［xd，cxd，lxd］=wden（x，tptr，sorh，scal，n，‘wname’）
式中：输入参数x为需要去噪的信号；
1.tptr：阈值选择标准。
1）无偏似然估计（rigrsure）原则。它是一种基于史坦无偏似然估计（二次方程）原理的自适应阈值选择。对于一个给定的阈值t，得到它的似然估计，再将似然t最小化，就得到了所选的阈值，它是一种软件阈值估计器。
2）固定阈值（sqtwolog）原则。固定阈值thr2的计算公式为：thr2log（n）2=（6）式中，n为信号x（k）的长度。
3）启发式阈值（heursure）原则。它是rigrsure原则和sqtwolog原则的折中。如果信噪比很小，按rigrsure原则处理的信号噪声较大，这时采用sqtwolog原则。
4）极值阈值（minimaxi）原则。它采用极大极小原理选择阈值，产生一个最小均方误差的极值，而不是没有误差。
2、sorh：阈值函数选择方式，即软阈值（s）或硬阈值（h）。
3.scal：阈值处理随噪声水平的变化，scal=one表示不随噪声水平变化，scal=sln表示根据第一层小波分解的噪声水平估计进行调整，scal=mln表示根据每一层小波分解的噪声水平估计进行调整。
4.n和wname表示利用名为wname的小波对信号进行n层分解。输出去噪后的数据xd及xd的附加小波分解结构［cxd，lxd］。
常见的几种小波：haar，db，sym，coif，bior
用MATLAB对一语音信号进行小波分解，分别用强阈值，软阈值，默认阈植进行消噪处理。
代码：
%装载采集的信号leleccum.mat
loadleleccum;
%=============================
%将信号中第2000到第3450个采样点赋给s
indx=2000:3450;
s=leleccum（indx）;
%=============================%画出原始信号
subplot（2，2，1）;
plot（s）;
TItle（‘原始信号’）;
%=============================
%用db1小波对原始信号进行3层分解并提取系数
［c，l］=wavedec（s，3，‘db1’）;
a3=appcoef（c，l，‘db1’，3）;
d3=detcoef（c，l，3）;
d2=detcoef（c，l，2）;
d1=detcoef（c，l，1）;
%=============================
%对信号进行强制性消噪处理并图示结果
dd3=zeros（1，length（d3））;
dd2=zeros（1，length（d2））;
dd1=zeros（1，length（d1））;
c1=［a3dd3dd2dd1］;
s1=waverec（c1，l，‘db1’）;
subplot（2，2，2）;
plot（s1）;grid;
TItle（‘强制消噪后的信号’）;
%=============================
%用默认阈值对信号进行消噪处理并图示结果
%用ddencmp函数获得信号的默认阈值
［thr，sorh，keepapp］=ddencmp（‘den’，‘wv’，s）;
s2=wdencmp（‘gbl’，c，l，‘db1’，3，thr，sorh，keepapp）;
subplot（2，2，3）;
plot（s2）;grid;
TItle（‘默认阈值消噪后的信号’）;
%=============================
%用给定的软阈值进行消噪处理
sosoftd2=wthresh（d2，‘s’，1.823）;
softd3=wthresh（d3，‘s’，2.768）;
c2=［a3softd3softd2softd1］;
s3=waverec（c2，l，‘db1’）;
subplot（2，2，4）;
plot（s3）;grid;
TItle（‘给定软阈值消噪后的信号’）;
ftd1=wthresh（d1，‘s’，1.465）;
技术专区
- Alexa语音服务软件扩展STM32Cube
- 结合DNN API驱动未来神经网络应用的解决方案
- 针对于高端移动通信和汽车市场的四集群设计
- 一款基于帧捕捉的开源图形调试器应用设计
- 即将成为标准配置的最新安全技术：后视摄像系统
