简介：这份资源面向信号处理、故障诊断与振动监测方向的学习者和研究人员，提供一套基于MATLAB的完整联合去噪方案，用于从多通道含噪信号中恢复原始信号。其核心思路是先通过多变量变分模态分解（MVMD）将信号拆解为多个模态分量，再依据相关系数筛选有效模态，随后对保留模态施加小波阈值去噪，最后重构得到干净信号，并借助PSNR、SSIM、MAE、RMSE、相关系数、SNR等指标量化评估效果。压缩包共15个文件，约2.65MB，以11个xlsx数据表、3个m脚本和1份docx说明文档为主，数据表承载原始与归一化特征，脚本实现分解、频谱分析与主流程，文档则给出运行前的必要提示。目前已有113人学习。读者可据此掌握MVMD与小波阈值结合的完整流程，理解模态筛选与重构逻辑，并直接复用代码与数据完成自己的去噪实验与指标对比。1. MVMD 加小波阈值去噪：为什么“先分解再阈值”比直接硬砍更靠谱一段非平稳信号丢过来，直接上低通滤波，往往把有用成分一起抹掉；直接对小波系数硬阈值，噪声压下去了，可模态混叠又冒出来。MVMD（多元变分模态分解）加小波阈值这条路线，解决的正是这个两难：先用 MVMD 把多通道信号拆成一组窄带本征模态，再对每个模态单独做小波阈值去噪，最后重构。它适合手里有多通道采集数据、信噪比不高、又不想把特征频率误伤的从业者，比如振动监测、生理信号、结构健康监测这类场景。我第一次在模拟项目里把这条链路跑通时，最直观的感受是：噪声不是被“砍”掉的，而是被“分而治之”地剥离的。下面按“先立住原理、再动手复现、最后讲坑”的顺序，把 MATLAB 完整代码和数据组织方式讲清楚。2. MVMD 与小波阈值去噪的底层逻辑和参数选型2.1 MVMD 到底比单通道 VMD 多做了什么VMD 处理的是单通道信号，把信号分解成 K 个模态，每个模态围绕一个中心频率。MVMD 把这件事扩展到多通道：它假设多个通道共享同一组中心频率，但每个通道在每个模态上有各自的幅度。换句话说，MVMD 找的是一组“共同频率骨架”，再让各通道去拟合这个骨架。这个假设在多通道采集里非常自然——同一个物理源在多个传感器上的主频是一致的，只是幅值和相位不同。数学上，MVMD 的优化目标可以写成对每个模态、每个通道的解析信号做频率搬移后，让带宽之和最小，同时约束所有通道重构误差最小。求解用交替方向乘子法（ADMM），和 VMD 的迭代结构类似，只是变量从一维变成矩阵。实际写代码时，你不需要手推 ADMM，但必须理解三个参数：模态数 K、惩罚因子 alpha、以及收敛容差 tol。K 决定拆多细，alpha 决定每个模态的带宽，tol 决定迭代什么时候停。常见做法是：K 从 3 到 8 试，alpha 取 2000 左右起步，tol 设 1e-7。如果 K 太小，两个物理模态会被塞进同一个分量；K 太大，一个模态会被拆成两个，出现“虚假分量”。判断依据不是看重构误差，而是看每个模态的频谱是否只有一个明显峰。我一般会先跑一遍 K=5，把各模态的频谱画出来，再决定加还是减。2.2 小波阈值为什么放在 MVMD 之后而不是之前小波阈值去噪的核心是：对信号做小波变换，噪声通常集中在高频细节系数里，且幅值小；有用信号的小波系数幅值大。于是设定一个阈值，把小于阈值的系数收缩或置零，再逆变换。问题在于，如果直接对原始多通道信号做小波阈值，噪声和有用信号在频带上重叠时，阈值会把有用成分一起削掉。MVMD 先做了一步“频率分选”：每个模态的频带相对窄，噪声和有用成分在不同模态里的占比不同。对每个模态单独选阈值，就比全局一个阈值精细得多。比如低频模态里噪声本来就少，阈值可以设小；高频模态里噪声占主导，阈值可以设大。这就是“先分解再阈值”比“直接硬砍”靠谱的原因。小波阈值本身有两个关键选择：小波基和阈值规则。小波基常用 db4、db6、sym8，分解层数一般取 3 到 5。阈值规则里，通用阈值（sqtwolog）偏保守，会多删系数；启发式阈值（heursure）和极小极大阈值（minimaxi）更温和。我一般用 sym8 加 heursure，分解 4 层，软阈值。软阈值比硬阈值平滑，但会引入一点幅值偏差；硬阈值保留幅值好，但容易在重构时产生振荡。如果后续要做幅值精确分析，硬阈值加小波基长度短一点更合适。