本文还有配套的精品资源，点击获取

简介：本文围绕“db小波去噪后信噪比输出matlab程序”展开，介绍Daubechies小波在信号去噪中的应用。db小波因其良好的时频局部化特性，广泛应用于非平稳信号的噪声抑制。通过MATLAB实现信号的小波分解、阈值处理和重构流程，结合不同阶数db小波（如db2、db3等）进行去噪实验，并计算去噪前后信噪比（SNR），评估去噪效果。程序还生成波形对比图并支持SNR数据导出，便于直观分析与后续统计，为优化小波参数选择提供依据。

Daubechies小波（db小波）由Ingrid Daubechies提出，其核心在于通过有限长度的共轭正交滤波器组实现紧支撑正交小波基。其尺度函数$phi(t)$满足两尺度差分方程：
phi(t) = sum_{k=0}^{N-1} h_k sqrt{2} phi(2t - k)
$$
其中，$h_k$为低通滤波器系数，具有长度$N=2n$（n为db阶数），满足正交条件$sum h_k h_{k-2m} = delta_m$。这些系数通过求解谱因式分解与消失矩条件联合方程获得，确保小波函数具有最大消失矩（vanishing moments），从而有效压缩多项式类信号。

db小波的紧支撑特性使其在局部化分析中表现优异，支持快速离散算法实现。其第$n$阶db小波具有$n$个消失矩，即$int t^k psi(t) dt = 0, , k=0,dots,n-1$，意味着对$k$次多项式响应为零，利于分离信号与噪声。然而，随着阶数增加，正则性提升但对称性丧失加剧——db小波不具备对称性（除db1即Haar小波外），导致多分辨率分解时产生相位偏移和边界振铃效应。

尺度函数$phi(t)$生成逼近空间$V_j$，小波函数$psi(t)$生成细节空间$W_j$，满足$V_j = V_{j-1} oplus W_{j-1}$。二者均由滤波器系数$h_k$和$g_k = (-1)^k h_{N-1-k}$（高通分支）卷积迭代生成。由于非对称性，在信号端点处无法准确匹配边界，需采用对称延拓或周期延拓策略缓解失真。下图展示db4小波函数与尺度函数形态：

% MATLAB代码：绘制db4小波与尺度函数
[phi, psi, x] = wavefun('db4', 8);
subplot(2,1,1); plot(x, phi); title('Scaling Function phi(t) of db4');
subplot(2,1,2); plot(x, psi); title('Wavelet Function psi(t) of db4');

该非对称结构虽增强逼近能力，但也要求在实际去噪中谨慎处理边界问题，尤其在低信噪比环境下易引入伪影。因此，选择合适的db阶数需权衡平滑性、支撑宽度与计算稳定性。

小波分解与多分辨率分析（Multiresolution Analysis, MRA）是现代信号处理中实现高效时频局部化的核心理论框架。它突破了传统傅里叶变换在时间与频率分辨率上的固有矛盾，通过尺度和平移操作构建一组具有层次结构的正交基函数，从而实现对信号从粗到细的逐层逼近。这一机制特别适用于非平稳、突变或瞬态信号的建模与分析，如机械振动、生物医学信号和语音等。其中，db小波因其良好的数学性质被广泛用于实际系统的多分辨率分解任务。本章将系统阐述小波分解的数学基础，深入剖析多分辨率分析的空间嵌套结构，并结合MATLAB平台中的 wavedec 函数展示其工程实现路径。

小波分解的本质是从函数空间的角度出发，利用一系列嵌套的子空间来逐步逼近原始信号。该过程不仅具备严格的数学支撑，而且能够直观地解释为“低频近似 + 高频细节”的分层表达形式。理解其背后的数学逻辑对于掌握去噪、压缩、特征提取等高级应用至关重要。

2.1.1 连续小波变换与离散小波变换的区别

连续小波变换（Continuous Wavelet Transform, CWT）定义为：

W(a,b) = frac{1}{sqrt{|a|}} int_{-infty}^{infty} x(t)psi^*left(frac{t - b}{a}
ight) dt

其中 $ a $ 是尺度参数（scale），$ b $ 是平移参数（translation），$psi(t)$ 是母小波函数。CWT 的优势在于提供高密度的时频采样，适合精细分析信号的瞬态成分，但计算量大且存在严重冗余。

相比之下，离散小波变换（Discrete Wavelet Transform, DWT）通过对尺度和平移进行二进制离散化（即 $ a = 2^j, b = k cdot 2^j $）来降低复杂度：

d(j,k) = langle x(t), psi_{j,k}(t)
angle = int x(t) frac{1}{sqrt{2^j}} psi^*left( frac{t - k2^j}{2^j}
ight) dt

这使得DWT成为可快速实现的实用工具。更重要的是，DWT可在正交或双正交小波基下构造无冗余的信号表示，非常适合数据压缩和去噪。

从上表可以看出，尽管CWT提供了更丰富的可视化能力，但在大多数工程系统中，DWT因其高效性和可逆性而占据主导地位。

% 示例：CWT 与 DWT 的 MATLAB 实现对比
load noisdopp; % 加载含噪信号
x = noisdopp;

% CWT 可视化
figure;
cwt(x, 'amor'); % 使用复Morlet小波
title('连续小波变换时频图');

% DWT 分解（db4，3层）
[coeff, l] = wavedec(x, 3, 'db4');
approx = appcoef(coeff, l, 'db4', 3); % 提取第3层近似系数
details = detcoef(coeff, l); % 提取所有细节系数

figure;
subplot(4,1,1); plot(approx); title('第3层低频近似');
for i = 1:3
    subplot(4,1,i+1);
    plot(details{i});
    title(['第', num2str(4-i), '层高频细节']);
end

代码逻辑逐行解读：

• load noisdopp; ：加载MATLAB内置的噪声多普勒信号作为测试样本。
• cwt(x, 'amor') ：调用连续小波变换函数，以复Morlet小波（’amor’）生成时频热力图，清晰显示不同尺度下的能量分布。
• wavedec(x, 3, 'db4') ：执行三层离散小波分解，返回小波系数向量 coeff 和长度向量 l ，用于后续重构或系数提取。
• appcoef 和 detcoef ：分别提取各层的近似系数（低频）和细节系数（高频），体现MRA的分层特性。
• 子图绘制展示了从原始信号中分离出的不同频带信息，验证了DWT的有效分解能力。

该示例表明，DWT不仅能有效分离信号成分，还具备良好的计算效率，适合嵌入式或批量处理系统。

2.1.2 多分辨率分析框架下的空间分解结构

多分辨率分析由S. Mallat提出，其核心思想是将信号所在的平方可积空间 $ L^2(mathbb{R}) $ 分解为一系列嵌套闭子空间 ${V_j}_{j in mathbb{Z}}$，满足如下五个公理：

