❶ matlab中的小波工具箱怎么用，希望能详细介绍
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
❷ 信号去噪方法有那些
哪种信号啊？信号分老多种啦!
我对雷达较有研究给你我的论文看一下吧
常常借鉴地震资料处理的反褶积方法，将雷达记录转变为反射系数序列。然而由于地下介质的复杂性和各种噪声的影响，常常反褶积对杂波与信号的分离并无改善；所以很多情况下应用效果并不理想。鉴于利用常规的探地雷达数据处理方法进行目标体资料分析，易受杂波干扰、波形混叠等等因素影响而导致应用解释效果欠佳，因此对于探地雷达的数据处理方法仍有待于进一步深入研究。
在图像和信号处理论域广泛应用的小波变换，以及基于HHT变换的EMD分解等时频分析方法，近年来在探地雷达数据处理中得到了重视。小波变换具有线性变换、多分辨率分析、局部细化、可灵活选择小波基等等优点，对瞬态非平稳信号或宽带信号分析具有独特之处，使得它非常适合于探地雷达脉冲信号的处理。而希尔伯特(换是提取信号瞬时参数的有效途径，但它对信号的提取有条件要求；基于HHT变换的经验模态分解，依据数据本身的信息进行分解，得到的固有模态函数信号是有限个且均满足Hilbert变换对信号的提取条件，较之基于传统的傅立叶变换的时频分析方法，具有真正有意义的瞬时参数分析。
由于应用探地雷达的瞬时参数分析可以形成三个参数相互独立的解释剖面，从而比较全面的了解地下介质变化情况。但是瞬时参数易受噪声影响，尤其是瞬时相位对噪声干扰比较敏感。而城市环境中探地雷达探测信号干扰较多，同时由于工作条件的复杂多样，有时直达波强度常常可与探测目标回波强度相比拟。由于直达波的消除不易，使得对目标的特征识别、解释以及空间定位比较困难。在进行处理时，杂波的移除是非常重要的部分。为此首先进行常规处理，主要是消除直达波强烈影响。简单的做法是从实测的探地雷达记录中直接消减直达波记录；或者通过选择合理的滤波参数，采用移动平均滤波器或中值滤波器消减直达波；
在此基础上，采用小波变换方法对探地雷达数据进行降噪分析处理。从效果上讲，以Donoho的阀值去噪方法最为突出。这里利用Mallat提出的多分辨率分析的概念和正交小波快速算法（Mallat算法），假定噪声信号广泛分布在各个尺度且幅值相对较小，通过正交变换，将信号能量集中在某些频带的少数幅值相对较大系数上。为了数据处理方便，借助Matlab提供的方便而强大的计算及可视化工具，利用Matlab的小波工具箱函数，只须应用简单的信号处理知识和编程技能，就可以通过Matlab编程进行小波阀值估计，给予其它频带上的小波系数较小的权重或者置零，从而达到有效抑制噪声的目的。总的来说，应用小波变换处理可以有效地消除各种噪声干扰，从而更清楚有效地显示目标层位。
通过上述数据处理过程，避免了在噪声干扰情况下直接进行经验模态分解较难获得良好的分解效果的问题。由于希尔伯特－黄（HHT）变换具有一定的噪声分解能力，不同尺度的噪声被分离到不同的固有模态函数，使得噪声对信号的影响减小，从而信号特征的提取的有效性和信号分解的精度都有了提高。通过对经验模态分解得到的IMF信号进行变换，获得瞬时频率、瞬时相位、瞬时振幅等瞬时参数，其中瞬时频率可以较好的探测地下介质的形状和性质的变化；瞬时相位可有效的探测地下介质的连续性并且与信号振幅无关，可以更好的分析深层信号特征；瞬时振幅反映了信号能量的变化，可以推测地下介质性质的变化。
综上所述，根据探地雷达信号的特点，通过试验和研究，首先去除直达波等干扰，并利用小波变换具有良好的时频分析特性进行信号去噪，再利用希尔伯特－黄（HHT）变换得到瞬时频率、瞬时相位、瞬时振幅等瞬时参数，形成多个参数剖面，可以多角度多方面的分析探地雷达剖面并易于给出合理的地质解释。因此，在探地雷达信号去噪基础上，基于EMD分解的瞬时参数分析在探地雷达数据处理中具有很好的应用前景。