2.3 完整链路的参数表和选型理由环节参数常用取值影响MVMD模态数 K3~8太小混叠，太大虚假分量MVMD惩罚因子 alpha2000~5000越大带宽越窄，越小越容易混叠MVMD收敛容差 tol1e-7太小迭代久，太大提前停小波小波基sym8 / db4影响时频局部化能力小波分解层数3~5层数多低频分辨率高，但计算量大小波阈值规则heursure / sqtwolog保守或激进小波阈值方式软阈值平滑但幅值略偏这张表不是让你照抄，而是让你知道每个参数动了之后，输出会往哪个方向变。调参的顺序建议是：先定 K 和 alpha，把 MVMD 的模态频谱看顺眼；再定小波基和层数，最后调阈值规则。3. 在 MATLAB 里跑通 MVMD 加小波阈值的完整流程3.1 数据组织与多通道信号构造假设你手里有 3 通道采集数据，采样率 1000 Hz，时长 2 秒。为了可复现，这里用模拟信号构造：三个通道共享两个主频，再加一个通道特有的频率，最后叠高斯白噪声。实际项目里把data换成你的采集矩阵即可，行是时间点，列是通道。% 构造多通道模拟信号：3 通道，1000 Hz，2 秒 fs = 1000; t = (0:1/fs:2-1/fs)'; N = length(t); % 共享频率成分 f1 = 50; % 通道共有的低频 f2 = 120; % 通道共有的中频 % 通道 3 特有频率 f3 = 200; % 各通道幅值不同，模拟传感器差异 ch1 = 1.0*sin(2*pi*f1*t) + 0.6*sin(2*pi*f2*t); ch2 = 0.8*sin(2*pi*f1*t + pi/6) + 0.9*sin(2*pi*f2*t + pi/4); ch3 = 0.7*sin(2*pi*f1*t + pi/3) + 0.5*sin(2*pi*f2*t) + 0.4*sin(2*pi*f3*t); % 叠高斯白噪声，信噪比约 5 dB rng(42); % 固定随机种子，保证可复现 noise_level = 0.3; ch1 = ch1 + noise_level*randn(N,1); ch2 = ch2 + noise_level*randn(N,1); ch3 = ch3 + noise_level*randn(N,1); data = [ch1, ch2, ch3]; % N x 3 矩阵这段代码的关键是data的维度：行是时间，列是通道。MVMD 的实现通常要求输入是N x C，如果你的数据是C x N，记得转置。rng(42)是为了让每次跑出来的噪声一样，方便对比去噪效果。实际采集数据不需要这一步。3.2 MVMD 分解的核心代码与参数设置下面是一个 MVMD 分解的函数调用框架。由于 MVMD 的完整 ADMM 实现较长，这里给出调用方式和参数设置，核心迭代逻辑封装在mvmd_decompose里。你可以在 MATLAB 文件交换区找到常见实现，或者按 ADMM 结构自己写。重点是参数怎么传、输出怎么用。% MVMD 参数设置 K = 5; % 模态数 alpha = 2000; % 惩罚因子 tol = 1e-7; % 收敛容差 max_iter = 500; % 最大迭代次数 % 调用 MVMD 分解 % 输入 data: N x C，输出 u: N x C x K，omega: K x C [u, omega, iter_num] = mvmd_decompose(data, K, alpha, tol, max_iter); % 检查收敛 fprintf('MVMD 迭代次数: %d\n', iter_num); % 画出每个模态的频谱，确认没有混叠 for k = 1:K figure; for c = 1:size(data,2) [Pxx, f] = pwelch(u(:,c,k), [], [], [], fs); plot(f, 10*log10(Pxx)); hold on; end title(sprintf('模态 %d 各通道频谱', k)); xlabel('频率 (Hz)'); ylabel('功率 (dB)'); legend('通道1','通道2','通道3'); hold off; endu的维度是N x C x K，表示第 k 个模态在第 c 个通道上的时间序列。omega是每个模态在每个通道上的中心频率估计。迭代次数iter_num如果接近max_iter，说明没收敛，需要调大max_iter或放宽tol。画频谱这一步不能省，它是判断 K 是否合适的唯一直观依据。