1. 嵌套性 ：$ cdots subset V_{-1} subset V_0 subset V_1 subset cdots $
2. 逼近性 ：$overline{bigcup_j V_j} = L^2(mathbb{R}),quad bigcap_j V_j = {0}$
3. 伸缩性 ：$f(t) in V_j iff f(2t) in V_{j+1}$
4. 平移不变性 ：若 $ phi(t) in V_0 $，则 $ phi(t-k) in V_0, forall k in mathbb{Z} $
5. Riesz基存在性 ：存在一个函数 $ phi(t) $（称为尺度函数），使得 $ {phi(t-k)} $ 构成 $ V_0 $ 的Riesz基

在此基础上，定义正交补空间 $ W_j $ 满足：
V_{j+1} = V_j oplus W_j
这意味着每提升一层分辨率，新增的信息由 $ W_j $ 表达，即对应的小波函数展开空间。

由此得到完整的信号分解公式：
L^2(mathbb{R}) = bigoplus_{j in mathbb{Z}} W_j
任意信号 $ x(t) in L^2(mathbb{R}) $ 可表示为：
x(t) = sum_k c_k phi(t-k) + sum_{j=0}^infty sum_k d_{j,k} psi_{j,k}(t)
其中第一项为粗尺度近似，后续为逐层添加的细节信息。

这一空间结构可以用mermaid流程图清晰表达：

graph TD
    A[L²(R)] --> B[V_J ⊕ W_J]
    B --> C[V_{J-1} ⊕ W_{J-1} ⊕ W_J]
    C --> D[V_{J-2} ⊕ W_{J-2} ⊕ W_{J-1} ⊕ W_J]
    D --> E[...]
    E --> F[Approximation Coefficients + Detail Coefficients]

该图揭示了多分辨率分析的递归本质：每一次分解都将当前近似空间进一步拆分为更精细的近似与当前尺度的细节部分。这种金字塔式结构正是Mallat算法得以高效运行的基础。

此外，由于每个 $ W_j $ 由小波函数 $ psi_{j,k}(t) = 2^{-j/2} psi(2^{-j} t - k) $ 张成，因此细节系数 $ d_{j,k} $ 直接反映了信号在特定尺度 $ j $ 和位置 $ k $ 上的局部奇异性或突变特征。例如，在心电信号R波附近，高频细节系数会出现显著峰值；而在平稳段则趋近于零——这一特性正是小波去噪的关键依据。

2.1.3 正交小波基与Mallat快速算法

为了使DWT具备计算可行性，必须引入正交小波基与快速实现算法。Mallat提出的塔式分解算法（也称快速小波变换，FWT）正是基于滤波器组理论实现的高效递归结构。

设低通滤波器 $ h[n] $ 和高通滤波器 $ g[n] $ 分别对应尺度函数和小波函数的离散滤波器系数（即db小波的滤波器系数）。则第 $ j $ 层的近似系数 $ A_j $ 和细节系数 $ D_j $ 可通过卷积与下采样获得：

A_j[k] = sum_n A_{j-1}[n] h[2k - n],quad
D_j[k] = sum_n A_{j-1}[n] g[2k - n]

此过程可通过下图所示的两通道滤波器组实现：

graph LR
    X[原始信号 A₀] --> LP[低通滤波 h[n]]
    X --> HP[高通滤波 g[n]]
    LP --> DS[下采样 ↓2] --> A₁[近似系数 A₁]
    HP --> DS2[下采样 ↓2] --> D₁[细节系数 D₁]
    A₁ --> LP2[低通滤波 h[n]]
    A₁ --> HP2[高通滤波 g[n]]
    LP2 --> DS3 --> A₂
    HP2 --> DS4 --> D₂
    style LP fill:#e0f7fa,stroke:#006064
    style HP fill:#ffe0b2,stroke:#bf360c

上述结构可以递归执行 $ J $ 层，形成完整的多分辨率分解树。MATLAB中 wavedec 函数正是基于此原理设计，内部自动调用预存的db小波滤波器系数完成分解。

以下是一个手动模拟两层Mallat分解的MATLAB代码片段：

% 手动实现两层小波分解（以db4为例）
load noisdopp;
x = noisdopp(1:512); % 截取长度为2的幂次便于处理

[Lo_D, Hi_D] = wfilters('db4', 'd'); % 获取db4的分解滤波器

% 第一层分解
A1 = conv(x, Lo_D, 'same');
D1 = conv(x, Hi_D, 'same');
A1 = A1(1:2:end); % 下采样
D1 = D1(1:2:end);

% 第二层分解（仅对A1继续分解）
A2 = conv(A1, Lo_D, 'same');
D2 = conv(A1, Hi_D, 'same');
A2 = A2(1:2:end);
D2 = D2(1:2:end);

% 输出结果比较
[coeff, ~] = wavedec(x, 2, 'db4');
reconstructed_A2 = appcoef(coeff, [], 'db4', 2);
max(abs(A2 - reconstructed_A2)) % 应接近机器精度

参数说明与逻辑分析：

• wfilters('db4','d') ：获取db4小波的分解低通（Lo_D）和高通（Hi_D）滤波器系数，长度为8。
• conv(..., 'same') ：保持输出长度一致，避免边界截断误差。
• 每次卷积后执行 1:2:end 实现降采样，符合Mallat算法要求。
• 最终与 wavedec 结果对比，验证手工实现的正确性。

该实验表明，只要准确获取滤波器系数并遵循卷积+下采样的规则，即可重现标准DWT结果。这也说明，小波变换本质上是一种特殊的滤波器组系统，兼具时频聚焦能力和线性相位保持特性（尤其对于对称性较好的小波如symlets）。

综上所述，小波分解的数学模型建立在坚实的泛函分析与数字信号处理基础之上。从CWT到DWT的演进解决了实用性问题，而MRA理论则为其提供了统一的结构框架。Mallat算法的出现更是使得小波技术走向大规模工程应用成为可能。

db小波作为Daubechies构造的一类紧支撑正交小波，凭借其最大消失矩特性，在多分辨率分析中展现出优异的逼近性能。然而，其实现效果高度依赖于分解层数选择、边界处理策略以及对系数物理意义的理解。深入掌握这些机制有助于优化去噪、压缩等下游任务的性能表现。

2.2.1 分解层数的选择准则与频率分辨率关系

分解层数 $ J $ 的选择直接影响频带划分粒度和去噪效果。理论上，对于长度为 $ N $ 的信号，最大分解层数受限于 $ J_{max} = lfloor log_2 N
floor $。超过此值会导致某一层系数长度小于1，失去物理意义。