❸ 用小波分析法除去音频信号的噪声
小波变换及其应用是八十年代后期发展起来的应用数学分支，被称为“Fourier分析方法的突破性进展[1]”。 1986年Meyer Y构造了一个真正的小波基，十多年间小波分析及其应用得到了迅速发展，原则上传统的傅里叶分析可用小波分析方法取代[2],它能对几乎所有的常见函数空间给出通过小波展开系数的简单刻划，也能用小波展开系数描述函数的局部光滑性质，特别是在信号分析中，由于它的局部分析性能优越，因而在数据压缩与边缘检测等方面它比现有的手段更为有效[3-8]。 小波变换在图像压缩中的应用因它的高压缩比和好的恢复图像质量而引起了广泛的注意，且出现了各种基于小波变换的图像压缩方案。
小波变换自1992年Bos M等[9]首先应用于流动注射信号的处理，至今虽才8年时间，但由于小波变换其优良的分析特性而迅速渗透至分析化学信号处理的各个领域。本文介绍了小波变换的基本原理及其在分析化学中的应用情况。
1 基本原理
设f(t)为色谱信号，其小波变换在L2(R)中可表示为：
其中a, b∈R,a≠0,参数a称为尺度因子b为时移因子，而(Wf)(b, a)称为小波变换系数，y(t)为基本小波。在实际分析化学信号检测中其时间是有限长度，f(t)通常以离散数据来表达，所以要采用Mallat离散算法进行数值计算，可用下式表示：
fj+1=θj + f j
其中:N为分解起始尺度;M为分解次数；fj和qj可由下式求得：
此处:Φj, m为尺度函数;Ψj, m 为小波函数;系数Cmj ,dmj可由下式表达：
hk-2m , gk-2m取决于小波母函数的选取。
用图表示小波分解过程如下：
图中fN 、fN-1....fN-m和θN-1、θN-2....θN-m分别称为在尺度N上的低频分量和高频分量。上述分解过程的逆过程即是信号的重构过程。
2 分析化学中的应用
根据小波变换基本原理及其优良的多分辩分析特性，本文将小波变换在分析化学信号处理中的应用划归为以下三个方面：
2.1 信号的滤波
小波滤波方法目前在分析化学中应用主要是小波平滑和小波去噪两种方法。小波平滑是将某一信号先经小波分解，将在时间域上的单一信号分解为一系列不同尺度上的小波系数(也称不同频率上的信号), 然后选定某一截断尺度，使高于此尺度的小波系数全部为零，再重构信号，这样就完成了一个低通小波滤波器的设计；而小波去噪，则是在小波分解基础上选定一阈值，对所有尺度空间的小波系数进行比较，使小于此阈值的小波系数为零，然后重构信号[10]。
邵利民[11]等首次将小波变换应用于高效液相色谱信号的滤波，他们应用了Haar小波母函数，由三次小波分解后所得的低频部分重构色谱信号，结果成功地去除了噪声，明显地提高了色谱信号的信噪比，而色谱峰位保持一致，此法提高了色谱的最低检测量和色谱峰的计算精度。董雁适[12]等提出了基于色谱信号的小波自适应滤波算法，使滤波与噪声的频带分布，强度及信噪在频带上的交迭程度基本无关，具有较强的鲁棒性。
