尧图网站建设 
简介这份资源围绕小波阈值降噪展开面向信号处理、图像去噪方向的学习者与工程人员重点解决如何利用小波变换抑制噪声并通过信噪比SNR与均方误差MSE量化评估降噪效果的问题。包内共10个文件以6个m脚本为核心配合2个png与1个bmp图像素材、1份pdf文献整体约882KB涵盖贝叶斯自适应阈值、软硬阈值处理、重构与性能评估等环节可直接在MATLAB中运行调试。资源中既有Chang关于自适应小波阈值图像去噪与压缩的论文也有对应的实现脚本便于读者对照理论理解阈值策略的选取逻辑并自行调整参数观察SNR与MSE的变化。目前已有416人学习下载适合希望快速上手小波降噪实验、复现经典算法并积累调参经验的中级读者参考。1. 小波阈值降噪与 SNR/MSE 双指标一份能直接跑通的源码包做信号处理的朋友大概率都遇到过这种场景采集到一段振动信号或者音频噪声把有用成分糊得看不清想用小波阈值降噪但阈值到底取多少、用软阈值还是硬阈值、分解几层合适全靠试。更头疼的是改完参数之后怎么判断降噪效果好不好光看波形图太主观得有个量化指标。这份资源包就是冲着这个问题来的——它把小波阈值降噪的完整流程和SNR信噪比、MSE均方误差两个评价指标的求解代码打包在一起拿到手改个数据路径就能跑。适合正在做信号去噪、故障诊断、音频预处理方向的同学也适合已经用过wdenoise但想搞清楚底层阈值逻辑的熟手。它不是教程是一份能拆开看、能改参数、能对比不同阈值策略的工程代码。2. 小波阈值降噪的数学骨架从分解到重构到底在算什么2.1 小波分解的层数与滤波器组选择小波阈值降噪的核心思路不复杂把信号做多尺度分解噪声通常集中在高频细节系数里有用信号的能量集中在低频近似系数和部分高频系数中。于是对高频细节系数做阈值处理把低于阈值的系数置零或收缩再重构回去。但“分解几层”这件事直接决定了降噪效果的上限。层数太少噪声和信号混在一起分不开层数太多信号边缘会被过度平滑。常见做法是用wavedec做多层分解层数一般取floor(log2(N))再减 1 到 2其中 N 是信号长度。比如 1024 个采样点log2(1024)10实际取 4 到 6 层比较稳妥。小波基的选择也有讲究。db4、sym4、coif2是工程里用得最多的几个。db系列消失矩高适合光滑信号sym系列对称性好重构时相位失真小coif系列在两者之间折中。资源包里默认用的是sym4如果你处理的是冲击类信号换成db2或db4往往效果更好。% 小波分解参数设置 wname sym4; % 小波基可选 db4/sym4/coif2 level 5; % 分解层数根据信号长度调整 [c, l] wavedec(signal, level, wname); % c 是系数向量l 是各层长度这段代码里wavedec返回的c是一个拼接向量按[A_level, D_level, D_{level-1}, ..., D_1]排列l记录了每一段的起始索引。后面做阈值处理时必须靠l来定位每一层细节系数的位置不能直接对c整体操作。2.2 阈值准则通用阈值、启发式阈值与极小极大阈值阈值怎么取是小波降噪里最“玄学”的一步。资源包里实现了三种经典准则通用阈值sqtwologthr sigma * sqrt(2*log(N))其中sigma是噪声标准差估计通常用第一层细节系数的 MAD 估计sigma median(abs(D1))/0.6745。这个阈值偏大降噪狠但容易丢弱信号。启发式阈值heursure结合通用阈值和 Stein 无偏风险估计SURE在信噪比高时偏向 SURE信噪比低时偏向通用阈值。极小极大阈值minimaxi基于极小极大原理适合信号能量集中在少数系数上的场景。% 噪声标准差估计基于第一层细节系数 D1 detcoef(c, l, 1); % 提取第一层细节系数 sigma median(abs(D1)) / 0.6745; % MAD 估计 N length(signal); thr_sqtwolog sigma * sqrt(2 * log(N)); % 通用阈值detcoef是提取指定层细节系数的便捷函数比手动切片c更安全。0.6745是正态分布中 MAD 与标准差的换算常数这个值不能改改了就不是标准差估计了。2.3 软阈值与硬阈值的取舍阈值处理方式只有两种主流硬阈值和软阈值。硬阈值y x if |x| thr, else 0。优点是保留系数幅值重构后信号边缘清晰缺点是阈值附近不连续容易产生伪吉布斯振荡。软阈值y sign(x) * max(|x| - thr, 0)。