A. 使用matlab对故障轴承振动信号去噪
% 将以下程序到matlab编辑器中运行，或直接在工作区运行即可
fs = 20e3; % 采样频率
fn = 3e3; % 固有频率
y0 = 5; % 位移常数
g = 0.1; % 阻尼系数
T = 0.01; % 重复周期
N = 4096; % 采样点数
NT = round(fs*T); % 单周期采样点数
t = 0:1/fs:(N-1)/fs; % 采样时刻
t0 = 0:1/fs:(NT-1)/fs; % 单周期采样时刻
K = ceil(N/NT)+1; % 重复次数
y = [];
for i = 1:K
y = [y,y0*exp(-g*2*pi*fn*t0).*sin(2*pi*fn*sqrt(1-g^2)*t0)];
end
y = y(1:N);
Yf = fft(y); % 频谱
figure(1)
plot(t,y);
axis([0,inf,-4,5])
title('轴承故障仿真信号时域波形图')
xlabel('Time(s)')
ylabel('Amplitude')
figure(2)
f = 0:fs/N:fs-fs/N;
plot(f/1e3,abs(Yf));
xlabel('Frequency(KHz)');
ylabel('\itY\rm(\itf\rm)')
title('轴承故障仿真信号幅度谱图')
B. 请问如何在matlab中对信号进行去噪操作。最好用函数的形式，方便其他程序调用
去噪有很多种方法，现在小波去噪最为常用，在matlab中有自带的函数进行小波去噪，简单易行。最常用且简单的是阈值去噪，用函数ddencmp()生成信号的默认阈值，然后利用函数wdencmp()进行去噪。如：
%对含噪信号s进行3层小波分解
[c,l]=wavedec(s,3,'db1'); %s为含噪信号，3为小波分解层数，db1为采用的小波基
%获取信号默认值
[thr,sorh,keepapp]=ddencmp('den','wv',s);
%参数den代表去噪，wv代表小波，s代表含有噪声的信号
%实现去噪过程
s2=wdencmp('gbl',c,l,'db1',3,thr,sorh,keepapp);
%参数gbl表示采用全局去噪
C. 怎么用matlab给地震信号去噪，程序
去噪有很多种方法，现在小波去噪最为常用，在matlab中有自带的函数进行小波去噪，简单易行。最常用且简单的是阈值去噪，用函数ddencmp()生成信号的默认阈值，然后利用函数wdencmp()进行去噪。
D. matlab中给信号加入白噪声,如何利用傅里叶变换去噪
小波的阈值去噪效果比较好。可以调用wden函数，比较简单
本题中前面改一下比较直观，可以把原始信号输出来subplot（2,2,1）后面去噪信号subplot（2,2,2）频谱图subplot（2,2,3）后面可加程序
xd=wden(x,'rigrsure','s','sln',5,'sym8');
subplot（2,2,4）;plot(xd);
title('去噪信号')；
err=x-xd;
函数wden的调用格式有以下两种：
（1）[XD,CXD,LXD]=wden(X,TPTR,SORH,SCAL,N,'wname')
（2）[XD,CXD,LXD]=wden(C,L,TPTR,SORH,SCAL,N,'wname')
函数wden用于一维信号的自动消噪。X为原始信号，[C,L]为信号的小波分解，N为小波分解的层数。
THR为阈值选择规则：
*TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。
*TPTR='heursure'，使用启发式阈值选择。
*TPTR='sqtwolog'，阈值等于sqrt(2*log(length(X))).