在光谱信号滤噪中的应用，主要为红外光谱和紫外光谱信号滤噪方面的应用，如Bjorn K A[13]等将小波变换用于红外光谱信号的去噪，运用6种不同的小波滤噪方法(SURE，VISU，HYBRID，MINMAX，MAD和WP)对加噪后红外光谱图进行了去噪,针对加噪与不加噪的谱图，对Fourier变换、移动平均滤波与小波滤波方法作了性能比较研究，结果认为Fourier变换、移动平均滤波等标准滤波方法在信噪比很低时滤噪性能与小波滤波方法差不多，但对于高信噪比的信号用小波滤噪方法(特别是HYBRID和VISU)则更有效 。闵顺耕[14]等对近红外漫反射光谱进行了小波变换滤波。顾文良[15]等对示波计时电信号进行了滤噪处理。王立世[16]等对电泳信号也做了小波平滑和去噪,都取得了满意的效果。邹小勇[17]等利用小波的时频特性去除了阶跃伏安信号中的噪音，并提出了样条小波多重滤波分析方法，即将过滤后的高频噪音信号当成原始信号进行滤波处理，使之对有用信号进行补偿。鲍伦军等[18]将样条小波和傅里叶变换联用技术应用于高噪音信号的处理。另外，程翼宇[19]等将紫外光谱信号的滤噪和主成分回归法进行了有机的结合，提出了小波基主成分回归(PCRW)方法，改善了主成分回归算法。
2.1 信号小波压缩
信号经小波分解之后，噪音信号会在高频部分出现，而对于有用的信号分量大部分在低频部分出现，据此可以将高频部分小波系数中低于某一阈值的系数去除，而对其余系数重新编码，只保留编码后的小波系数，这样可大大减少数据贮存量，达到信号压缩的目的。
在近代分析化学中分析仪器的自动化水平在不断提高，分析仪器所提供的数据量越来越大。寻找一种不丢失有效信息的数据压缩方法，节省数据的贮存量，或降低与分析化学信息处理有关的一些算法的处理量，已成为人们关心的问题。Chau F T等[20]用快速小波变换对模拟和实验所得的紫外可见光谱数据进行了压缩，讨论了不同阶数的Daubechies小波基、不同的分解次数及不同的阈值对压缩结果的影响。Barclay V J和Bonner R F[10]对实验光谱数据作了压缩，压缩率可达1/2~1/10,并指出在数据平滑和滤噪的同时，也能进行数据的压缩是小波有别与其他滤波方法的一大特点。王洪等[21]用Daubechies二阶正交小波基对聚乙烯红外光谱进行了成功的压缩，数据可压缩至原来的1/5以下。邵学广等[22]对一维核磁共振谱数据作了小波变换压缩，分别对常用的Haar、Daubechies以及Symmlet小波基作了比较，其结果表明准对称的Symmlet小波基对数据的复原效果最佳，而且在压缩到64倍时，均方差仍然较小。章文军等[23]提出了常用小波变换数据压缩的三种方法，将紧支集小波和正交三次B-样条小波压缩4-苯乙基邻苯二甲酸酐的红外光谱数据进行了对比，计算表明正交三次B-样条小波变换方法效果较好，而在全部保留模糊信号及只保留锐化信号中数值较大的系数时，压缩比大而重建光谱数据与原始光谱数据间的均方差较小。邵学广等[24]将小波数据压缩与窗口因子分析相结合，在很大程度上克服了用窗口因子分析直接处理原始信号时人工寻找最佳窗口的困难，在压缩比高达8:1的情况下，原始信号中的有用信息几乎没有丢失，窗口因子分析的解析时间大为缩短。Bos M等[25]用Daubechies小波对红外光谱数据进行压缩，压缩后的数据作为人工神经网络算法的输入接点，从而提高了人工神经网络的训练速度，预测的效果也比直接用光谱数据训练的要好。
2.3 小波多尺度分析
在多尺度分析方面的应用主要是对化学电信号进行小波分解，使原来单一的时域信号分解为系列不同频率尺度下的信号，然后对这些信号进行分析研究。
小波在色谱信号处理方面的应用，主要是对重叠色谱峰的解析。邵学广[26-27]等对苯、甲苯、乙苯三元体系色谱重叠峰信号小波变换后的某些频率段进行放大，然后重构色谱信号，使重叠色谱峰得到了分离，定量分析结果得到了良好的线性关系。此后邵学广[28]等利用了谱峰提取法对植物激素重叠色谱峰作了定量计算，此法表明，利用小波变换从重叠色谱信号中提取的各组分的峰高与浓度之间仍然具有良好的线性关系。