优点是连续平滑重构信号视觉上更“干净”缺点是所有系数都被压缩信号幅值会有衰减。% 软阈值处理函数 function y soft_threshold(x, thr) y sign(x) .* max(abs(x) - thr, 0); end % 硬阈值处理函数 function y hard_threshold(x, thr) y x .* (abs(x) thr); end资源包里默认用软阈值因为 SNR 和 MSE 两个指标在软阈值下通常更稳定。如果你更在意波形幅值的保真度可以切到硬阈值但要注意 MSE 可能会因为振荡而变大。3. SNR 与 MSE 求解降噪效果到底怎么量化3.1 信噪比 SNR 的定义与计算陷阱SNR 的定义看起来很简单SNR 10 * log10( sum(signal.^2) / sum(noise.^2) )。但这里有个坑——降噪后的“噪声”到底是什么如果你有原始干净信号x_clean和含噪信号x_noisy降噪后得到x_denoised那么输入 SNR10*log10(sum(x_clean.^2)/sum((x_noisy-x_clean).^2))输出 SNR10*log10(sum(x_clean.^2)/sum((x_denoised-x_clean).^2))问题在于实际工程里你往往没有x_clean。这时候只能用降噪前后的差值来估计噪声noise_est x_noisy - x_denoised然后算SNR 10*log10(sum(x_denoised.^2)/sum(noise_est.^2))。这个估计值会偏乐观因为降噪算法本身会吃掉一部分信号。% 有干净参考信号时的 SNR 计算 function snr_val calc_snr(clean, denoised) noise denoised - clean; snr_val 10 * log10(sum(clean.^2) / sum(noise.^2)); end % 无干净参考信号时的估计 function snr_est calc_snr_est(noisy, denoised) noise_est noisy - denoised; snr_est 10 * log10(sum(denoised.^2) / sum(noise_est.^2)); end资源包里两个函数都提供了用哪个取决于你手里有没有干净信号。做仿真实验时用第一个做实际采集数据时用第二个但心里要清楚第二个是估计值。3.2 MSE 与 RMSE量纲与可解释性MSE 就是均方误差MSE mean((x_clean - x_denoised).^2)。它的量纲是信号幅值的平方数值大小跟信号幅度直接相关不同信号之间没法直接比。所以工程上更常用 RMSERMSE sqrt(MSE)量纲回到信号本身。% MSE 与 RMSE 计算 mse_val mean((clean - denoised).^2); rmse_val sqrt(mse_val);注意MSE 和 SNR 并不是单调对应的。有时候 SNR 提高了MSE 反而变大原因是降噪算法在抑制噪声的同时引入了新的失真成分。所以资源包里同时输出两个指标就是让你看到这种 trade-off。3.3 批量对比不同阈值策略的脚本结构资源包的核心是一个批量对比脚本它会遍历三种阈值准则和两种阈值函数输出 SNR 和 MSE 的对比表格。% 批量对比不同阈值策略 threshold_rules {sqtwolog, heursure, minimaxi}; threshold_types {soft, hard}; results []; for i 1:length(threshold_rules) for j 1:length(threshold_types) % 调用降噪主函数 [denoised, thr] wavelet_denoise(noisy, wname, level, ... threshold_rules{i}, threshold_types{j}); % 计算指标 snr_out calc_snr(clean, denoised); mse_out mean((clean - denoised).