*TPTR='minimaxi'，用极大极小原理选择阈值。
SORH是软阈值或硬阈值的选择（分别对应's'和'h'）。
SCAL指所使用的阈值是否需要重新调整，包含下面三种：
*SCAL='one' 不调整；
*SCAL='sln' 根据第一层的系数进行噪声层的估计来调整阈值。
*SCAL='mln' 根据不同的噪声估计来调整阈值。
XD为消噪后的信号，[CXD,LXD]为消噪后信号的小波分解结构。
E. matlab怎样过滤噪音
要过滤，首先要预估噪音模型，即噪音信号产生的信号模型，再通过去噪处理来还原真实信号。
如果在实际应用过程中，只有一种噪音模型产生影响，这个好是很好解决的，只要这种影响是确定性的、周期的。但通常情况下，都是多种噪音同时产生影响，这个比较麻烦。
如果想看噪音处理模型的话，建议从简单的学起，例如：数据拟合去噪（最小二乘、多项式）等。
之后，可以看看kalman、小波变换等。
F. matlab小波分析工具箱的使用方法 求详细过程
将原始数据文件夹到装有matlab的电脑
打开matlab软件，进入软件主界面
在软件的左下方找到start按钮，点击选择toolbox，然后选择wavelet
进入wavemenu界面，选择一维小波中的wavelet1-D并进入
5.将数据文件（.Mat格式）托到matlab软件主界面的workspace
6.在wavemenu主界面中选择file-load signal或者import from workspace—import signal
7.选择要处理的信号，界面出现loaded信号，这就是没有去噪前的原
始信号
8.右上角选择用于小波分析的小波基以及分解层数并点击analyse开始分析
9.分析后在左边栏目中出现s，a*，d*，其中s为原信号，a*为近似信号，d*为细节信号
10.然后点击denoise去噪
11.阈值方法常用的有4种fixed（固定阈值），rigorsure，heusure，minmax根据需要选择，一般情况下rigorsure方式去噪效果较好
12.oft（软阈值），hard（硬阈值）一般选择软阈值去噪后的信号较为平滑
13.在噪声结构中选择unscaled white noise，因为在工程应用中的噪声一般不仅仅含有白噪声
14.在噪声结构下面的数值不要随意改，这是系统默认的去噪幅度
15.点击denoise开始正式去噪
16.在此窗口下点击file-save denoised singal，保存输出去噪后的信号
17.去噪结束
18.去噪结束后，把去噪后信号（.mat格式）拖至matlab主界面的workspace中，与原信号一起打包，以便以后计算统计量
19.Matlab编程计算相关统计量以及特征量
20.得出统计量和特征量后结束
G. 求教用matlab如何录音，去噪，端点检测。。。求高手
MATLAB中实现了信号的阈值去噪，主要包括阈值去噪和阈值获取两方面。
1.阈值获取
MATLAB中实现阈值获取的函数有ddencmp、thselect、wbmpen和wwdcbm，下面对它们的用法进行简单的说明。
ddencmp的调用格式有以下三种：
（1）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,IN2,X)
（2）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wp',X)
（3）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wv',X)
函数ddencmp用于获取信号在消噪或压缩过程中的默认阈值。输入参数X为一维或二维信号；IN1取值为'den'或'cmp'，'den'表示进行去噪，'cmp'表示进行压缩；IN2取值为'wv'或'wp'，wv表示选择小波，wp表示选择小波包。返回值THR是返回的阈值；SORH是软阈值或硬阈值选择参数；KEEPAPP表示保存低频信号；CRIT是熵名（只在选择小波包时使用）。
函数thselect的调用格式如下：
THR=thselect(X,TPTR);
THR=thselect(X,TPTR)根据字符串TPTR定义的阈值选择规则来选择信号X的自适应阈值。
自适应阈值的选择规则包括以下四种：
*TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。
*TPTR='heursure'，使用启发式阈值选择。
*TPTR='sqtwolog'，阈值等于sqrt(2*log(length(X))).
*TPTR='minimaxi'，用极大极小原理选择阈值。
阈值选择规则基于模型 y = f(t) + e，e是高斯白噪声N(0,1)。
函数wbmpen的调用格式如下：
THR=wbmpen(C,L,SIGMA,ALPHA);
THR=wbmpen(C,L,SIGMA,ALPHA)返回去噪的全局阈值THR。THR通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart的处罚算法。{C,L]是进行去噪的信号或图像的小波分解结构；SIGMA是零均值的高斯白噪声的标准偏差；ALPHA是用于处罚的调整参数，它必须是一个大于1的实数，一般取ALPHA=2。
设t*使crit(t)=-sum(c(k)^2,k<=t) + 2 * SIGMA^2 * t*(ALPHA+log(n/t))的最小值，其中c(k)是按绝对值从大到小排列的小波包系数，n是系数的个数，则THR=|c(t*)|。
wbmpen(C,L,SIGMA,ALPHA,ARG)计算阈值并画出三条曲线。
2 * SIGMA^2 * t*(ALPHA+log(n/t))
sum(c(k)^2, k<=t)
crit(t)
wdcbm的调用格式有以下两种：
（1）[THR,NKEEP]=wdcbm(C,L,ALPHA);
（2）[THR,NKEEP]=wdcbm(C,L,ALPHA,M);
函数wdcbm是使用Birge-Massart算法获取一维小波变换的阈值。返回值THR是与尺度无关的阈值，NKEEP是系数的个数。[C,L]是要进行压缩或消噪的信号在j=length(L)-2层的分解结构；LAPHA和M必须是大于1的实数；THR是关于j的向量，THR（i)是第i层的阈值；NKEEP也是关于j的向量，NKEEP(i)是第i层的系数个数。一般压缩时ALPHA取1.5，去噪时ALPHA取3.