重叠伏安峰的分辨是电分析化学中一个长期存在的难题。当溶液中存在两种或更多的电活性物质，而这些物质的氧化(或还原)电位又很靠近时，就会不可避免地出现重叠峰的现象，而给进一步的定性、定量分析带来了很大困难。因此，人们做了较多的工作去解决这一难题。数学方法是目前处理重叠峰的重要手段，如Fourier变换去卷积以及曲线拟合。曲线拟合通常用来获得“定量”的信息，但这种方法有较多的人为因素，重叠峰包含的峰的个数，相对强度都是靠假设得来，因而可能引入严重的误差；去卷积方法则是一种频域分析手段，但该方法需先找出一个函数来描述伏安峰，然后再根据这个函数来确定去卷积函数，因此，去卷积函数的确定是比较麻烦的，尤其是对不可逆电极过程，无法找到一个合适的函数表达式，而且该方法还需经正、反Fourier变换，比较繁琐费时, 而小波分析的出现成了电分析化学家关注的热点。
陈洁等[29]用DOG小波函数处理差分脉冲实验数据，通过选择合适的伸缩因子，成功地延长了用DPV法测定Cu2+的线性范围。郑建斌等[30-31]将小波变换用于示波计时电位信号的处理，在有用信息提取、重叠峰分辨等方面进行了系统的研究。王洪等[32]将小波边缘检测的思想用于电位滴定终点的确定，找到了一种判断终点准确的终点判断方法。郑小萍等[33]将样条小波变换技术用于分辨重叠的伏安峰，以选定的分辨因子作用于样条小波滤波器，构造了一个小波峰分辨器，用它来直接处理重叠的伏安峰，取得了较好的分离效果，被处理重叠峰可达到完全基线分离，且峰位置和峰面积的相对误差均较小。
对于红外光谱图，目前也是通过对红外谱图进行小波分解，以提高红外谱图的分辩率。陈洁[34]等对辐射合成的丙烯酰胺、丙烯酸钠共聚物水凝胶的红外光谱信号经小波处理后，使其特征吸收带较好地得到分离，成功地提高了红外光谱图的分辨率。谢启桃[35]等对不同晶型聚丙烯红外光谱图作了小波变换，也得到了可用以区分聚丙烯a、b两晶型的红外光谱图。
3 展望
小波变换由于其优良的局部分析能力，使其在分析化学信号的滤噪、数据压缩和谱峰的分离方面得到了很好的应用。本人通过对小波变换在化学中应用的探索，认为对于分析化学中各种电信号的平滑、滤波还有待作更深入的研究，以设计出更为合理有效的小波滤波器，以消除由于平滑而导至的尖锐信号的峰高及峰面积的变化或由于去噪而带来的尖锐信号附近的不应有的小峰的出现；对于重叠峰的分离及其定量计算，还应该探讨如色谱峰基线的确定方法以及待分离频率段的倍乘系数的确定方法；另外对于色谱峰的保留指数定性问题，由于不同化合物在某一确定的分析条件下有可能会出现保留值相同的情况，这将使在未知样中加标准的峰高叠加法定性或外部标准物对照定性变得困难，我们是否可能对色谱峰进行小波分解，然后在不同的尺度上对其进行考察，以寻求色谱峰的小波定性方法，这可能是个可以进一步研究的问题。
小波变换将在分析化学领域得到更加广泛的应用，特别对于分析化学中的多元定量分析法，如多元线性回归法(MLR)，主成分回归法(PCR)，偏最小二乘法(PLS)等方法及人工神经网络(ANN)将会同小波变换进行有机的结合，以消除各种噪声干扰对定量分析的影响；或对相关数据进行压缩以减少待分析数据的冗余，提高分析精度和大大减少计算量提高分析速度。小波变换将会成为分析化学中定量和定性分析的一种非常重要的工具。
❹ 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
❺ 小波图像去噪的原理是什么啊
图像降噪的主要目的是在能够有效地降低图像噪声的同时尽可能地保证图像细节信息不受损失，。图像去噪有根据图像的特点、噪声统计特性和频率分布规律有多种方法，但它们的基本原理都是利用图像的噪声和信号在频域的分布不同，即图像信号主要集中在低频部分而噪声信号主要分布在高频部分，采取不同的去噪方法。传统的去噪方法，在去除噪声的同时也会损害到信号信息，模糊了图像。