更重要的是，每一层分解对应不同的频率区间。假设采样频率为 $ f_s $，则第 $ j $ 层的近似系数代表频带 $ [0, f_s / 2^{j+1}] $，而第 $ j $ 层细节系数对应 $ [f_s / 2^{j+1}, f_s / 2^j] $。

例如，当 $ f_s = 1000 ext{Hz} $ 时，三层分解的频带划分如下：

可见，随着层数增加，频率分辨率提高，但时间分辨率下降。因此，选择 $ J $ 应权衡以下因素：

• 信号主导频率范围 ：若主要能量集中在低频（如ECG QRS波群约10–25Hz），应确保最后一层近似能覆盖该区域；
• 噪声分布特性 ：白噪声均匀分布在所有频带，需足够层数将其分散至多个细节子带以便阈值处理；
• 边缘效应影响 ：层数越多，边界失真越严重，尤其在非周期延拓情况下；
• 计算开销 ：虽DWT为线性复杂度，但多层仍带来额外存储与运算负担。

推荐经验法则：
J = minleft( leftlfloor log_2 N
ight
floor, leftlfloor log_2 frac{f_s}{f_{min}}
ight
floor
ight)
其中 $ f_{min} $ 为感兴趣最低频率。

2.2.2 高频细节系数与低频近似系数的物理意义

在MRA框架下，低频近似系数 $ A_j $ 代表信号的“趋势”或“轮廓”，相当于经过低通滤波后的平滑版本；而高频细节系数 $ D_j $ 则捕捉局部波动、跳变或噪声成分。

具体而言：

• $ D_1 $：反映最高频细节，常包含测量噪声、采样抖动或尖峰干扰；
• $ D_2, D_3 $：可能对应信号中的瞬态事件，如冲击、脉冲或边缘；
• $ A_J $：最终低频残差，理想情况下应保留信号的主要形态特征。

因此，在去噪过程中，通常对各层细节系数施加阈值处理，而保留近似系数不变。重构时再将修正后的细节与原始近似合并，达到保形去噪的目的。

下面通过一个合成信号示例说明：

% 构造含突变的信号并观察系数分布
t = linspace(0, 1, 512);
x = sin(2*pi*5*t) + 0.5*(t > 0.4 & t < 0.6) + 0.1*randn(size(t)); % 正弦+方波+噪声

[coeff, l] = wavedec(x, 4, 'db4');
A4 = appcoef(coeff, l, 'db4', 4);
D1 = detcoef(coeff, l, 1);
D2 = detcoef(coeff, l, 2);
D3 = detcoef(coeff, l, 3);
D4 = detcoef(coeff, l, 4);

figure;
subplot(5,1,1); plot(A4); title('A4: 趋势项（~0-3.9Hz）');
for i = 1:4
    subplot(5,1,i+1);
    plot(eval(['D' num2str(5-i)]));
    title(['D' num2str(5-i) ': 细节，频带 ' num2str(2^(4-i)*3.9) '-' num2str(2^(5-i)*3.9) ' Hz']);
end

结果显示，方波边缘的能量主要集中在 $ D_3 $ 和 $ D_2 $ 中，而噪声则遍布所有细节层。这提示我们可以采用分层阈值策略：对高层细节（如 $ D_1 $）强抑制，对中层（$ D_2,D_3 $）适度处理，以保护真实突变。

2.2.3 边界延拓方式对分解结果的影响比较

由于卷积操作需要信号在边界外有定义，DWT通常采用延拓（extension）策略处理边缘。常见的包括：

可通过设置 dwtmode 命令控制模式：

dwtmode('sym'); % 设置为对称延拓
[coeff_sym, l] = wavedec(x, 3, 'db4');

dwtmode('zpd'); % 零延拓
[coeff_zpd, l] = wavedec(x, 3, 'db4');

% 比较首尾系数差异
fprintf('Symmetric vs Zero-padding difference at boundaries: %.2e
',...
    max(abs(coeff_sym - coeff_zpd)));

一般建议使用 sym 模式，因其在多数情况下能较好抑制边界伪影。但对于具有明显趋势或非对称边缘的信号，可尝试 sp0 （一阶平滑）或定制延拓策略。

wavedec 是Wavelet Toolbox中最关键的多分辨率分析函数之一，支持多种小波类型和灵活配置。熟练掌握其输入输出结构及配套工具链，是构建自动化去噪系统的基础。

2.3.1 输入参数设置与输出结构解析

函数原型为：

[coeff, l] = wavedec(x, n, wname)

• x ：输入信号，行或列向量；
• n ：分解层数（正整数）；
• wname ：小波名称字符串，如’db4’、’coif3’等；
• coeff ：所有系数拼接成的行向量，排列顺序为 $ [A_n, D_n, D_{n-1}, …, D_1] $；
• l ：长度向量，记录每段系数的长度，用于 appcoef 、 detcoef 等函数定位。

举例说明结构：

x = randn(1, 256);
[coeff, l] = wavedec(x, 3, 'db4');

fprintf('Total coefficient length: %d
', length(coeff));
fprintf('Length vector l = [%s]
', mat2str(l));

% 解析各段起始索引
start_idx = cumsum([0, l]);
A3_range = start_idx(1)+1 : start_idx(2);
D3_range = start_idx(2)+1 : start_idx(3);
D2_range = start_idx(3)+1 : start_idx(4);
D1_range = start_idx(4)+1 : start_idx(5);

fprintf('A3: indices %d-%d
', A3_range(1), A3_range(end));

了解此结构后，便可自由提取任意层级系数进行独立处理。

2.3.2 多层分解系数提取与存储策略

实际项目中常需将系数按层组织为结构体以便管理：

function coef_struct = extract_coefficients(coeff, l, n)
    start = cumsum([0, l]);
    coef_struct.approx = coeff(start(n)+1:start(n+1)); % An
    for j = 1:n
        idx = n-j+2;
        coef_struct.("detail_" + j) = coeff(start(idx)+1:start(idx+1));
    end
end

% 调用示例
coef_struct = extract_coefficients(coeff, l, 3);

此类封装提高了代码可读性与模块化程度，便于集成至大型程序。

2.3.3 实际信号的逐层分解可视化演示

最后，整合前述知识完成完整可视化流程：

load noisdopp;
x = noisdopp(1:512);
[coeff, l] = wavedec(x, 4, 'db4');

figure('Position', [100, 100, 800, 600]);
subplot(5,1,1); plot(x); title('Original Signal'); ylabel('Amplitude')

for j = 1:4
    dj = detcoef(coeff, l, j);
    aj_plus = appcoef(coeff, l, 'db4', j);
    % 上采样以对齐时间轴
    upsample_factor = 2^(j-1);
    tj = resample(dj, upsample_factor, 1);
    ta = resample(aj_plus, upsample_factor, 1);
    subplot(5,1,j+1);
    hold on;
    plot(tj, 'Color', [0.8,0,0], 'LineWidth',1); % 细节
    plot(ta, 'Color',[0,0,0.8], 'LineWidth',1.5); % 近似
    legend('Detail','Approximation','Location','best');
    title(['Level ' num2str(j) ' Decomposition']);
    ylabel('Coefficients');
    hold off;
end