^2); results [results; {threshold_rules{i}, threshold_types{j}, ... snr_out, mse_out, thr}]; end end % 转为表格输出 results_table cell2table(results, VariableNames, ... {Rule, Type, SNR, MSE, Threshold}); disp(results_table);这个脚本的结构很直白外层循环遍历阈值准则内层循环遍历软硬阈值每次调用wavelet_denoise得到降噪结果然后算指标最后拼成表格。wavelet_denoise是资源包里的主函数封装了分解、阈值处理、重构的完整流程。你只需要把noisy和clean换成自己的数据就能跑出一张对比表。4. 避坑与排查小波降噪里最容易翻车的五个地方4.1 分解层数超过信号长度能承受的范围现象运行wavedec时报错Index exceeds matrix dimensions或者重构后信号长度对不上。原因小波分解每层都会下采样层数太多时最后一层的系数长度会小于滤波器长度导致边界处理出错。解决用wmaxlev(N, wname)先算一下当前信号长度和小波基允许的最大分解层数取min(level, wmaxlev(N, wname))。资源包里已经加了这个保护但如果你自己改层数记得先跑一遍这个检查。4.2 噪声标准差估计用了错误的细节系数现象阈值大得离谱降噪后信号几乎全被置零。原因sigma估计时用了detcoef(c, l, level)而不是detcoef(c, l, 1)。高层细节系数里已经混入了大量信号成分用它估计噪声会严重偏大。解决噪声估计永远用第一层细节系数因为第一层频率最高噪声占比最大。资源包里sigma的计算固定用detcoef(c, l, 1)不要改。4.3 SNR 计算时信号长度不一致现象calc_snr报错Matrix dimensions must agree。原因降噪后的信号长度和原始干净信号长度不一致通常是因为边界延拓模式不同导致的。解决在调用waverec重构后用denoised denoised(1:length(clean))截断到相同长度。资源包里在wavelet_denoise函数末尾已经做了这个截断但如果你自己写重构逻辑这一步不能省。4.4 软阈值后信号幅值整体偏小现象降噪后波形形状对了但幅值比原始信号小一截MSE 偏大。原因软阈值对所有非零系数都做了收缩系数幅值被系统性压低。解决如果幅值保真度是硬指标改用硬阈值或者在软阈值后做一个全局幅值补偿。资源包里提供了一个可选的scale_factor参数默认是 1你可以根据 SNR 和 MSE 的对比结果手动调。4.5 批量对比时忘了重置随机种子现象每次跑出来的 SNR 和 MSE 都不一样没法复现。原因如果含噪信号是加随机噪声生成的每次randn的结果不同。解决在生成含噪信号之前加rng(42)固定随机种子。资源包的示例脚本里已经加了这一行但你换成自己的数据时如果噪声是外部导入的就不需要这一步。5. 进阶技巧用 SNR-MSE 曲线选最优小波基5.1 遍历小波基与层数的网格搜索资源包最值钱的部分不是降噪函数本身而是一个网格搜索脚本。它会遍历常见小波基和分解层数的组合对每组参数算 SNR 和 MSE最后画出 SNR-MSE 散点图帮你直观看到哪个组合在“高 SNR、低 MSE”的帕累托前沿上。% 网格搜索最优小波基与层数 wnames {db2, db4, sym4, sym6, coif2, coif4}; levels 3:7; grid_results []; for w 1:length(wnames) for lv levels if lv wmaxlev(length(noisy), wnames{w}) continue; % 跳过不合法的层数 end [denoised, ~] wavelet_denoise(noisy, wnames{w}, lv, ... sqtwolog, soft); snr_out calc_snr(clean, denoised); mse_out mean((clean - denoised).^2); grid_results [grid_results; {wnames{w}, lv, snr_out, mse_out}]; end end % 画 SNR-MSE 散点图 snr_vals cell2mat(grid_results(:, 3)); mse_vals cell2mat(grid_results(:, 4)); scatter(snr_vals, mse_vals, 40, filled); xlabel(SNR (dB)); ylabel(MSE); grid on;这段代码的输出是一张散点图每个点代表一组(小波基, 层数)组合。