3.3 对每个模态做小波阈值去噪拿到u之后，对每个模态、每个通道单独做小波阈值。这里用 MATLAB 的wdenoise函数，它封装了小波分解、阈值和重构。如果你要自己控制阈值规则，可以用wavedec加wthresh手动实现。% 小波阈值去噪参数 wname = 'sym8'; % 小波基 level = 4; % 分解层数 thr_method = 'Heursure'; % 阈值规则 sorh = 's'; % 软阈值 % 初始化去噪后的模态 u_den = zeros(size(u)); % 对每个模态、每个通道去噪 for k = 1:K for c = 1:size(data,2) u_den(:,c,k) = wdenoise(u(:,c,k), level, ... 'Wavelet', wname, ... 'DenoisingMethod', thr_method, ... 'ThresholdRule', sorh); end endwdenoise的输入是列向量，所以这里按通道循环。level取 4 是因为采样率 1000 Hz，4 层分解后最低频段大约覆盖到 31 Hz 左右，对 50 Hz 以上的成分足够。如果你的信号主频更低，层数要加。Heursure是启发式阈值，比sqtwolog温和，适合噪声水平未知的情况。3.4 重构信号并对比去噪前后去噪后的模态直接相加就是重构信号。因为 MVMD 的分解是完备的，所有模态之和等于原始信号，所以去噪后的重构就是sum(u_den, 3)。% 重构去噪信号 data_den = sum(u_den, 3); % 计算信噪比改善 snr_before = 10*log10(sum(data.^2, 'all') / sum((data - data).^2, 'all')); % 注意：实际项目里需要干净信号才能算 SNR，这里用模拟信号已知干净成分 clean = [1.0*sin(2*pi*f1*t) + 0.6*sin(2*pi*f2*t), ... 0.8*sin(2*pi*f1*t + pi/6) + 0.9*sin(2*pi*f2*t + pi/4), ... 0.7*sin(2*pi*f1*t + pi/3) + 0.5*sin(2*pi*f2*t) + 0.4*sin(2*pi*f3*t)]; snr_before = 10*log10(sum(clean.^2, 'all') / sum((data - clean).^2, 'all')); snr_after = 10*log10(sum(clean.^2, 'all') / sum((data_den - clean).^2, 'all')); fprintf('去噪前 SNR: %.2f dB\n', snr_before); fprintf('去噪后 SNR: %.2f dB\n', snr_after); % 画一个通道的对比 figure; plot(t, data(:,1), 'Color', [0.7 0.7 0.7]); hold on; plot(t, data_den(:,1), 'b', 'LineWidth', 1.2); plot(t, clean(:,1), 'r--', 'LineWidth', 1.0); legend('含噪信号','去噪信号','干净信号'); xlabel('时间 (s)'); ylabel('幅值'); title('通道 1 去噪前后对比'); hold off;这段代码里，snr_before和snr_after的计算依赖干净信号clean，实际采集数据没有这个条件，可以用噪声估计或者只看波形平滑度。模拟信号的好处就是能定量验证。如果 SNR 改善不到 3 dB，说明参数有问题，优先检查 K 和阈值规则。4. 避坑与排查：MVMD 加小波阈值最容易翻车的五个地方4.1 模态数 K 选大了，重构信号反而变差现象：K 从 5 加到 8，去噪后 SNR 不升反降，频谱上出现一堆窄带小峰。原因：MVMD 把噪声也拆成了独立模态，每个噪声模态被小波阈值处理后，残留的噪声结构被保留下来，重构时叠加回去。解决：不要盲目加 K。先用 K=3 到 5 跑一遍，看每个模态的频谱是否对应一个物理意义明确的频率。如果某个模态的频谱是平的或者多个小峰，说明它是噪声模态，应该减少 K 或者直接把这个模态置零。