该图动态展示了信号如何被层层剥离，揭示了小波分解的“剥洋葱”式分析哲学。每一层都呈现出越来越简洁的趋势与日益稀疏的细节，为后续智能阈值处理提供了直观依据。

小波阈值去噪作为非线性滤波的重要手段，已在信号处理领域展现出卓越的性能。其核心思想是利用小波变换将含噪信号映射到小波域，在该域中噪声能量通常分散于大量幅值较小的系数中，而有用信号的能量则集中于少数显著的小波系数上。通过合理设定阈值函数和阈值大小，可有效抑制噪声分量，同时尽可能保留原始信号的关键特征。本章聚焦于小波阈值去噪的理论机制与工程实现，深入探讨硬阈值与软阈值方法的数学本质、性能差异及其适用场景，并系统分析不同阶数的Daubechies（db）小波在去噪过程中的表现特性。特别地，针对实际应用中如何选择最优小波基与分解层数的问题，提出基于仿真信号与信噪比增益评估的量化实验方案，为构建高效去噪系统提供参数优化依据。

小波阈值去噪的成功依赖于小波变换对信号奇异性和局部结构的良好刻画能力。在多分辨率分析框架下，信号被逐层分解为低频近似部分和高频细节部分，其中高频子带往往包含了噪声的主要成分。由于真实信号通常具有光滑或分段光滑的性质，其在小波域中的表示稀疏性强，即仅存在少量大系数；而高斯白噪声经小波变换后，各尺度上的小波系数仍保持独立同分布特性，且幅度服从零均值正态分布。这一统计特性的差异构成了阈值去噪的理论前提。

3.1.1 噪声在小波域的分布特性分析

当一个含有加性高斯白噪声的信号 $ y(t) = x(t) + n(t) $ 经过正交小波变换后，其小波系数可表示为：
d_j(k) = w_j^x(k) + w_j^n(k)
其中 $ d_j(k) $ 是第 $ j $ 层第 $ k $ 个高频小波系数，$ w_j^x(k) $ 表示纯净信号对应的小波系数，$ w_j^n(k) $ 为噪声引入的小波系数。研究表明，在正交小波基下，若噪声 $ n(t) sim mathcal{N}(0, sigma^2) $，则每一层的小波系数也近似服从 $ mathcal{N}(0, sigma_j^2) $，且方差随尺度增加呈指数衰减。

更重要的是，小波变换具有“去相关性”（decorrelation）能力，即使原始噪声在时域完全相关，其在小波域中也会趋于不相关甚至接近独立。这使得我们可以采用逐系数处理策略进行去噪，极大简化了计算复杂度。

为了估计噪声标准差 $ sigma $，常用的方法是基于第一层高频系数（HH1）使用以下公式：

hat{sigma} = frac{ ext{median}(|d_1(k)|)}{0.6745}

该公式源于Huber等人的鲁棒统计研究，适用于大多数平稳噪声环境。下面通过MATLAB代码演示这一估计过程：

% 假设 noisy_signal 是含噪信号
[C, L] = wavedec(noisy_signal, 5, 'db4'); % 分解至第5层
d1 = detcoef(C, L, 1); % 提取第1层细节系数
sigma_hat = median(abs(d1)) / 0.6745;
disp(['估计噪声标准差: ', num2str(sigma_hat)]);

逻辑分析与参数说明：

• wavedec 函数执行离散小波分解，输入为信号向量、分解层数和小波名称；
• detcoef 提取指定层次的细节系数，此处获取第1层（最高频带），最易反映噪声强度；
• 中位数除以0.6745 是基于拉普拉斯分布假设下的鲁棒标准差估计器，能有效抵抗异常值干扰；
• 此估计值将用于后续 VisuShrink 和 SureShrink 阈值计算。

此表揭示了不同分解层级中小波系数的物理意义与处理策略差异，为后续阈值设计提供指导。

graph TD
    A[原始含噪信号] --> B[小波分解]
    B --> C[各层小波系数]
    C --> D[噪声主要集中在高层高频系数]
    D --> E[设定阈值函数]
    E --> F[阈值收缩处理]
    F --> G[小波重构]
    G --> H[去噪后信号]

上述流程图清晰展示了小波阈值去噪的整体流程，强调了从小波域返回时域的关键路径。

3.1.2 阈值选择的经典准则：VisuShrink与SureShrink

阈值的选择直接决定去噪效果的质量。若阈值过大，则可能误删重要信号成分，造成边缘模糊；若过小，则残留噪声明显。两种经典方法——VisuShrink 和 SureShrink——分别从保守性和自适应性角度提出了解决方案。

VisuShrink 由Donoho提出，采用统一阈值：
T_{ ext{Visu}} = sigma sqrt{2 log N}
其中 $ N $ 为信号长度，$ sigma $ 为噪声标准差估计值。该阈值确保在最坏情况下仍能实现渐近最优收敛率，但往往过于保守，导致过度平滑。

SureShrink 则基于Stein无偏风险估计（SURE, Stein’s Unbiased Risk Estimate），在每个分解层上独立计算最小化期望误差的阈值。对于第 $ j $ 层，定义SURE风险函数为：
ext{SURE} j(T) = N_j - 2 cdot #{i : |d_j(i)| > T} + sum {i=1}^{N_j} min(d_j(i)^2, T^2)
然后寻找使 $ ext{SURE}_j(T) $ 最小的 $ T $ 作为该层的最佳阈值。

function T_sure = sure_threshold(coeffs)
    sorted_coeffs = sort(abs(coeffs(:)), 'descend');
    n = length(sorted_coeffs);
    sqr = cumsum(sorted_coeffs.^2);
    risk = n - 2*(1:n) + [0; sqr(1:end-1)] + (n-(1:n)).*sorted_coeffs.^2;
    [~, idx] = min(risk);
    T_sure = sorted_coeffs(idx);
end

逐行解析：

• 第2行：将小波系数按绝对值降序排列，便于逐点计算风险；
• 第3行：获取系数总数 $ N_j $；
• 第4行：计算平方累积和，用于快速求解SURE表达式；
• 第5行：构造完整的SURE风险序列，其中三项分别代表常数项、活跃系数计数项和截断误差项；
• 第6–7行：找出最小风险对应的阈值点并返回。