2.信号的阈值去噪
MATLAB中实现信号的阈值去噪的函数有wden、wdencmp、wthresh、wthcoef、wpthcoef以及wpdencmp。下面对它们的用法作简单的介绍。
函数wden的调用格式有以下两种：
（1）[XD,CXD,LXD]=wden(X,TPTR,SORH,SCAL,N,'wname')
（2）[XD,CXD,LXD]=wden(C,L,TPTR,SORH,SCAL,N,'wname')
函数wden用于一维信号的自动消噪。X为原始信号，[C,L]为信号的小波分解，N为小波分解的层数。
THR为阈值选择规则：
*TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。
*TPTR='heursure'，使用启发式阈值选择。
*TPTR='sqtwolog'，阈值等于sqrt(2*log(length(X))).
*TPTR='minimaxi'，用极大极小原理选择阈值。
SORH是软阈值或硬阈值的选择（分别对应's'和'h'）。
SCAL指所使用的阈值是否需要重新调整，包含下面三种：
*SCAL='one' 不调整；
*SCAL='sln' 根据第一层的系数进行噪声层的估计来调整阈值。
*SCAL='mln' 根据不同的噪声估计来调整阈值。
XD为消噪后的信号，[CXD,LXD]为消噪后信号的小波分解结构。格式（1）返回对信号X经过N层分解后的小波系数进行阈值处理后的消噪信号XD和信号XD的小波分解结构[CXD,LXD]。格式（2）返回参数与格式（1）相同，但其结构是由直接对信号的小波分解结构[C,L]进行阈值处理得到的。
函数wdencmp的调用格式有以下三种：
(1)[XC,CXC,LXC,PERF0,PERFL2]=wdencmp('gbl',X,'wname',N,THTR,SORH,KEEPAPP);
(2)[XC,CXC,LXC,PERF0,PERFL2]=wdencmp('lvd',X,'wname',N,THTR,SORH);
(3)[XC,CXC,LXC,PERF0,PERFL2]=wdencmp('lvd',C,L,'wname',N,THTR,SORH);
函数wdencmp用于一维或二维信号的消噪或压缩。wname是所用的小波函数，gbl(global的缩写)表示每一层都采用同一个阈值进行处理，lvd表示每层采用不同的阈值进行处理，N表示小波分解的层数，THR为阈值向量，对于格式（2）和（3）每层都要求有一个阈值，因此阈值向量THR的长度为N，SORH表示选择软阈值或硬阈值（分别取值为's'和'h'），参数KEEPAPP取值为1时，则低频系数不进行阈值量化，反之，低频系数要进行阈值量化。XC是要进行消噪或压缩的信号，[CXC,LXC]是XC的小波分解结构，PERF0和PERFL2是恢复或压缩L^2的范数百分比。如果[C,L]是X的小波分解结构，则PERFL2=100*(CXC向量的范数/C向量的范数)^2；如果X是一维信号，小波wname是一个正交小波，则PERFL2=100||XC||^2/||X||^2。
函数wthresh的调用格式如下：
Y=wthresh(X,SORH,T)
Y=wthresh(X,SORH,T) 返回输入向量或矩阵X经过软阈值（如果SORH='s'）或硬阈值（如果SORH='h'）处理后的信号。T是阈值。
Y=wthresh(X,'s',T)返回的是Y=SIG(X)*(|X|-T)+，即把信号的绝对值与阈值进行比较，小于或等于阈值的点变为零，大于阈值的点为该点值与阈值的差值。
Y=wthresh(X,'h',T)返回的是Y=X*1(|X|>T)，即把信号的绝对值和阈值进行比较，小于或等于阈值的点变为零，大于阈值的点保持不变。一般来说，用硬阈值处理后的信号比用软阈值处理后的信号更粗糙。
函数wthcoef的调用格式下面四种：
（1）NC=wthcoef('d',C,L,N,P)
（2）NC=wthcoef('d',C,L,N)
（3）NC=wthcoef('a',C,L)
（4）NC=wthcoef('t',C,L,N,T,SORH)
函数wthcoef用于一维信号小波系数的阈值处理。
格式（1）返回小波分解结构[C,L]经向量N和P定义的压缩率处理后的新的小波分解向量NC，[NC,L]构成一个新的小波分解结构。N包含被压缩的细节向量，P是把较小系数置0的百分比信息的向量。N和P的长度必须相同，向量N必须满足1<=N(i)<=length(L)-2。
格式（2）返回小波分解结构[C,L]经过向量N中指定的细节系数置0后的小波分解向量NC。
