几种信号降噪算法（第二部分）

　　基于循环神经网络RNN/LSTM的信号(模拟信号，音频信号，图像信号)降噪方法-初级版
　　利用RNN和LSTM网络以测试不同的噪声信号，例如：具有稳态和非稳态高斯噪声及均匀噪声的一维信号（正弦波、三角波和锯齿波），具有平稳和非平稳高斯噪声及均匀噪声的 2D 曲线（圆形、外摆线）嘈杂的音乐，噪点灰度图像，嘈杂的 3 通道图像
　　基于一维改进高斯-拉普拉斯滤波器的平滑和降噪
　　采用一维改进高斯-拉普拉斯滤波器对一维信号进行平滑和降噪，测试了地震信号，微震信号，发动机气门正常振动信号，发动机进气门故障振动信号，发动机曲轴磨损振动信号等，结果如图所示。
　　基于样条框架的信号降噪方法
　　算法使用样条框架方法对信号进行降噪，同时使用Selesnick小波和Daubechies小波进行对比分析。测试信号为转子振动信号，发动机气门正常振动信号，发动机进气门故障振动信号，发动机排气门故障振动信号，发动机销子活塞故障振动信号，发动机曲轴磨损故障振动信号，结果如下图所示。
　　一种音频降噪优化方法—基于时频正则化重叠群收缩
　　基于经验模态分解和去趋势波动分析的信号降噪方法
　　Python环境下基于最小最大凹面全变分一维信号降噪方法
　　MATLAB环境下简单的稀疏自编码器图像降噪
　　基于小波区间相关（Interval-Dependent）的信号降噪方法
　　算法使用与区间相关（Interval-Dependent）的阈值对信号进行降噪，包括使用最小阈值对全区间进行降噪，使用最大阈值对全区间进行降噪，手动选择3个阈值对3个区间进行降噪等。
　　MATLAB环境下基于深度学习的JPEG图像去块（Image Deblocking）
　　多元小波降噪方法
　　小波分解降噪-python版本
　　算法使用小波多分辨分析对信号进行降噪，降噪算法流程大致如下：
　　（1）去趋势项（如直流电流），并将数据归一化到区[0, 1]；
　　（2）进行多级小波分解；
　　（3）使用步骤 （2）中的细节系数 cD 确定合适的阈值，给出5种不同的方法确定阈值；
　　（4）将简单的软阈值或硬阈值方法应用于细节系数；
　　（5）重建信号。
　　阈值确定方法，更多的细节请查看相关论文，很多
　　1. universal
　　在这种情况下，阈值由公式 MAD x sqrt{2 x log(m)} 给出，其中 MAD 是中值绝对偏差，m 是信号的长度。
　　2. sqtwolog
　　和universal一样，只是不使用MAD。
　　3. energy
　　在这种情况下，阈值算法估计细节系数的能量，并使用它们来估计最佳阈值。
　　4. stein
　　此方法实现了 Stein 的无偏风险估计。
　　5. heurstein
　　这是 Stein 的无偏风险估计的启发式实现。
　　代码评论区