理想情况下你会看到一条向左上凸的曲线——越靠左上SNR 越高、MSE 越低。如果某个点 SNR 很高但 MSE 也很大说明那个组合是靠过度平滑换来的 SNR实际用的时候要谨慎。5.2 用帕累托前沿做最终选型散点图画出来之后怎么选我的习惯是先筛掉 MSE 大于中位数的点再在剩下的点里选 SNR 最高的。如果两个点 SNR 差不多选 MSE 更小的那个。资源包里提供了一个pareto_front函数输入 SNR 和 MSE 向量返回帕累托最优的索引。% 帕累托前沿筛选 function idx pareto_front(snr_vals, mse_vals) n length(snr_vals); idx true(n, 1); for i 1:n for j 1:n if snr_vals(j) snr_vals(i) mse_vals(j) mse_vals(i) ... (snr_vals(j) snr_vals(i) || mse_vals(j) mse_vals(i)) idx(i) false; break; end end end end这个函数的逻辑是如果存在另一个点SNR 不低于当前点且 MSE 不高于当前点并且至少有一个指标严格更优那当前点就不是帕累托最优。跑完这个筛选剩下的点就是你可以放心选的候选。5.3 一个我踩过的坑有一次我处理一组轴承振动信号网格搜索跑出来sym6加 6 层分解的 SNR 最高我直接用了。结果拿给同事看波形他说降噪后冲击成分被抹掉了。回头一查 MSE确实比db4加 4 层大了将近一倍。SNR 高是因为噪声被压得更狠但信号里的冲击成分也被当成噪声处理了。从那以后我每次做小波降噪选型都强制走一遍 SNR-MSE 双指标对比而且一定会把降噪前后的波形叠在一起看。指标是给论文和报告用的波形是给自己看的。两个都对得上才敢往下走。资源包里这套脚本我用了快两年从仿真数据到实测信号都跑过参数改起来不复杂关键是它把 SNR 和 MSE 的求解逻辑摊开写了你能看到每一步在算什么。需要的话直接拿过去把noisy和clean换成你自己的数据就能跑。希望帮到你。本文还有配套的精品资源点击获取 小波阈值降噪与SNR/MSE双指标：一份能直接跑通的源码包
简介这份资源围绕小波阈值降噪展开面向信号处理、图像去噪方向的学习者与工程人员重点解决如何利用小波变换抑制噪声并通过信噪比SNR与均方误差MSE量化评估降噪效果的问题。包内共10个文件以6个m脚本为核心配合2个png与1个bmp图像素材、1份pdf文献整体约882KB涵盖贝叶斯自适应阈值、软硬阈值处理、重构与性能评估等环节可直接在MATLAB中运行调试。资源中既有Chang关于自适应小波阈值图像去噪与压缩的论文也有对应的实现脚本便于读者对照理论理解阈值策略的选取逻辑并自行调整参数观察SNR与MSE的变化。目前已有416人学习下载适合希望快速上手小波降噪实验、复现经典算法并积累调参经验的中级读者参考。1. 小波阈值降噪与 SNR/MSE 双指标一份能直接跑通的源码包做信号处理的朋友大概率都遇到过这种场景采集到一段振动信号或者音频噪声把有用成分糊得看不清想用小波阈值降噪但阈值到底取多少、用软阈值还是硬阈值、分解几层合适全靠试。更头疼的是改完参数之后怎么判断降噪效果好不好光看波形图太主观得有个量化指标。这份资源包就是冲着这个问题来的——它把小波阈值降噪的完整流程和SNR信噪比、MSE均方误差两个评价指标的求解代码打包在一起拿到手改个数据路径就能跑。适合正在做信号去噪、故障诊断、音频预处理方向的同学也适合已经用过wdenoise但想搞清楚底层阈值逻辑的熟手。它不是教程是一份能拆开看、能改参数、能对比不同阈值策略的工程代码。2. 小波阈值降噪的数学骨架从分解到重构到底在算什么2.1 小波分解的层数与滤波器组选择小波阈值降噪的核心思路不复杂把信号做多尺度分解噪声通常集中在高频细节系数里有用信号的能量集中在低频近似系数和部分高频系数中。于是对高频细节系数做阈值处理把低于阈值的系数置零或收缩再重构回去。但“分解几层”这件事直接决定了降噪效果的上限。层数太少噪声和信号混在一起分不开层数太多信号边缘会被过度平滑。常见做法是用wavedec做多层分解层数一般取floor(log2(N))再减 1 到 2其中 N 是信号长度。比如 1024 个采样点log2(1024)10实际取 4 到 6 层比较稳妥。小波基的选择也有讲究。db4、sym4、coif2是工程里用得最多的几个。