格式（3）返回小波分解结构[C,L]经过近似系数置0后的小波分解向量NC。
格式（4）返回小波分解结构[C,L]经过将向量N作阈值处理后的小波分解向量NC。如果SORH=’s‘，则为软阈值；如果SORH='h'则为硬阈值。N包含细节的尺度向量，T是N相对应的阈值向量。N和T的长度必须相等。
函数wpdencmp的调用格式有以下两种：
（1）[XD,TREED,PERF0,PERFL2]=wpdencmp(X,SORH,N,'wname',CRIT,PAR,KEEPAPP)
（2）[XD,TREED,PERF0,PERFL2]=wpdencmp(TREE,SORH,CRIT,PAR,KEEPAPP)
函数wpdencmp用于使用小波包变换进行信号的压缩或去噪。
格式（1）返回输入信号X（一维或二维）的去噪或压缩后的信号XD。输出参数TREED是XD的最佳小波包分解树；PERFL2和PERF0是恢复和压缩L2的能量百分比。PERFL2=100*(X的小波包系数范数/X的小波包系数)^2；如果X是一维信号，小波wname是一个正交小波，则PERFL2=100*||XD||^2/||X||^2。SORH的取值为's'或'h'，表示的是软阈值或硬阈值。
输入参数N是小波包的分解层数，wname是包含小波名的字符串。函数使用由字符串CRIT定义的熵和阈值参数PAR实现最佳分解。如果KEEPAPP=1，则近似信号的小波系数不进行阈值量化；否则，进行阈值量化。
格式（2）与格式（1）的输出参数相同，输入选项也相同，只是它从信号的小波包分解树TREE进行去噪或压缩。
H. 用Matlab语言编写一个语音信号或图象信号去噪的程序请高手帮忙
不好意思，没看到维纳滤波，程序就不删了
%谱减法语音增强
%输入参数s 语音数据，fs 采样频率，p 下面有说明，共11个，可不输入，有默认值
%“过度减法(oversubtraction)”作减法的时候,保留一小部分原来的背景噪音,用这部分背景噪音来掩盖住音乐噪音的谱峰,从而消除了令人不悦的音乐噪音。
%通过给的参数p，估计噪音，做谱减法。从而消除噪音。
function [ss,po]=specsubm(s,fs,p)
%利用频谱相减（spectral subtraction）增强 [SS,PO]=(S,FS,P)
%
% implementation of spectral subtraction algorithm by R Martin (rather slow)
% algorithm parameters: t* in seconds, f* in Hz, k* dimensionless
% 1: tg = smoothing time constant for signal power estimate (0.04): high=reverberant, low=musical
% 2: ta = smoothing time constant for signal power estimate
% used in noise estimation (0.1)
% 3: tw = fft window length (will be rounded up to 2^nw samples)
% 4: tm = length of minimum filter (1.5): high=slow response to noise increase, low=distortion
% 5: to = time constant for oversubtraction factor (0.08)
% 6: fo = oversubtraction corner frequency (800): high=distortion, low=musical
% 7: km = number of minimisation buffers to use (4): high=waste memory, low=noise molation
% 8: ks = oversampling constant (4)
% 9: kn = noise estimate compensation (1.5)
% 10:kf = subtraction floor (0.02): high=noisy, low=musical
% 11:ko = oversubtraction scale factor (4): high=distortion, low=musical