相较于VisuShrink全局一致的“一刀切”策略，SureShrink更具灵活性，尤其适合非平稳信号或局部突变丰富的数据。

3.1.3 去噪误差最小化的数学推导过程

考虑去噪目标是最小化均方误差（MSE）：
ext{MSE} = mathbb{E}left[| hat{x} - x |^2
ight]
在正交小波基下，该误差可分解为各层贡献之和：
ext{MSE} = sum_j sum_k mathbb{E}left[(eta_T(d_j(k)) - w_j(k))^2
ight]
其中 $ eta_T(cdot) $ 为阈值函数，$ w_j(k) $ 为真实小波系数。

对于硬阈值：
eta_T^H(d) =
begin{cases}
d, & |d| geq T
0, & |d| < T
end{cases}
其偏差与方差权衡较差，存在不连续跳跃问题。

而对于软阈值：
eta_T^S(d) = ext{sign}(d)(|d| - T)_+
虽引入恒定偏移，但输出连续，更适合光滑信号重建。

令 $
ho_T(d) = (eta_T(d) - w)^2 $，则总风险期望可通过积分形式逼近：
R(T) = int p_d(d) cdot
ho_T(d) , dd
通过对 $ R(T) $ 求导并令导数为零，可得最优阈值条件。尽管闭式解难以获得，但可通过数值优化方式逼近。

综上所述，阈值去噪不仅是经验性操作，更具备坚实的概率与泛函分析基础。正确理解这些理论有助于在实践中根据信号先验知识选择合适的去噪策略。

阈值函数的设计决定了去噪后的信号保真度与平滑性。目前主流方法包括硬阈值、软阈值及多种改进形式。本节系统比较硬阈值与软阈值的数学表达、几何含义及实际效果，并探讨混合策略的可能性。

3.2.1 两种方法的公式表达与几何解释

设观测小波系数为 $ d $，真实系数为 $ w $，噪声为 $ epsilon $，满足 $ d = w + epsilon $。阈值处理的目标是从 $ d $ 中恢复出对 $ w $ 的最佳估计 $ hat{w} $。

硬阈值函数定义如下：
hat{w}_H =
begin{cases}
d, & |d| geq T
0, & |d| < T
end{cases}

软阈值函数定义如下：
hat{w}_S = ext{sign}(d) cdot max(|d| - T, 0)

两者在几何上的区别如图所示：

graph LR
    subgraph 硬阈值
        A[d < -T] --> B[d]
        C[-T ≤ d < T] --> D[0]
        E[d ≥ T] --> F[d]
    end

    subgraph 软阈值
        G[d < -T] --> H[d + T]
        I[-T ≤ d < T] --> J[0]
        K[d ≥ T] --> L[d - T]
    end

可见，硬阈值在阈值边界处存在明显的不连续跳变，容易引发重构信号的“伪吉布斯现象”（Pseudo-Gibbs Oscillations），尤其是在突变点附近。而软阈值在整个定义域内连续，且斜率为±1或0，避免了剧烈波动。

t = linspace(-3, 3, 1000);
T = 1;
hard = t .* (abs(t) >= T);
soft = sign(t) .* max(abs(t) - T, 0);

plot(t, hard, 'r', 'LineWidth', 2); hold on;
plot(t, soft, 'b--', 'LineWidth', 2);
xlabel('观测系数 d'); ylabel('估计值 hat{w}');
legend('硬阈值', '软阈值'); grid on;
title('硬阈值 vs 软阈值函数对比');

该图像直观展示了两种函数的形状差异：红色实线为硬阈值，蓝色虚线为软阈值。软阈值在 $ [-T,T] $ 区间外呈线性压缩，保留了方向信息的同时减少了幅值。

3.2.2 去噪后信号连续性与方差抑制效果评估

为了定量比较二者性能，构造一段含尖峰的仿真信号并加入高斯白噪声：

fs = 1000;
t = 0:1/fs:1-1/fs;
x = sin(2*pi*5*t) + 0.5*rectpuls(t-0.3, 0.1) + 0.3*dirac(t-0.6);
noise = 0.2*randn(size(t));
y = x + noise;

% 使用db4小波分解
[C, L] = wavedec(y, 4, 'db4');
sigma = median(abs(detcoef(C,L,1)))/0.6745;
T = sigma * sqrt(2*log(length(y)));

% 分别进行硬/软阈值处理
C_hard = wdencmp('h', C, L, 'db4', 4, T, 's');  % 's'表示全层使用同一阈值
C_soft = wdencmp('s', C, L, 'db4', 4, T, 's');

x_rec_hard = waverec(C_hard.c, C_hard.l, 'db4');
x_rec_soft = waverec(C_soft.c, C_soft.l, 'db4');

参数说明：

• 'h' 和 's' 控制阈值类型：硬或软；
• wdencmp 实现完整去噪流程，自动完成阈值应用与重构；
• 返回结构体包含新系数数组 c 和长度向量 l ，供 waverec 使用。

绘制结果：

figure;
subplot(3,1,1); plot(t, y); title('含噪信号');
subplot(3,1,2); plot(t, x_rec_hard); title('硬阈值去噪结果');
subplot(3,1,3); plot(t, x_rec_soft); title('软阈值去噪结果');

观察发现，硬阈值结果在脉冲边缘出现振荡，而软阈值更为平滑。进一步计算SNR：

ext{SNR} = 10 log_{10} left( frac{|x|^2}{|x - hat{x}|^2}
ight)

snr_hard = 10*log10(sum(x.^2)/sum((x-x_rec_hard).^2));
snr_soft = 10*log10(sum(x.^2)/sum((x-x_rec_soft).^2));

结果显示软阈值在整体信噪比上优于硬阈值，且视觉质量更高。

3.2.3 混合阈值策略的改进思路探讨

鉴于硬阈值保留细节能力强、软阈值连续性好，研究者提出混合阈值函数，例如半软阈值（Smoothed Hard Thresholding）或广义阈值（Generalized Gaussian Thresholding）。一种常见形式为：

eta_{alpha,beta}(d) =
begin{cases}
0, & |d| leq alpha T
ext{sign}(d)(|d| - beta T), & alpha T < |d| leq T
d, & |d| > T
end{cases}

其中 $ 0 < alpha < beta < 1 $，形成三段式处理：小系数置零，中等系数收缩，大系数保留。该策略兼顾稀疏性与保真度。

另一种现代发展方向是使用机器学习模型（如神经网络）学习最优阈值映射函数，突破传统手工设计的局限。

Daubechies小波家族以其紧支撑和消失矩特性著称。随着阶数增加，小波函数变得更加光滑，逼近能力增强，但也带来更大的计算延迟和边界效应。

3.3.1 db4、db6、db8等常用阶数的系数特性比较

高阶db小波拥有更多消失矩，能更好地表示多项式类信号（如ECG中的QRS波群），但在边缘处因缺乏对称性会产生较大边界震荡。

wave_names = {'db4','db6','db8'};
for i = 1:3
    [Lo_D, Hi_D] = wfilters(wave_names{i}, 'd'); % 获取分解滤波器
    figure; stem(Lo_D); title(['db小波低通滤波器系数: ' wave_names{i}]);
end