db系列消失矩高适合光滑信号sym系列对称性好重构时相位失真小coif系列在两者之间折中。资源包里默认用的是sym4如果你处理的是冲击类信号换成db2或db4往往效果更好。% 小波分解参数设置 wname sym4; % 小波基可选 db4/sym4/coif2 level 5; % 分解层数根据信号长度调整 [c, l] wavedec(signal, level, wname); % c 是系数向量l 是各层长度这段代码里wavedec返回的c是一个拼接向量按[A_level, D_level, D_{level-1}, ..., D_1]排列l记录了每一段的起始索引。后面做阈值处理时必须靠l来定位每一层细节系数的位置不能直接对c整体操作。2.2 阈值准则通用阈值、启发式阈值与极小极大阈值阈值怎么取是小波降噪里最“玄学”的一步。资源包里实现了三种经典准则通用阈值sqtwologthr sigma * sqrt(2*log(N))其中sigma是噪声标准差估计通常用第一层细节系数的 MAD 估计sigma median(abs(D1))/0.6745。这个阈值偏大降噪狠但容易丢弱信号。启发式阈值heursure结合通用阈值和 Stein 无偏风险估计SURE在信噪比高时偏向 SURE信噪比低时偏向通用阈值。极小极大阈值minimaxi基于极小极大原理适合信号能量集中在少数系数上的场景。% 噪声标准差估计基于第一层细节系数 D1 detcoef(c, l, 1); % 提取第一层细节系数 sigma median(abs(D1)) / 0.6745; % MAD 估计 N length(signal); thr_sqtwolog sigma * sqrt(2 * log(N)); % 通用阈值detcoef是提取指定层细节系数的便捷函数比手动切片c更安全。0.6745是正态分布中 MAD 与标准差的换算常数这个值不能改改了就不是标准差估计了。2.3 软阈值与硬阈值的取舍阈值处理方式只有两种主流硬阈值和软阈值。硬阈值y x if |x| thr, else 0。优点是保留系数幅值重构后信号边缘清晰缺点是阈值附近不连续容易产生伪吉布斯振荡。软阈值y sign(x) * max(|x| - thr, 0)。优点是连续平滑重构信号视觉上更“干净”缺点是所有系数都被压缩信号幅值会有衰减。% 软阈值处理函数 function y soft_threshold(x, thr) y sign(x) .* max(abs(x) - thr, 0); end % 硬阈值处理函数 function y hard_threshold(x, thr) y x .* (abs(x) thr); end资源包里默认用软阈值因为 SNR 和 MSE 两个指标在软阈值下通常更稳定。如果你更在意波形幅值的保真度可以切到硬阈值但要注意 MSE 可能会因为振荡而变大。3. SNR 与 MSE 求解降噪效果到底怎么量化3.1 信噪比 SNR 的定义与计算陷阱SNR 的定义看起来很简单SNR 10 * log10( sum(signal.^2) / sum(noise.^2) )。但这里有个坑——降噪后的“噪声”到底是什么如果你有原始干净信号x_clean和含噪信号x_noisy降噪后得到x_denoised那么输入 SNR10*log10(sum(x_clean.^2)/sum((x_noisy-x_clean).^2))输出 SNR10*log10(sum(x_clean.^2)/sum((x_denoised-x_clean).^2))问题在于实际工程里你往往没有x_clean。这时候只能用降噪前后的差值来估计噪声noise_est x_noisy - x_denoised然后算SNR 10*log10(sum(x_denoised.^2)/sum(noise_est.^2))。这个估计值会偏乐观因为降噪算法本身会吃掉一部分信号。% 有干净参考信号时的 SNR 计算 function snr_val calc_snr(clean, denoised) noise denoised - clean; snr_val 10 * log10(sum(clean.^2) / sum(noise.^2)); end % 无干净参考信号时的估计 function snr_est calc_snr_est(noisy, denoised) noise_est noisy - denoised; snr_est 10 * log10(sum(denoised.