企业官网建设流程全解析

简介：本资源是一套面向信号处理初学者与工程实践者的联合去噪MATLAB实现方案，聚焦于非平稳、非线性信号中强噪声的有效抑制问题，适用于机械故障诊断、生物医学信号分析及振动监测等实际场景。资源包含4个核心文件：3个.m脚本（含CEEMDAN分解、小波阈值处理及主流程调用）与1个.mat测试数据，总大小仅39KB，轻量易部署，代码结构清晰、注释完整，便于理解CEEMDAN自适应分解与小波阈值协同去噪的原理与实现细节。已有7991人学习下载，体现了其在教学演示与算法复现中的广泛认可度。用户可直接运行CEEMDAN_Wavelet.m主程序，快速获得去噪前后对比结果；配套y.mat提供真实含噪信号样本，emd.m与ceemdan.m模块化封装便于二次开发；整体设计兼顾理论严谨性与工程实用性，是掌握混合去噪策略落地的关键参考。

1. 为什么做了这个联合去噪的包

CEEMDAN—小波阈值联合去噪.rar，这个文件名是我前几天整理代码时随手起的。做信号处理的人应该一眼就明白，这是一套把完全自适应噪声集合经验模态分解（CEEMDAN）和小波阈值去噪拼在一起的算法包。这几年它常出现在滚动轴承故障诊断、结构健康监测、脑电和心电信号预处理等场景里，很多人都在问怎么把这两个方法有效结合，而不是简单串在一起。

之所以想把这个组合单独整理成一个包，是因为我早期在项目里直接拿CEEMDAN去噪，效果并不理想。当时处理一段振动信号，先把CEEMDAN分解，去掉几个高频IMF分量，再做信号重构。重构完一看，波形确实干净了不少，但原始信号里那几个很明显的冲击毛刺也跟着变钝了。后来又试过只用小波阈值去噪，结果是高频噪声压下去了，但信号本身非平稳的趋势被当成噪声削掉一大截。最后被一篇论文点醒：与其在两种方法之间二选一，不如让CEEMDAN负责把信号按频率自适应拆开，再对含噪分量用小波阈值做精细清洗，各干各擅长的事。

1.1 从一次失败的“CEEMDAN直接重构去噪”说起

我先说那次翻车经历。某次做滚动轴承振动数据的故障特征提取，信号采样率12800Hz，数据长度2秒，输入的信噪比大概在2dB左右。我按常规做法，先做CEEMDAN分解，得到12个IMF分量和一个残余项，然后计算每个IMF与原始信号的相关系数，把相关系数低于0.2的高频IMF直接扔掉，剩下的重构。

结果时域波形看着挺平滑，但包络谱算出来后，故障特征频率的幅值比原始信号直接包络分析还要低，倒是几个无关的倍频成分显得很突出。我一开始以为是包络谱参数不对，换了窗函数和谱线数还是不行。后来把去掉的几个IMF拿出来单个看，发现第三个IMF里明明带着周期性的冲击衰减成分，幅值不大，但和轴承故障频率完全对应。也就是说，用相关系数做筛选时，这个IMF因为混有大量噪声，相关系数只有0.17，被“误杀”了。

这件事让我意识到，CEEMDAN虽然能把信号分解成不同尺度的分量，但噪声并不是规规矩矩待在某个高频IMF里，而是散落在多个IMF中。如果直接用“丢弃高频IMF”这样的粗放策略，丢掉的可能是有效瞬态分量；如果不丢，重构信号里又会残留大量噪声。小波阈值去噪正好补上这个空档——它可以在不改变IMF主要趋势的前提下，把系数的幅值向零收缩，让噪声贡献变小，而不是整个分量直接消失。

1.2 CEEMDAN和小波阈值各自擅长什么

CEEMDAN的全称是Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，中文一般叫完全自适应噪声集合经验模态分解。它是在EMD和EEMD基础上发展出来的。EMD能把非线性、非平稳信号分解成一系列固有模态函数，但对噪声敏感，容易出现模态混叠。EEMD通过多次添加白噪声再平均来缓解模态混叠，但计算量大，而且重构误差不好控制。CEEMDAN的做法是每一次分解时都加入自适应的高斯白噪声，然后边分解边把残余信号平均掉，既保留了EEMD抗混叠的优点，又大幅减少了平均次数。