4.2 alpha 取太小，模态之间频率重叠现象：两个相邻模态的频谱在同一个频率上都有峰，重构信号里这个频率的幅值异常大。原因：alpha 控制带宽，太小则每个模态的带宽很宽，ADMM 无法把它们分开。解决：alpha 从 2000 起步，每次翻倍试。如果 alpha 加到 8000 还是重叠，说明 K 太小，两个物理模态被塞进一个了，先加 K 再加 alpha。4.3 小波阈值规则选错，有用高频被削掉现象：去噪后信号在 200 Hz 附近的幅值明显变小，而那个频率是有用的。原因：sqtwolog阈值偏高，把高频模态里幅值较小的有用系数也置零了。解决：换成heursure或minimaxi，或者对高频模态单独降低阈值。我一般会先对每个模态画出去噪前后的频谱，确认有用峰没被削。4.4 分解层数超过信号长度允许的范围现象：wdenoise报错或者输出全零。原因：小波分解层数太多，最粗尺度下的系数数量少于滤波器长度。解决：分解层数满足level <= floor(log2(N/(L-1)))，其中 L 是小波滤波器长度。N=2000、sym8 的 L=16 时，level 最大约 6。取 4 是安全的。4.5 多通道数据维度搞反，MVMD 输出错乱现象：mvmd_decompose跑完，u的维度是C x N x K，后面按N x C x K索引，结果全错。原因：不同实现的输入约定不同，有的要求C x N。解决：在调用前打印size(data)，确认是N x C。如果不是，用data = data';转置。这个坑我踩过不止一次，血泪经验就是：先看维度，再跑分解。5. 进阶技巧：用包络谱和模态能量比验证去噪是否到位跑通基本流程之后，怎么判断去噪是真的到位，而不是把有用成分也删了？我一般用两个指标：包络谱和模态能量比。包络谱适合振动或调制信号。对去噪后的重构信号做希尔伯特变换取包络，再对包络做 FFT，看故障特征频率是否清晰。如果去噪前包络谱里噪声底很高，去噪后特征峰突出，说明阈值没伤到调制信息。% 包络谱对比 env_before = abs(hilbert(data(:,1))); env_after = abs(hilbert(data_den(:,1))); [P_before, f_env] = pwelch(env_before - mean(env_before), [], [], [], fs); [P_after, ~] = pwelch(env_after - mean(env_after), [], [], [], fs); figure; plot(f_env, 10*log10(P_before), 'Color', [0.7 0.7 0.7]); hold on; plot(f_env, 10*log10(P_after), 'b', 'LineWidth', 1.2); legend('去噪前包络谱','去噪后包络谱'); xlabel('频率 (Hz)'); ylabel('功率 (dB)'); title('包络谱对比'); hold off;模态能量比是另一个角度：计算每个模态去噪前后的能量，如果某个模态能量下降超过 90%，说明这个模态基本被当成噪声删了。这时候要回头看这个模态的频谱，确认它是不是真的全是噪声。如果它包含有用频率，就要降低阈值或者换阈值规则。% 模态能量比 energy_before = zeros(K,1); energy_after = zeros(K,1); for k = 1:K energy_before(k) = sum(u(:,:,k).^2, 'all'); energy_after(k) = sum(u_den(:,:,k).^2, 'all'); end ratio = energy_after ./ energy_before; disp('各模态能量保留比：'); disp(ratio);如果某个模态的保留比低于 0.1，而它的中心频率又落在你关心的频段里，那就是阈值设激进了。我一般会把保留比控制在 0.3 到 0.8 之间，低频模态保留比高一些，高频模态低一些。最后一个习惯：每次调完参数，不要只看 SNR 数字，一定要把去噪前后的时域波形和频谱并排画出来。数字会骗人，波形不会。SNR 改善 5 dB 但波形上出现明显畸变的情况，我见过不止一次。希望帮到你。本文还有配套的精品资源，点击获取
