当前位置：首页 > news >正文

Matlab 中 VMD 分解联合小波阈值去噪的探索与实践

news 2026/5/12 17:03:39

Matlab 基于VMD分解联合小波阈值去噪，程序包括VMD分解，小波阈值去噪，SNR评价指标，绘制不同小波函数不同分解层数SNR曲线，指出最佳的小波函数，分解层数

在信号处理领域，如何有效地去除噪声并提取有用信息一直是研究的重点。今天咱们就来聊聊 Matlab 里基于 VMD 分解联合小波阈值去噪的实现，以及通过 SNR 评价指标找到最佳小波函数和分解层数的过程。

VMD 分解

VMD（Variational Mode Decomposition）即变分模态分解，它是一种自适应的信号分解方法，能够将复杂信号分解为一系列具有不同中心频率的模态分量。

在 Matlab 里实现 VMD 分解，核心代码类似这样：

% 假设 s 是输入信号 K = 3; % 分解的模态数 alpha = 2000; % 惩罚参数 tau = 0; % 噪声容限 DC = 0; % 直流分量 init = 1; % 初始化模式 tol = 1e - 7; % 收敛精度 [u, u_hat, omega] = VMD(s, alpha, tau, K, DC, init, tol);

这段代码调用了 VMD 函数，将输入信号s分解为K个模态分量u。alpha是惩罚参数，它控制了各个模态分量的带宽约束，数值越大，模态分量的带宽越窄，分解的效果越精细，但计算量也会增加。tau表示噪声容限，如果设为 0 则不考虑噪声。K就是我们指定要分解出的模态数量。

小波阈值去噪

小波阈值去噪是一种经典的去噪方法，它基于小波变换将信号分解到不同尺度，然后通过设置阈值去除噪声对应的小波系数。

% 假设已经得到某个模态分量 u_i wname = 'db4'; % 选择小波函数，这里用 db4 level = 3; % 分解层数 [c, l] = wavedec(u_i, level, wname); % 小波分解 sigma = median(abs(c)) / 0.6745; % 估计噪声标准差 thr = sigma * sqrt(2 * log(length(u_i))); % 计算阈值 s = wthresh(c, 'h', thr); % 硬阈值处理 u_i_denoised = waverec(s, l, wname); % 小波重构

这里选择了db4小波函数和 3 层分解。首先通过wavedec函数进行小波分解得到小波系数c和长度向量l。接着通过中值法估计噪声标准差sigma，进而算出阈值thr。使用wthresh函数进行硬阈值处理，最后用waverec进行小波重构得到去噪后的信号uidenoised。

SNR 评价指标

信噪比（SNR）是衡量去噪效果的重要指标，定义为信号功率与噪声功率之比。在 Matlab 里计算 SNR 可以这样写：

% 假设 original_signal 是原始无噪信号，denoised_signal 是去噪后的信号 SNR = 10 * log10(sum(original_signal.^2) / sum((original_signal - denoised_signal).^2));

这里通过公式计算出 SNR 值，SNR 越大，说明去噪后的信号越接近原始信号，去噪效果越好。

绘制不同小波函数不同分解层数 SNR 曲线

为了找到最佳的小波函数和分解层数，我们需要遍历不同的小波函数和分解层数，并计算对应的 SNR。

wavelets = {'db1', 'db2', 'db3', 'db4', 'haar'}; % 待测试的小波函数 levels = 1:5; % 待测试的分解层数 SNR_matrix = zeros(length(wavelets), length(levels)); for i = 1:length(wavelets) wname = wavelets{i}; for j = 1:length(levels) level = levels(j); % 假设已经完成 VMD 分解得到某个模态分量 u_i [c, l] = wavedec(u_i, level, wname); sigma = median(abs(c)) / 0.6745; thr = sigma * sqrt(2 * log(length(u_i))); s = wthresh(c, 'h', thr); u_i_denoised = waverec(s, l, wname); SNR_matrix(i, j) = 10 * log10(sum(original_signal.^2) / sum((original_signal - u_i_denoised).^2)); end end figure; for i = 1:length(wavelets) plot(levels, SNR_matrix(i, :), 'DisplayName', wavelets{i}); hold on; end xlabel('分解层数'); ylabel('SNR'); title('不同小波函数和分解层数的 SNR 曲线'); legend;

这段代码首先定义了要测试的小波函数和分解层数。通过嵌套循环，对每个小波函数和分解层数组合进行去噪处理并计算 SNR，将结果存储在SNR_matrix中。最后绘制出不同小波函数对应的 SNR 随分解层数变化的曲线。