该代码可视化不同db小波的低通滤波器系数分布，显示随着阶数上升，滤波器变得更宽、响应更平缓。

3.3.2 阶数选取与信号特征匹配原则

一般建议：
- 对突变丰富、边缘密集的信号（如图像边缘、机械冲击），选用较低阶db小波（db4~db6）；
- 对光滑、周期性强的生理信号（如EEG、语音基频），可尝试db8甚至db10；
- 需结合分解层数综合考量，避免过深分解导致冗余。

3.3.3 基于仿真信号的SNR增益测试结果分析

构建合成信号并测试不同配置下的SNR提升：

true_signal = ecg(1000)';
noisy = true_signal + 0.1*randn(size(true_signal));

results = struct();
wavs = {'db4','db6','db8'};
for i = 1:length(wavs)
    for lev = 3:5
        [C,L] = wavedec(noisy, lev, wavs{i});
        sigma = median(abs(detcoef(C,L,1)))/0.6745;
        T = sigma * sqrt(2*log(numel(noisy)));
        C_th = C; 
        C_th(1:L(end)) = C_th(1:L(end)) - T; % 简化软阈值示意
        rec = waverec(C_th, L, wavs{i});
        snr_gain = 10*log10(norm(true_signal)^2 / norm(true_signal - rec)^2);
        results(i,lev-2).snr = snr_gain;
    end
end

最终可通过表格汇总结果，辅助决策最优组合。

综上，小波阈值去噪并非单一参数问题，而是涉及小波类型、分解深度、阈值规则与信号特性的协同优化过程。唯有深入理解每一步的数学原理与物理意义，方能在实际工程中实现精准高效的去噪效果。

在小波去噪的实际工程应用中，算法的优劣不能仅依赖主观波形观察进行判断，必须建立一套科学、可量化、具备统计意义的性能评估体系。其中，信噪比（Signal-to-Noise Ratio, SNR）作为衡量信号恢复质量的核心指标，在去噪前后对比分析中起着决定性作用。然而，单一使用传统SNR已难以全面反映复杂场景下的去噪效果，尤其当真实无噪信号不可获取或噪声分布非高斯时，需引入多种辅助指标并构建多维评价框架。本章将系统阐述SNR的数学定义与变体形式，深入剖析其物理含义及适用边界；进一步扩展至均方误差（MSE）、峰值信噪比（PSNR）、相关系数等客观度量工具，并探讨如何通过加权融合形成综合评分模型。最后，结合MATLAB编程实践，展示实验数据结构化组织方式与自动化结果导出机制，为批量处理和长期性能追踪提供技术支持。

信噪比是信号处理中最基础且广泛应用的质量评价参数，其本质反映了有用信号功率相对于背景噪声功率的比例关系。该比例越大，说明信号越“干净”，去噪效果越好。在小波去噪任务中，SNR常用于比较原始纯净信号 $ x[n] $ 与去噪后信号 $ hat{x}[n] $ 之间的相似程度，从而定量评估重构精度。

4.1.1 SNR的功率比定义形式及其物理含义

从能量角度出发，SNR通常以对数形式表示，单位为分贝（dB），其标准定义如下：

ext{SNR (dB)} = 10 log_{10} left( frac{sum_{n=0}^{N-1} |x[n]|^2}{sum_{n=0}^{N-1} |x[n] - hat{x}[n]|^2}
ight)

其中：
- $ x[n] $：原始无噪信号（理想参考信号）
- $ hat{x}[n] $：经过小波去噪后的重构信号
- $ N $：信号长度

分子部分代表原始信号的总能量（即信号功率），分母则是去噪误差的平方和（即残差噪声能量）。因此，SNR越高，意味着重构信号越接近真实信号，去噪过程有效压制了噪声成分而保留了主要特征。

值得注意的是，该公式假设存在一个理想的无噪参考信号。在仿真环境中，这可以通过人为添加高斯白噪声生成含噪信号 $ y[n] = x[n] + w[n] $ 来实现，此时 $ x[n] $ 可直接用作基准。但在实际工业或生物医学场景中（如ECG、振动监测），真实干净信号往往无法获得，这就需要采用替代策略，例如利用带通滤波后的信号近似作为参考，或采用自监督方法估计信噪比变化趋势。

此外，SNR具有良好的可解释性和跨实验可比性，适用于同一类信号在不同去噪参数下的横向对比。例如，在测试db4与db8小波去噪能力时，若其他条件一致，SNR较高的方案即被认为更具优势。

% MATLAB 示例：计算 SNR
function snr_db = calculate_SNR(x_clean, x_denoised)
    signal_power = sum(x_clean.^2);
    noise_power = sum((x_clean - x_denoised).^2);
    snr_db = 10 * log10(signal_power / max(noise_power, eps)); % 防止除零
end

代码逻辑逐行解读：
1. signal_power = sum(x_clean.^2);
计算原始信号的能量总和，对应SNR公式中的分子项。
2. noise_power = sum((x_clean - x_denoised).^2);
求取去噪误差的L2范数平方，即残差能量。
3. snr_db = 10 * log10(...)
转换为对数尺度，输出单位为dB。使用 max(..., eps) 避免分母为零导致NaN。

此函数可在每次去噪完成后调用，返回标量值供后续分析使用。

4.1.2 改进型SNR指标：分段SNR与相对误差比

尽管全局SNR能够反映整体去噪水平，但对于非平稳信号（如突变脉冲、瞬态事件），局部区域的保真度可能被平均效应掩盖。为此，提出 分段SNR （Segmental SNR）概念，将信号划分为若干时间窗，分别计算各段SNR后再取均值或最小值，增强对关键区间的敏感性。

设信号被划分为 $ K $ 个子区间，每段长度为 $ L $，则第 $ k $ 段的SNR为：

ext{SNR} k = 10 log {10} left( frac{sum_{n=kL}^{(k+1)L-1} |x[n]|^2}{sum_{n=kL}^{(k+1)L-1} |x[n] - hat{x}[n]|^2}
ight)