简介：这份资源面向信号处理、故障诊断与振动监测方向的学习者和研究人员，提供一套基于MATLAB的完整联合去噪方案，用于从多通道含噪信号中恢复原始信号。其核心思路是先通过多变量变分模态分解（MVMD）将信号拆解为多个模态分量，再依据相关系数筛选有效模态，随后对保留模态施加小波阈值去噪，最后重构得到干净信号，并借助PSNR、SSIM、MAE、RMSE、相关系数、SNR等指标量化评估效果。压缩包共15个文件，约2.65MB，以11个xlsx数据表、3个m脚本和1份docx说明文档为主，数据表承载原始与归一化特征，脚本实现分解、频谱分析与主流程，文档则给出运行前的必要提示。目前已有113人学习。读者可据此掌握MVMD与小波阈值结合的完整流程，理解模态筛选与重构逻辑，并直接复用代码与数据完成自己的去噪实验与指标对比。1. MVMD 加小波阈值去噪：为什么“先分解再阈值”比直接硬砍更靠谱一段非平稳信号丢过来，直接上低通滤波，往往把有用成分一起抹掉；直接对小波系数硬阈值，噪声压下去了，可模态混叠又冒出来。MVMD（多元变分模态分解）加小波阈值这条路线，解决的正是这个两难：先用 MVMD 把多通道信号拆成一组窄带本征模态，再对每个模态单独做小波阈值去噪，最后重构。它适合手里有多通道采集数据、信噪比不高、又不想把特征频率误伤的从业者，比如振动监测、生理信号、结构健康监测这类场景。我第一次在模拟项目里把这条链路跑通时，最直观的感受是：噪声不是被“砍”掉的，而是被“分而治之”地剥离的。下面按“先立住原理、再动手复现、最后讲坑”的顺序，把 MATLAB 完整代码和数据组织方式讲清楚。2. MVMD 与小波阈值去噪的底层逻辑和参数选型2.1 MVMD 到底比单通道 VMD 多做了什么VMD 处理的是单通道信号，把信号分解成 K 个模态，每个模态围绕一个中心频率。MVMD 把这件事扩展到多通道：它假设多个通道共享同一组中心频率，但每个通道在每个模态上有各自的幅度。换句话说，MVMD 找的是一组“共同频率骨架”，再让各通道去拟合这个骨架。这个假设在多通道采集里非常自然——同一个物理源在多个传感器上的主频是一致的，只是幅值和相位不同。数学上，MVMD 的优化目标可以写成对每个模态、每个通道的解析信号做频率搬移后，让带宽之和最小，同时约束所有通道重构误差最小。求解用交替方向乘子法（ADMM），和 VMD 的迭代结构类似，只是变量从一维变成矩阵。实际写代码时，你不需要手推 ADMM，但必须理解三个参数：模态数 K、惩罚因子 alpha、以及收敛容差 tol。K 决定拆多细，alpha 决定每个模态的带宽，tol 决定迭代什么时候停。常见做法是：K 从 3 到 8 试，alpha 取 2000 左右起步，tol 设 1e-7。如果 K 太小，两个物理模态会被塞进同一个分量；K 太大，一个模态会被拆成两个，出现“虚假分量”。判断依据不是看重构误差，而是看每个模态的频谱是否只有一个明显峰。我一般会先跑一遍 K=5，把各模态的频谱画出来，再决定加还是减。2.2 小波阈值为什么放在 MVMD 之后而不是之前小波阈值去噪的核心是：对信号做小波变换，噪声通常集中在高频细节系数里，且幅值小；有用信号的小波系数幅值大。于是设定一个阈值，把小于阈值的系数收缩或置零，再逆变换。问题在于，如果直接对原始多通道信号做小波阈值，噪声和有用信号在频带上重叠时，阈值会把有用成分一起削掉。MVMD 先做了一步“频率分选”：每个模态的频带相对窄，噪声和有用成分在不同模态里的占比不同。对每个模态单独选阈值，就比全局一个阈值精细得多。比如低频模态里噪声本来就少，阈值可以设小；高频模态里噪声占主导，阈值可以设大。这就是“先分解再阈值”比“直接硬砍”靠谱的原因。小波阈值本身有两个关键选择：小波基和阈值规则。小波基常用 db4、db6、sym8，分解层数一般取 3 到 5。阈值规则里，通用阈值（sqtwolog）偏保守，会多删系数；启发式阈值（heursure）和极小极大阈值（minimaxi）更温和。我一般用 sym8 加 heursure，分解 4 层，软阈值。软阈值比硬阈值平滑，但会引入一点幅值偏差；硬阈值保留幅值好，但容易在重构时产生振荡。如果后续要做幅值精确分析，硬阈值加小波基长度短一点更合适。