的语音信号特征提取小波分析在信号特征的提取上有很多应用，以语音基频的提取为例说明它的应用。