小波阈值去噪则是另一套思路。它先把信号做多尺度小波分解，得到近似系数和细节系数，然后设定一个阈值，把绝对值小于阈值的细节系数当作噪声置零或收缩，再反变换回时域。这个过程对局部瞬态成分的保留能力很强，因为冲击信号在小波域里会集中到少数几个大系数上，而噪声会均匀分布在各尺度，通过阈值就能把两者分开。

两者结合的逻辑其实很简单：CEEMDAN是“粗分离”，把信号按频率从高到低自适应拆开；小波阈值是“精清洗”，把每个含噪IMF里剩下的局部噪声再处理一遍。单独用CEEMDAN，你会面临“丢还是不丢”的两难；单独用小波阈值，你会面临“平滑还是保留瞬态”的两难。联合起来，两个两难就变成了一个相对清晰的参数选择问题。

1.3 什么信号适合联合去噪

不是所有信号都适合这套组合。我个人总结下来，联合去噪最适合三类场景。

第一类是非平稳、非线性信号，比如轴承故障振动、齿轮箱振动、往复机械的缸体振动。这类信号里有明显的冲击成分，频率随时间变化，传统带通滤波器很难同时保留宽频冲击和趋势。第二类是生物医学信号，比如脑电、心电、肌电，它们幅度低、干扰多，CEEMDAN能把基线漂移和工频干扰分开，小波阈值再处理残余的肌电噪声。第三类是结构健康监测中的应变、加速度信号，环境激励强，目标模态往往淹没在噪声里，联合去噪能让模态参数识别更稳定。

如果是平稳周期信号，比如稳定的正弦波叠加白噪声，直接用带通滤波或者小波阈值就够了，没必要上CEEMDAN，分解过程反而会引入边界效应。如果原始信号信噪比已经很高，比如高于20dB，联合去噪带来的提升也不明显，还增加了计算量。我一般是先做一次快速频谱分析，看到有明显宽频噪声底、同时又有局部瞬态成分，才考虑用这套组合。

2. 联合去噪主流程：每一步的参数都不能拍脑袋

整套流程可以概括成四步：CEEMDAN分解、IMF分类、小波阈值去噪、信号重构。听起来简单，但每一步都有不少参数，参数选不对，结果可能比单方法还差。下面把每一步的关键点拆开讲。

2.1 第一步：CEEMDAN分解参数设置

CEEMDAN分解时最核心的三个参数是Nstd、NR和MaxIter。Nstd是添加白噪声的标准差与原始信号标准差的比值，通常取0.1到0.3。NR是集成次数，也就是重复分解的次数，一般取50到200。MaxIter是每个IMF筛选迭代的最大次数，MATLAB版通常是5000。

Nstd可以理解成“探针”的力度。太小了，白噪声不足以激发出潜在的模态，模态混叠问题还是存在；太大了，白噪声会残留在IMF里，后面小波阈值去噪要花更大代价才能清掉。我实际用下来，常规振动信号从Nstd=0.2开始试，脑电这类比较弱的信号可以降到0.1，强冲击信号甚至可以到0.25，但要配合后面的阈值参数调整。

NR决定了稳定性和计算时间的平衡。NR越大，分解越稳定，但计算时间成倍增加。一个长度2万点的信号，NR从50涨到200，运行时间可能从几十秒变成几分钟。我的经验是先用NR=50快速跑一遍，看IMF数量和形态是否合理，如果明显有模态混叠，再加到100或200。不要一上来就NR=500，那是在浪费机器。

MaxIter一般不用动，默认5000足够。如果分解后出现某个IMF明显被“截断”或出现不自然的平台段，可以考虑调大MaxIter，但更多时候是信号本身有间断造成的。

2.2 第二步：哪些IMF需要二次去噪

分解完之后，通常得到十几个IMF，不能一视同仁地全部做小波阈值去噪。低频IMF往往已经很干净，强行去噪会把趋势和缓变成分压平；高频IMF又可能全是噪声，去噪后仍然意义不大。真正需要处理的是那些“半干半湿”的IMF——含有有效成分，但噪声污染明显。

我常用的筛选指标有三个：相关系数、能量占比和峭度。

相关系数是最直观的。计算每个IMF与原始信号的Pearson相关系数，正常情况下，前几个高频IMF相关系数很低，中间几个开始升高，到最后几个低频分量相关系数很高。如果某个IMF相关系数低于0.1，大概率是噪声主导，可以考虑直接舍弃；相关系数在0.1到0.5之间的，是重点小波去噪对象；高于0.5的，直接保留。