%检查函数的输入参数，如果输入少于三个，po为默认值，po的参数上面有说明
if nargin<3 po=[0.04 0.1 0.032 1.5 0.08 400 4 4 1.5 0.02 4].'; else po=p; end
ns=length(s);
ts=1/fs;
ss=zeros(ns,1);
ni=pow2(nextpow2(fs*po(3)/po(8)));
ti=ni/fs;
nw=ni*po(8);
nf=1+floor((ns-nw)/ni);
nm=ceil(fs*po(4)/(ni*po(7)));
win=0.5*hamming(nw+1)/1.08;win(end)=[];
zg=exp(-ti/po(1));
za=exp(-ti/po(2));
zo=exp(-ti/po(5));
px=zeros(1+nw/2,1);
pxn=px;
os=px;
mb=ones(1+nw/2,po(7))*nw/2;
im=0;
osf=po(11)*(1+(0:nw/2).'*fs/(nw*po(6))).^(-1);
imidx=[13 21]';
x2im=zeros(length(imidx),nf);
osim=x2im;
pnim=x2im;
pxnim=x2im;
qim=x2im;
for is=1:nf
idx=(1:nw)+(is-1)*ni;
x=rfft(s(idx).*win);
x2=x.*conj(x);
pxn=za*pxn+(1-za)*x2;
im=rem(im+1,nm);
if im
mb(:,1)=min(mb(:,1),pxn);
else
mb=[pxn,mb(:,1:po(7)-1)];
end
pn=po(9)*min(mb,[],2);
%os= oversubtraction factor
os=zo*os+(1-zo)*(1+osf.*pn./(pn+pxn));
px=zg*px+(1-zg)*x2;
q=max(po(10)*sqrt(pn./x2),1-sqrt(os.*pn./px));
ss(idx)=ss(idx)+irfft(x.*q);
end
if nargout==0
soundsc([s; ss],fs);
end
I. 如何用matlab滤掉信号中的小幅值白噪声
1. WGN：产生高斯白噪声
y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。
y = wgn(m,n,p,imp) 以欧姆(Ohm)为单位指定负载阻抗。
y = wgn(m,n,p,imp,state) 重置RANDN的状态。
在数值变量后还可附加一些标志性参数：
y = wgn(…,POWERTYPE) 指定p的单位。POWERTYPE可以是'dBW', 'dBm'或'linear'。线性强度(linear power)以瓦特(Watt)为单位。
y = wgn(…,OUTPUTTYPE) 指定输出类型。OUTPUTTYPE可以是'real'或'complex'。
2. AWGN：在某一信号中加入高斯白噪声
y = awgn(x,SNR) 在信号x中加入高斯白噪声。信噪比SNR以dB为单位。x的强度假定为0dBW。如果x是复数，就加入复噪声。
y = awgn(x,SNR,SIGPOWER) 如果SIGPOWER是数值，则其代表以dBW为单位的信号强度；如果SIGPOWER为'measured'，则函数将在加入噪声之前测定信号强度。
y = awgn(x,SNR,SIGPOWER,STATE) 重置RANDN的状态。
y = awgn(…,POWERTYPE) 指定SNR和SIGPOWER的单位。POWERTYPE可以是'dB'或'linear'。如果POWERTYPE是'dB'，那么SNR以dB为单位，而SIGPOWER以dBW为单位。如果POWERTYPE是'linear'，那么SNR作为比值来度量，而SIGPOWER以瓦特为单位
J. 用matlab中工具箱进行小波去噪步骤
matlab读取excel文件比较方便，建议你把数据放到xls文件中保存，然后在matlab中用xlsread这个函数读取出来。版
读取出的数据应该是一权个一维数组了，用plot画出图的话，就是常见的曲线。
然后做小波分解：选用你觉得合适的小波基，例如haar，然后用这个小波基做小波分解，再把高频部分去掉，然后用低频部分还原，就得到了去噪后的信号。
其实你这个问题估计也可以用神经网络或者其它曲线拟合一类手段来解决。具体的情况要根据数据特征来判断。
以上。
专业路过的老狼