2.3 完整链路的参数表和选型理由环节参数常用取值影响MVMD模态数 K3~8太小混叠，太大虚假分量MVMD惩罚因子 alpha2000~5000越大带宽越窄，越小越容易混叠MVMD收敛容差 tol1e-7太小迭代久，太大提前停小波小波基sym8 / db4影响时频局部化能力小波分解层数3~5层数多低频分辨率高，但计算量大小波阈值规则heursure / sqtwolog保守或激进小波阈值方式软阈值平滑但幅值略偏这张表不是让你照抄，而是让你知道每个参数动了之后，输出会往哪个方向变。调参的顺序建议是：先定 K 和 alpha，把 MVMD 的模态频谱看顺眼；再定小波基和层数，最后调阈值规则。3. 在 MATLAB 里跑通 MVMD 加小波阈值的完整流程3.1 数据组织与多通道信号构造假设你手里有 3 通道采集数据，采样率 1000 Hz，时长 2 秒。为了可复现，这里用模拟信号构造：三个通道共享两个主频，再加一个通道特有的频率，最后叠高斯白噪声。实际项目里把data换成你的采集矩阵即可，行是时间点，列是通道。% 构造多通道模拟信号：3 通道，1000 Hz，2 秒 fs = 1000; t = (0:1/fs:2-1/fs)'; N = length(t); % 共享频率成分 f1 = 50; % 通道共有的低频 f2 = 120; % 通道共有的中频 % 通道 3 特有频率 f3 = 200; % 各通道幅值不同，模拟传感器差异 ch1 = 1.0*sin(2*pi*f1*t) + 0.6*sin(2*pi*f2*t); ch2 = 0.8*sin(2*pi*f1*t + pi/6) + 0.9*sin(2*pi*f2*t + pi/4); ch3 = 0.7*sin(2*pi*f1*t + pi/3) + 0.5*sin(2*pi*f2*t) + 0.4*sin(2*pi*f3*t); % 叠高斯白噪声，信噪比约 5 dB rng(42); % 固定随机种子，保证可复现 noise_level = 0.3; ch1 = ch1 + noise_level*randn(N,1); ch2 = ch2 + noise_level*randn(N,1); ch3 = ch3 + noise_level*randn(N,1); data = [ch1, ch2, ch3]; % N x 3 矩阵这段代码的关键是data的维度：行是时间，列是通道。MVMD 的实现通常要求输入是N x C，如果你的数据是C x N，记得转置。rng(42)是为了让每次跑出来的噪声一样，方便对比去噪效果。实际采集数据不需要这一步。3.2 MVMD 分解的核心代码与参数设置下面是一个 MVMD 分解的函数调用框架。由于 MVMD 的完整 ADMM 实现较长，这里给出调用方式和参数设置，核心迭代逻辑封装在mvmd_decompose里。你可以在 MATLAB 文件交换区找到常见实现，或者按 ADMM 结构自己写。重点是参数怎么传、输出怎么用。% MVMD 参数设置 K = 5; % 模态数 alpha = 2000; % 惩罚因子 tol = 1e-7; % 收敛容差 max_iter = 500; % 最大迭代次数 % 调用 MVMD 分解 % 输入 data: N x C，输出 u: N x C x K，omega: K x C [u, omega, iter_num] = mvmd_decompose(data, K, alpha, tol, max_iter); % 检查收敛 fprintf('MVMD 迭代次数: %d\n', iter_num); % 画出每个模态的频谱，确认没有混叠 for k = 1:K figure; for c = 1:size(data,2) [Pxx, f] = pwelch(u(:,c,k), [], [], [], fs); plot(f, 10*log10(Pxx)); hold on; end title(sprintf('模态 %d 各通道频谱', k)); xlabel('频率 (Hz)'); ylabel('功率 (dB)'); legend('通道1','通道2','通道3'); hold off; endu的维度是N x C x K，表示第 k 个模态在第 c 个通道上的时间序列。omega是每个模态在每个通道上的中心频率估计。迭代次数iter_num如果接近max_iter，说明没收敛，需要调大max_iter或放宽tol。画频谱这一步不能省，它是判断 K 是否合适的唯一直观依据。