但相关系数有盲区。回到我前面提到的轴承故障案例，冲击成分微弱且被噪声掩盖时，相关系数可能只有0.17，但它确实包含了关键故障信息。所以还需要看峭度。峭度是四阶中心矩除以方差的平方，高斯噪声的峭度接近3，冲击信号的峭度远大于3。如果某个IMF相关系数不高但峭度明显高于3，比如大于5，那这个IMF很可能藏着冲击特征，不能丢，必须做小波阈值去噪而不是直接舍弃。

能量占比是第三个参考量。把每个IMF的能量除以所有IMF总能量，占比很小的IMF通常是纯噪声，可以丢。我自己习惯把“相关系数 + 峭度”两个指标结合，用0.1和3.5作为初步阈值，再观察频谱微调。千万别把阈值定死，不同信号差异很大。

2.3 第三步：小波阈值去噪参数整定

小波阈值去噪有四个参数要定：小波基、分解层数、阈值规则、阈值函数。

小波基的选择和信号形态有关。常见的db4、db8、sym8、coif4都能用，区别在于对称性和消失矩。db4较短，对冲击的定位能力强，适合轴承故障这类瞬态信号；sym8较平滑，适合生物信号和缓变信号；db8居中，适合振动信号。我也见过有人用bior小波，但实际对比下来，db族和sym族的稳定性更好。

分解层数一般取3到5层。层数太少，噪声压不下来；层数太多，重构时边界失真变大。层数可以这样参考：数据点个数在2000以内取3层，5000到10000取4层，更长取5层。不是层数越多越好，我曾经在长信号上取7层，结果去噪后波形出现明显的“分段感”，就是因为每层系数长度不均匀，阈值处理引入的边界误差被逐级放大。

阈值规则有四个常用选项：rigrsure、sqtwolog、heursure和minimaxi。rigrsure是无偏风险估计，适合信噪比中等偏高的信号，去噪后细节保留好；sqtwolog是固定阈值，压噪彻底但对细节损伤大；heursure是前两者的混合，兼顾一点；minimaxi是最保守的，去噪幅度最小。强噪声环境下我倾向于用heursure或sqtwolog，弱噪声下用rigrsure。

阈值函数通常分软阈值和硬阈值。软阈值把所有系数向零收缩，连续性好，去噪后波形光滑，但信号幅值会被压缩；硬阈值是保留大于阈值的系数，小于阈值的置零，冲击保留能力强，但在阈值点不连续，重构后可能出现局部抖动。做轴承故障诊断时我基本用硬阈值；做脑电去噪时用软阈值。

2.4 第四步：重构策略

重构不是简单把所有IMF加回去，还要注意哪些分量参与重构、哪些不参与。

最稳妥的策略是：有效IMF中，纯噪声主导的直接舍弃；含噪但保留价值高的，用小波阈值去噪后参与重构；相关系数高且峭度正常的低频IMF，原样保留参与重构；残余项一般保留，因为它代表信号的趋势。最后把处理后的所有分量相加，得到去噪信号。

有人会问，能不能对每个IMF都做小波阈值去噪再全部重构？我试过，结果不理想。低频IMF本身信噪比很高，做阈值去噪后幅值被压低，重构信号整体幅度反而变小，趋势被扭曲。所以千万别“一刀切”。

另一种改进做法是加权重构。根据每个IMF去噪前后的相关系数变化，给不同IMF分配不同权重。相关系数高的给权重1，去噪后相关系数明显提升的给权重1.1或1.2，噪声主导的给权重0。这样做理论上能进一步提升信噪比，但权重系数需要调试，容易过拟合。我自己的建议是先做不加权方案，跑通后如果还不够，再试加权。

3. 仿真对比：联合去噪到底带来了多少提升

光说原理没用，得用数据说话。我设计了一个相对苛刻的仿真信号，分别用CEEMDAN直接重构、单独小波阈值去噪和联合去噪三种方式处理，对比信噪比和均方根误差。下面是我的测试条件和结果。

3.1 构造一个能说明问题的仿真信号

我构造的信号由三部分组成：一个50Hz正弦波，一个120Hz二倍频正弦，一个周期性冲击衰减序列，最后叠加上高斯白噪声。冲击衰减的表达式可以写成：

x_imp(t) = A * exp(-alpha * (t - t0)) * sin(2 * pi * f_c * (t - t0))

其中A取1.2，alpha取300，f_c取800Hz，冲击每0.1秒出现一次。采样率设为1024Hz，时长1秒，这样能模拟一个带高频冲击的旋转机械振动信号。最后加的高斯白噪声标准差调成输入信噪比约为5dB。