最终可报告平均分段SNR：

overline{ ext{SNR}} = frac{1}{K} sum_{k=0}^{K-1} ext{SNR}_k

这种方法特别适用于语音信号或心电图QRS波群检测，确保重要生理特征未被过度平滑。

另一种改进形式是 相对误差比 （Relative Error Ratio, RER）：

ext{RER} = frac{|x - hat{x}|_2}{|x|_2}

它不取对数，直接反映归一化误差幅度，便于与其他L2正则化方法对接。

下表列出三种SNR衍生形式的特性对比：

上述指标可根据具体应用场景灵活选用或组合使用。

4.1.3 理想参考信号获取途径与替代方案

在缺乏真实干净信号的情况下，仍可通过以下几种方式间接估算SNR或构造伪参考：

1. 低通/带通滤波逼近法 ：对含噪信号施加强滤波（如Butterworth低通），去除高频噪声成分，所得输出作为近似干净信号。
2. 多次采集平均法 ：在可重复实验中（如机械振动测试），采集多组相同工况下的信号并求均值，以抑制随机噪声。
3. 空闲时段提取法 ：在信号活动间隙（如语音静音段、ECG基线段）提取纯噪声样本，用于建模噪声统计特性。
4. 自适应参考生成 ：基于小波包分解选择最优基，仅保留显著系数重构信号，作为去噪前的“预清洁”参考。

这些方法虽无法完全替代真实信号，但能提供合理的相对比较基准。例如，在轴承故障诊断中，可用健康状态下的振动信号作为参考，计算故障信号去噪后的SNR变化，辅助判断退化程度。

流程图展示了理想参考信号不可得时的替代评估路径：

graph TD
    A[含噪实测信号] --> B{是否可重复测量?}
    B -- 是 --> C[多轮采样取均值]
    B -- 否 --> D{是否存在空闲段?}
    D -- 是 --> E[提取噪声样本估计σ²]
    D -- 否 --> F[使用带通滤波输出作伪参考]
    C --> G[计算SNR/RER]
    E --> H[估计输入SNR_in]
    F --> G
    G --> I[输出性能评分]
    H --> I

该决策流程体现了从数据可用性出发设计评估策略的思想，提升了方法在真实场景中的鲁棒性。

为了克服单一指标的局限性，应构建多维度、互补性的性能评估矩阵。除了SNR外，均方误差（MSE）、峰值信噪比（PSNR）、相关系数等指标从不同侧面刻画去噪质量，共同构成完整的量化体系。

4.2.1 均方误差（MSE）与峰值信噪比（PSNR）

MSE是最基本的误差度量方式，定义为：

ext{MSE} = frac{1}{N} sum_{n=0}^{N-1} (x[n] - hat{x}[n])^2

其数值越小，表明去噪结果越精确。但由于未考虑信号动态范围，单独使用MSE不利于跨信号类型比较。

为此引入PSNR：

ext{PSNR (dB)} = 10 log_{10} left( frac{{ ext{MAX}_x}^2}{ ext{MSE}}
ight)

其中 $ ext{MAX}_x $ 是信号的最大可能幅值（如对于8位图像为255，对于标准化信号为1）。PSNR结合了信号上限信息，更适合标准化数据的比较。

% MATLAB 实现 MSE 与 PSNR
function [mse, psnr_db] = evaluate_MSE_PSNR(x_clean, x_denoised, max_val)
    mse = mean((x_clean - x_denoised).^2);
    psnr_db = 10 * log10((max_val^2) / max(mse, eps));
end

参数说明：
- x_clean : 原始无噪信号向量
- x_denoised : 去噪后信号向量
- max_val : 信号理论最大幅值（如1.0用于[-1,1]归一化信号）

该函数同时返回MSE和PSNR，可用于表格记录与趋势绘图。

4.2.2 相关性系数与波形保真度度量

皮尔逊相关系数衡量两个信号之间的线性相关程度：

ho = frac{ ext{cov}(x, hat{x})}{sigma_x sigma_{hat{x}}}

其值介于-1到1之间，越接近1表示波形形态保持越好。即使整体幅值略有偏差，只要趋势一致即可获得高相关性，适合评估信号结构性保留能力。

此外，还可引入 波形保真度因子 （Waveform Similarity Factor, WSF）：

ext{WSF} = 1 - frac{|x - hat{x}|_2}{|x|_2 + |hat{x}|_2}

该指标对幅值缩放更鲁棒，适用于传感器增益未知的情况。

以下表格汇总常用客观指标及其适用场景：

4.2.3 多指标加权评分体系的设计思路

面对多个指标，可构建加权评分函数实现统一排名：

ext{Score} = w_1 cdot ext{SNR} + w_2 cdot ext{PSNR} + w_3 cdot
ho - w_4 cdot ext{MSE}

权重 $ w_i $ 根据应用需求设定。例如，在医疗信号处理中更关注波形保真（提升 $ w_3 $），而在通信系统中侧重噪声抑制（提升 $ w_1 $）。

也可采用Z-score标准化后加权：

z_i = frac{m_i - mu_i}{sigma_i}, quad ext{Score} = sum w_i z_i

使得不同量纲的指标处于同一数量级，避免某一项主导评分。

pie
    title 指标权重分配示例（心电信号去噪）
    “SNR” : 30
    “PSNR” : 20
    “Pearson Correlation” : 40
    “MSE Penalty” : 10

该饼图显示在ECG去噪中，波形形态保持最为关键，因此相关系数占比最高。

在大规模参数调优或交叉验证实验中，手动记录每一组结果效率低下且易出错。应借助MATLAB的数据结构与文件操作功能，实现评估结果的自动收集与持久化存储。

4.3.1 struct结构体组织实验数据的方法

推荐使用结构体（struct）集中管理实验配置与性能指标：

% 构建实验记录结构体
exp_result(1).wavelet = 'db4';
exp_result(1).level = 5;
exp_result(1).threshold_rule = 'soft';
exp_result(1).SNR = 23.4;
exp_result(1).MSE = 0.0012;
exp_result(1).PSNR = 29.2;
exp_result(1).Corr = 0.987;

exp_result(2).wavelet = 'db6';
% ... 其他参数依此类推

结构体数组允许按索引访问每轮实验，便于后续筛选与分析。可通过字段名直接提取某一列数据用于绘图：

all_snr = [exp_result.SNR]; % 自动拼接所有SNR值
plot(all_snr, 'o-');

4.3.2 xlswrite与writetable函数的调用规范

将结构体转换为表格以便导出：

% 转换为table类型
T = struct2table(exp_result);

% 写入Excel文件
writetable(T, 'denoising_results.xlsx', 'Sheet', 1, 'Range', 'A1');

⚠️ 注意： xlswrite 已被MathWorks标记为过时（deprecated），推荐使用 writetable 或 writecell 替代。

若需追加新数据到已有文件，可先读取原表再合并：

if isfile('results.xlsx')
    T_old = readtable('results.xlsx');
    T_new = [T_old; T]; % 垂直拼接
else
    T_new = T;
end
writetable(T_new, 'results.xlsx');