3.3 对每个模态做小波阈值去噪拿到u之后，对每个模态、每个通道单独做小波阈值。这里用 MATLAB 的wdenoise函数，它封装了小波分解、阈值和重构。如果你要自己控制阈值规则，可以用wavedec加wthresh手动实现。% 小波阈值去噪参数 wname = 'sym8'; % 小波基 level = 4; % 分解层数 thr_method = 'Heursure'; % 阈值规则 sorh = 's'; % 软阈值 % 初始化去噪后的模态 u_den = zeros(size(u)); % 对每个模态、每个通道去噪 for k = 1:K for c = 1:size(data,2) u_den(:,c,k) = wdenoise(u(:,c,k), level, ... 'Wavelet', wname, ... 'DenoisingMethod', thr_method, ... 'ThresholdRule', sorh); end endwdenoise的输入是列向量，所以这里按通道循环。level取 4 是因为采样率 1000 Hz，4 层分解后最低频段大约覆盖到 31 Hz 左右，对 50 Hz 以上的成分足够。如果你的信号主频更低，层数要加。Heursure是启发式阈值，比sqtwolog温和，适合噪声水平未知的情况。3.4 重构信号并对比去噪前后去噪后的模态直接相加就是重构信号。因为 MVMD 的分解是完备的，所有模态之和等于原始信号，所以去噪后的重构就是sum(u_den, 3)。% 重构去噪信号 data_den = sum(u_den, 3); % 计算信噪比改善 snr_before = 10*log10(sum(data.^2, 'all') / sum((data - data).^2, 'all')); % 注意：实际项目里需要干净信号才能算 SNR，这里用模拟信号已知干净成分 clean = [1.0*sin(2*pi*f1*t) + 0.6*sin(2*pi*f2*t), ... 0.8*sin(2*pi*f1*t + pi/6) + 0.9*sin(2*pi*f2*t + pi/4), ... 0.7*sin(2*pi*f1*t + pi/3) + 0.5*sin(2*pi*f2*t) + 0.4*sin(2*pi*f3*t)]; snr_before = 10*log10(sum(clean.^2, 'all') / sum((data - clean).^2, 'all')); snr_after = 10*log10(sum(clean.^2, 'all') / sum((data_den - clean).^2, 'all')); fprintf('去噪前 SNR: %.2f dB\n', snr_before); fprintf('去噪后 SNR: %.2f dB\n', snr_after); % 画一个通道的对比 figure; plot(t, data(:,1), 'Color', [0.7 0.7 0.7]); hold on; plot(t, data_den(:,1), 'b', 'LineWidth', 1.2); plot(t, clean(:,1), 'r--', 'LineWidth', 1.0); legend('含噪信号','去噪信号','干净信号'); xlabel('时间 (s)'); ylabel('幅值'); title('通道 1 去噪前后对比'); hold off;这段代码里，snr_before和snr_after的计算依赖干净信号clean，实际采集数据没有这个条件，可以用噪声估计或者只看波形平滑度。模拟信号的好处就是能定量验证。如果 SNR 改善不到 3 dB，说明参数有问题，优先检查 K 和阈值规则。4. 避坑与排查：MVMD 加小波阈值最容易翻车的五个地方4.1 模态数 K 选大了，重构信号反而变差现象：K 从 5 加到 8，去噪后 SNR 不升反降，频谱上出现一堆窄带小峰。原因：MVMD 把噪声也拆成了独立模态，每个噪声模态被小波阈值处理后，残留的噪声结构被保留下来，重构时叠加回去。解决：不要盲目加 K。先用 K=3 到 5 跑一遍，看每个模态的频谱是否对应一个物理意义明确的频率。如果某个模态的频谱是平的或者多个小峰，说明它是噪声模态，应该减少 K 或者直接把这个模态置零。