^2) / sum(noise_est.^2)); end资源包里两个函数都提供了用哪个取决于你手里有没有干净信号。做仿真实验时用第一个做实际采集数据时用第二个但心里要清楚第二个是估计值。3.2 MSE 与 RMSE量纲与可解释性MSE 就是均方误差MSE mean((x_clean - x_denoised).^2)。它的量纲是信号幅值的平方数值大小跟信号幅度直接相关不同信号之间没法直接比。所以工程上更常用 RMSERMSE sqrt(MSE)量纲回到信号本身。% MSE 与 RMSE 计算 mse_val mean((clean - denoised).^2); rmse_val sqrt(mse_val);注意MSE 和 SNR 并不是单调对应的。有时候 SNR 提高了MSE 反而变大原因是降噪算法在抑制噪声的同时引入了新的失真成分。所以资源包里同时输出两个指标就是让你看到这种 trade-off。3.3 批量对比不同阈值策略的脚本结构资源包的核心是一个批量对比脚本它会遍历三种阈值准则和两种阈值函数输出 SNR 和 MSE 的对比表格。% 批量对比不同阈值策略 threshold_rules {sqtwolog, heursure, minimaxi}; threshold_types {soft, hard}; results []; for i 1:length(threshold_rules) for j 1:length(threshold_types) % 调用降噪主函数 [denoised, thr] wavelet_denoise(noisy, wname, level, ... threshold_rules{i}, threshold_types{j}); % 计算指标 snr_out calc_snr(clean, denoised); mse_out mean((clean - denoised).^2); results [results; {threshold_rules{i}, threshold_types{j}, ... snr_out, mse_out, thr}]; end end % 转为表格输出 results_table cell2table(results, VariableNames, ... {Rule, Type, SNR, MSE, Threshold}); disp(results_table);这个脚本的结构很直白外层循环遍历阈值准则内层循环遍历软硬阈值每次调用wavelet_denoise得到降噪结果然后算指标最后拼成表格。wavelet_denoise是资源包里的主函数封装了分解、阈值处理、重构的完整流程。你只需要把noisy和clean换成自己的数据就能跑出一张对比表。4. 避坑与排查小波降噪里最容易翻车的五个地方4.1 分解层数超过信号长度能承受的范围现象运行wavedec时报错Index exceeds matrix dimensions或者重构后信号长度对不上。原因小波分解每层都会下采样层数太多时最后一层的系数长度会小于滤波器长度导致边界处理出错。解决用wmaxlev(N, wname)先算一下当前信号长度和小波基允许的最大分解层数取min(level, wmaxlev(N, wname))。资源包里已经加了这个保护但如果你自己改层数记得先跑一遍这个检查。4.2 噪声标准差估计用了错误的细节系数现象阈值大得离谱降噪后信号几乎全被置零。原因sigma估计时用了detcoef(c, l, level)而不是detcoef(c, l, 1)。高层细节系数里已经混入了大量信号成分用它估计噪声会严重偏大。解决噪声估计永远用第一层细节系数因为第一层频率最高噪声占比最大。资源包里sigma的计算固定用detcoef(c, l, 1)不要改。4.3 SNR 计算时信号长度不一致现象calc_snr报错Matrix dimensions must agree。原因降噪后的信号长度和原始干净信号长度不一致通常是因为边界延拓模式不同导致的。解决在调用waverec重构后用denoised denoised(1:length(clean))截断到相同长度。资源包里在wavelet_denoise函数末尾已经做了这个截断但如果你自己写重构逻辑这一步不能省。4.4 软阈值后信号幅值整体偏小现象降噪后波形形状对了但幅值比原始信号小一截MSE 偏大。原因软阈值对所有非零系数都做了收缩系数幅值被系统性压低。