小波变换主要是利用其特有的多分辨率性、去相关性和选基灵活性特点，使得它在图像去噪方面大有可为，清晰了图像。经过小波变换后，在不同的分辨率下呈现出不同规律，设定阈值门限，调整小波系数，就可以达到小波去噪的目的。
小波变换去噪的基本思路可以概括为：利用小波变换把含噪信号分解到多尺度中，小波变换多采用二进型，然后在每一尺度下把属于噪声的小波系数去除，保留并增强属于信号的小波系数，最后重构出小波消噪后的信号。其中关键是用什么准则来去除属于噪声的小波系数，增强属于信号的部分。
❻ matlab怎么用小波包进行图像去噪
小波图像去噪的方法大概分为3类
1:基于小波变换摸极大值原理
2：基于小波变换系数的相关性
3：基于小波阈值的去噪。
基于小波阈值的去噪方法3个步骤：
1： 计算含噪声图像的小波变换。选择合适的小波基和小波分解层数J，运用Matlab 分解算法将含有噪声图像进行J层小波分解，得到相应的小波分解系数。
2：对分解后的高频系数进行阈值量化，对于从1 到J的每一层，选择一个适当的阈值和合适的阈值函数，将分解得到的高频系数进行阈值量化，得到估计小波系数。
3:进行小波逆变化，根据图像小波分解后的第J层，低频 系数（尺度系数）和经过阈值量化处理的各层高频系数（小波系数），运用Matlab重构算法进行小波重构，得到去噪后的图像。
❼ 求助matlab中的小波工具包
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 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16.在此窗口下点击file-save denoised singal，保存输出去噪后的信号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不会用就查帮助文档啊！waverec函数是不需要你自己加零延拓的，上面的代码完全不知所谓，waverec函数的使用是要依赖wavedec函数得到的CL组构的，CL组构中存放小波系数的数组C本身就已经延拓了，而且你不知道它对数据延拓了多少，延拓的方式有多种根本不是你这样直接加零就行的。我发现你很有才，经常提问和编出一些匪夷所思的问题和代码，不耻下问的精神是好的，但我个人是很不提倡这种做法的，有时间在这打字提问，不如找几本基础参考书看看，不了解就查吗，不明白就往明白搞吗，但看你这些“新奇”的问题和代码真很抓狂，自己对于这些基本问题都懒得琢磨，打着勤奋好学，不耻下问的幌子，太没劲了！哦，看错了，waverec函数是可以用上面的代码的，我看成wrcoef函数了，wrcoef函数可以实现waverec、upwlev和upcoef三个函数的功能之和，所以比waverec函数应用简单，不需要你将其他分量置零，用它实现小波工具箱功能最方便。
❽ 小波变换后的图像如何去噪
小波变换去噪的基本思路可以概括为：利用小波变换把含噪信号分解到多尺度中，小波变换多采用二进型，然后在每一尺度下把属于噪声的小波系数去除，保留并增强属于信号的小波系数，最后重构出小波消噪后的信号。其中关键是用什么准则来去除属于噪声的小波系数，增强属于信号的部分。
❾ 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
❿ 小波去噪中效果的好坏问题
有可能是你所用的信号适合硬阈值的处理。小波处理结果的好坏，无论是去噪还是其它应用，都与信号本身的特征和小波基有关，没有一定之规，切不可完全相信文献的结论，那是为了好而好的，有些可能不真实，但它也不会写出来的。