4.2 alpha 取太小，模态之间频率重叠现象：两个相邻模态的频谱在同一个频率上都有峰，重构信号里这个频率的幅值异常大。原因：alpha 控制带宽，太小则每个模态的带宽很宽，ADMM 无法把它们分开。解决：alpha 从 2000 起步，每次翻倍试。如果 alpha 加到 8000 还是重叠，说明 K 太小，两个物理模态被塞进一个了，先加 K 再加 alpha。4.3 小波阈值规则选错，有用高频被削掉现象：去噪后信号在 200 Hz 附近的幅值明显变小，而那个频率是有用的。原因：sqtwolog阈值偏高，把高频模态里幅值较小的有用系数也置零了。解决：换成heursure或minimaxi，或者对高频模态单独降低阈值。我一般会先对每个模态画出去噪前后的频谱，确认有用峰没被削。4.4 分解层数超过信号长度允许的范围现象：wdenoise报错或者输出全零。原因：小波分解层数太多，最粗尺度下的系数数量少于滤波器长度。解决：分解层数满足level <= floor(log2(N/(L-1)))，其中 L 是小波滤波器长度。N=2000、sym8 的 L=16 时，level 最大约 6。取 4 是安全的。4.5 多通道数据维度搞反，MVMD 输出错乱现象：mvmd_decompose跑完，u的维度是C x N x K，后面按N x C x K索引，结果全错。原因：不同实现的输入约定不同，有的要求C x N。解决：在调用前打印size(data)，确认是N x C。如果不是，用data = data';转置。这个坑我踩过不止一次，血泪经验就是：先看维度，再跑分解。5. 进阶技巧：用包络谱和模态能量比验证去噪是否到位跑通基本流程之后，怎么判断去噪是真的到位，而不是把有用成分也删了？我一般用两个指标：包络谱和模态能量比。包络谱适合振动或调制信号。对去噪后的重构信号做希尔伯特变换取包络，再对包络做 FFT，看故障特征频率是否清晰。如果去噪前包络谱里噪声底很高，去噪后特征峰突出，说明阈值没伤到调制信息。% 包络谱对比 env_before = abs(hilbert(data(:,1))); env_after = abs(hilbert(data_den(:,1))); [P_before, f_env] = pwelch(env_before - mean(env_before), [], [], [], fs); [P_after, ~] = pwelch(env_after - mean(env_after), [], [], [], fs); figure; plot(f_env, 10*log10(P_before), 'Color', [0.7 0.7 0.7]); hold on; plot(f_env, 10*log10(P_after), 'b', 'LineWidth', 1.2); legend('去噪前包络谱','去噪后包络谱'); xlabel('频率 (Hz)'); ylabel('功率 (dB)'); title('包络谱对比'); hold off;模态能量比是另一个角度：计算每个模态去噪前后的能量，如果某个模态能量下降超过 90%，说明这个模态基本被当成噪声删了。这时候要回头看这个模态的频谱，确认它是不是真的全是噪声。如果它包含有用频率，就要降低阈值或者换阈值规则。% 模态能量比 energy_before = zeros(K,1); energy_after = zeros(K,1); for k = 1:K energy_before(k) = sum(u(:,:,k).^2, 'all'); energy_after(k) = sum(u_den(:,:,k).^2, 'all'); end ratio = energy_after ./ energy_before; disp('各模态能量保留比：'); disp(ratio);如果某个模态的保留比低于 0.1，而它的中心频率又落在你关心的频段里，那就是阈值设激进了。我一般会把保留比控制在 0.3 到 0.8 之间，低频模态保留比高一些，高频模态低一些。最后一个习惯：每次调完参数，不要只看 SNR 数字，一定要把去噪前后的时域波形和频谱并排画出来。数字会骗人，波形不会。SNR 改善 5 dB 但波形上出现明显畸变的情况，我见过不止一次。希望帮到你。本文还有配套的精品资源，点击获取