解决如果幅值保真度是硬指标改用硬阈值或者在软阈值后做一个全局幅值补偿。资源包里提供了一个可选的scale_factor参数默认是 1你可以根据 SNR 和 MSE 的对比结果手动调。4.5 批量对比时忘了重置随机种子现象每次跑出来的 SNR 和 MSE 都不一样没法复现。原因如果含噪信号是加随机噪声生成的每次randn的结果不同。解决在生成含噪信号之前加rng(42)固定随机种子。资源包的示例脚本里已经加了这一行但你换成自己的数据时如果噪声是外部导入的就不需要这一步。5. 进阶技巧用 SNR-MSE 曲线选最优小波基5.1 遍历小波基与层数的网格搜索资源包最值钱的部分不是降噪函数本身而是一个网格搜索脚本。它会遍历常见小波基和分解层数的组合对每组参数算 SNR 和 MSE最后画出 SNR-MSE 散点图帮你直观看到哪个组合在“高 SNR、低 MSE”的帕累托前沿上。% 网格搜索最优小波基与层数 wnames {db2, db4, sym4, sym6, coif2, coif4}; levels 3:7; grid_results []; for w 1:length(wnames) for lv levels if lv wmaxlev(length(noisy), wnames{w}) continue; % 跳过不合法的层数 end [denoised, ~] wavelet_denoise(noisy, wnames{w}, lv, ... sqtwolog, soft); snr_out calc_snr(clean, denoised); mse_out mean((clean - denoised).^2); grid_results [grid_results; {wnames{w}, lv, snr_out, mse_out}]; end end % 画 SNR-MSE 散点图 snr_vals cell2mat(grid_results(:, 3)); mse_vals cell2mat(grid_results(:, 4)); scatter(snr_vals, mse_vals, 40, filled); xlabel(SNR (dB)); ylabel(MSE); grid on;这段代码的输出是一张散点图每个点代表一组(小波基, 层数)组合。理想情况下你会看到一条向左上凸的曲线——越靠左上SNR 越高、MSE 越低。如果某个点 SNR 很高但 MSE 也很大说明那个组合是靠过度平滑换来的 SNR实际用的时候要谨慎。5.2 用帕累托前沿做最终选型散点图画出来之后怎么选我的习惯是先筛掉 MSE 大于中位数的点再在剩下的点里选 SNR 最高的。如果两个点 SNR 差不多选 MSE 更小的那个。资源包里提供了一个pareto_front函数输入 SNR 和 MSE 向量返回帕累托最优的索引。% 帕累托前沿筛选 function idx pareto_front(snr_vals, mse_vals) n length(snr_vals); idx true(n, 1); for i 1:n for j 1:n if snr_vals(j) snr_vals(i) mse_vals(j) mse_vals(i) ... (snr_vals(j) snr_vals(i) || mse_vals(j) mse_vals(i)) idx(i) false; break; end end end end这个函数的逻辑是如果存在另一个点SNR 不低于当前点且 MSE 不高于当前点并且至少有一个指标严格更优那当前点就不是帕累托最优。跑完这个筛选剩下的点就是你可以放心选的候选。5.3 一个我踩过的坑有一次我处理一组轴承振动信号网格搜索跑出来sym6加 6 层分解的 SNR 最高我直接用了。结果拿给同事看波形他说降噪后冲击成分被抹掉了。回头一查 MSE确实比db4加 4 层大了将近一倍。SNR 高是因为噪声被压得更狠但信号里的冲击成分也被当成噪声处理了。从那以后我每次做小波降噪选型都强制走一遍 SNR-MSE 双指标对比而且一定会把降噪前后的波形叠在一起看。指标是给论文和报告用的波形是给自己看的。两个都对得上才敢往下走。资源包里这套脚本我用了快两年从仿真数据到实测信号都跑过参数改起来不复杂关键是它把 SNR 和 MSE 的求解逻辑摊开写了你能看到每一步在算什么。需要的话直接拿过去把noisy和clean换成你自己的数据就能跑。希望帮到你。本文还有配套的精品资源点击获取