4.3.3 批量处理场景下的日志文件生成机制

在循环调参脚本中，建议加入时间戳与运行环境信息，提高可追溯性：

% 日志头信息
log_header = {'Denoising Experiment Report', ...
              ['Generated on: ', datestr(now)], ...
              'Parameters Tested: db4-db10, levels 3-7'}';

% 写入文本日志
fid = fopen('experiment_log.txt','w');
for i = 1:length(log_header)
    fprintf(fid, '%s
', log_header{i});
end
fclose(fid);

% 追加表格数据（使用writecell）
C = [T.Properties.VariableNames; cellstr(num2str(T{:,:}))];
writecell(C, 'detailed_log.xlsx');

该机制确保每一次实验都有完整元数据留存，支持后期复现与审计。

综上所述，一个健全的性能评估体系不仅包含多样化的客观指标，还需配套高效的数据管理流程。通过合理设计SNR计算方式、融合多维度评价指标，并实现结果自动化导出，才能支撑起从小规模验证到工业级部署的完整技术闭环。

一个稳健的小波去噪系统应具备良好的可扩展性与复用性，因此采用模块化编程思想至关重要。整个流程可分为五大功能模块： 信号输入、小波分解、阈值处理、信号重构、性能评估 。各模块通过函数封装实现低耦合高内聚，便于后续参数调优与批量处理。

% 模块化主程序框架示例
function [clean_signal, metrics] = wavelet_denoise_pipeline(signal, fs, ...
    wavelet_name, level, threshold_method, varargin)
    % 输入校验
    if nargin < 5 || isempty(signal)
        error('输入参数不足或信号为空');
    end

    % 模块1：信号预处理（归一化）
    signal = signal(:); % 列向量格式
    signal = (signal - mean(signal)) / std(signal); % 标准化

    % 模块2：小波分解
    [c, l] = wavedec(signal, level, wavelet_name);

    % 模块3：多层阈值计算与处理
    thr_settings = struct('type', threshold_method, 'mode', 'sln');
    denoised_c = apply_multilevel_threshold(c, l, wavelet_name, thr_settings);

    % 模块4：信号重构
    clean_signal = waverec(denoised_c, l, wavelet_name);

    % 模块5：性能评估（假设原始纯净信号已知）
    if nargin == 6 && ~isempty(varargin{1})
        true_signal = varargin{1};
        metrics = calculate_performance_metrics(true_signal, clean_signal);
    else
        metrics = [];
    end
end

该架构支持通过 varargin 传入真实信号用于信噪比计算，并允许外部配置阈值策略和小波类型，为自动化实验提供接口基础。

Wavelet Toolbox 提供了高效的小波分析工具集，其中核心函数包括：

例如，使用 wdencmp 实现一键去噪：

[xc,~,~] = wdencmp('gbl', x, 'db6', 5, 'sure', 's', 3); 
% 'gbl': 全局阈值; 'sure': SURE准则; 's': 软阈值; 3: 阈值缩放因子

此函数内部自动完成阈值计算与系数收缩，适合初学者快速验证不同小波对去噪效果的影响。

以下为一段完整的 MATLAB 脚本，读取含噪ECG信号并执行db6小波5层分解去噪：

% load ECG data (example from MIT-BIH database)
load('noisy_ecg.mat'); % 变量名为 ecg_noisy, fs = 360Hz

waveletName = 'db6';
decompLevel = 5;

% Step 1: Decomposition
[c, l] = wavedec(ecg_noisy, decompLevel, waveletName);

% Step 2: Thresholding using SureShrink
alpha = 3; % 阈值缩放系数
thr = wthrmngr('penalhi', c, l, alpha); % SURE-based threshold
c_thr = wthresh(c, 's', thr); % Soft thresholding

% Step 3: Reconstruction
ecg_denoised = waverec(c_thr, l, waveletName);

% Step 4: Visualization
t = (0:length(ecg_noisy)-1)/360;
figure;
subplot(2,1,1); plot(t, ecg_noisy); title('Noisy ECG Signal');
xlabel('Time (s)'); ylabel('Amplitude');

subplot(2,1,2); plot(t, ecg_denoised); 
title('Denoised ECG Signal using db6-SureShrink');
xlabel('Time (s)'); ylabel('Amplitude');

此外，可通过 wcodemat 生成小波系数热力图，直观展示能量分布变化：

% Generate wavelet coefficient heatmap
[cd1,cd2,cd3,cd4,cd5] = detcoef(c,l,[1:5]);
coeffs = {cd5,cd4,cd3,cd2,cd1}; % From coarse to fine
imagesc(wcodemat(cat(1,coeffs{:}),255));
colorbar; title('Wavelet Coefficients Heatmap (db6)');

针对不同工业场景，需动态调整去噪参数组合：

对于实时系统，建议预先构建参数查找表（LUT），结合信噪比预测模型实现自适应调节。同时利用 MATLAB Coder 可将 .m 文件编译为 C/C++ 代码，部署至嵌入式设备。

为应对大规模数据测试需求，设计如下批处理逻辑：

fileList = dir('data_*.mat');
results = struct();

for k = 1:length(fileList)
    load(fileList(k).name);
    [~, name, ~] = fileparts(fileList(k).name);
    % 调用去噪管道
    [cleanSig, perf] = wavelet_denoise_pipeline(rawSignal, fs, 'db6', 5, 'sure', cleanSignal);
    % 存储结果
    results(k).fileName = name;
    results(k).SNR = perf.SNR;
    results(k).MSE = perf.MSE;
    results(k).PSNR = perf.PSNR;
end

% 导出Excel报告
writetable(struct2table(results), 'denoising_report.xlsx');

该机制支持自动遍历目录下所有 .mat 文件，统一执行去噪流程并将关键指标写入表格文件，极大提升实验效率。

graph TD
    A[原始信号输入] --> B[小波分解 wavedec]
    B --> C{是否多尺度阈值?}
    C -->|是| D[逐层计算阈值]
    C -->|否| E[全局阈值设定]
    D --> F[系数收缩 wthresh]
    E --> F
    F --> G[信号重构 waverec]
    G --> H[性能评估 calculate_performance_metrics]
    H --> I[可视化输出 & 数据导出]

本文还有配套的精品资源，点击获取

简介：本文围绕“db小波去噪后信噪比输出matlab程序”展开，介绍Daubechies小波在信号去噪中的应用。db小波因其良好的时频局部化特性，广泛应用于非平稳信号的噪声抑制。通过MATLAB实现信号的小波分解、阈值处理和重构流程，结合不同阶数db小波（如db2、db3等）进行去噪实验，并计算去噪前后信噪比（SNR），评估去噪效果。程序还生成波形对比图并支持SNR数据导出，便于直观分析与后续统计，为优化小波参数选择提供依据。

本文还有配套的精品资源，点击获取