这个参数组合的妙处在于：50Hz和120Hz是平稳分量，800Hz冲击是瞬态分量，白噪声是宽频干扰。单独用小波阈值去噪，容易把冲击的局部能量当噪声压掉；单独用CEEMDAN重构，则容易在筛选IMF时丢掉冲击分量。只有联合去噪才有可能同时稳住平稳分量和瞬态分量。

3.2 三种方法的去噪结果对比

处理前先给原始信号加噪声，得到输入信噪比5dB。第一种方法是CEEMDAN直接重构，Nstd=0.2，NR=100，相关系数阈值0.2，低于阈值的IMF丢弃，其余重构。第二种方法是单独小波阈值去噪，小波基db4，分解层数4，heursure规则，软阈值。第三种方法就是联合去噪：CEEMDAN分解后，对相关系数在0.1到0.5之间的IMF做小波阈值去噪，相关系数大于0.5的IMF保留，小于0.1的丢弃，然后重构。

结果如下（在我这组测试条件下的数值）：

可以看出，联合去噪比CEEMDAN直接重构的SNR提升了4.4dB，RMSE降了一半左右。单独小波阈值去噪反而比CEEMDAN直接重构差一点，因为在仿真信号里，冲击衰减成分被软阈值处理压得太狠了。

3.3 从时域波形和频谱两个维度看效果

时域上最明显的差异在冲击位置。原始无噪信号的冲击幅值大约是1.2，加噪后冲击幅度被噪声淹没，时域波形看起来就是一簇毛刺。CEEMDAN直接重构后，冲击位置能看到，但幅度只有0.8左右，且冲击前沿变得不太陡。单独小波阈值去噪后的冲击幅度只有0.6，明显被压缩。联合去噪后的冲击幅度恢复到1.05左右，形状也更接近原始。

频谱上，含噪信号的噪声底几乎覆盖整个频带，50Hz和120Hz的谱线勉强可见。CEEMDAN直接重构后，噪声底有所下降，但在800Hz附近还是有一段较高的噪声平台，因为冲击分量所在的IMF没有被完全清洗。联合去噪后，噪声底明显压低，50Hz、120Hz和800Hz附近的谱峰都更加突出。

这里要强调，仿真结果是在特定参数下得到的，换一组参数可能数值不同，但趋势基本一致。如果你自己跑出来的提升没这么大，大概率是IMF筛选阈值或小波阈值规则没调好。

4. 工程实测：那些不跑仿真就发现不了的坑

仿真信号再怎么逼真，也比不上实测数据“教育人”。下面这几个坑，是我在项目里反复踩过之后总结出来的，每一件都有实际案例支撑。

4.1 端点效应怎么压都不干净

CEEMDAN分解时，每个IMF的两端都会出现较大的摆动，这就是端点效应。因为EMD类方法用三次样条包络拟合信号极值点，数据两端没有足够极值点，包络就抖得厉害。小波阈值去噪虽然本身没有这个问题，但如果你对含噪IMF做小波分解时，边界处理不当，会把端点效应再放大。

我一开始没管端点效应，直接分解、去噪、重构，结果去噪信号的前后几十个点严重变形，做功率谱时漏出来一大片低频假成分。后来试了几种延拓方法，效果最稳定的是镜像延拓：把信号在两端做镜像反射，延长大约10%的长度，分解完再截掉延拓段。AR模型预测延拓我也试过，确实更精确，但模型阶数不好定，有时候延拓段和真实信号趋势相反，反而更糟。

如果是批量处理短片段，比如每段只有2000点，我建议直接把每段前后各砍掉1%到2%的点，再用去噪后的中间部分做分析。虽然少了点数据，但能避免端点效应污染整个分析结果。

4.2 白噪声参数不是越大越好

很多初学者认为Nstd越大，抗模态混叠能力越强，结果把Nstd设成0.5甚至更高。实际测试下来，Nstd太大时，分解出的IMF里会残留大量白噪声成分，而且这些残留集中在前面几个高频IMF里。后续做小波阈值去噪时，为了把这些残留清掉，阈值会被迫抬得很高，导致原本有效的瞬态成分一起被削掉。

我现在的做法是：先取一小段数据，用Nstd=0.1、0.15、0.2、0.25分别跑一次，看前两个IMF的时域波形和频谱。如果第一个IMF和第二个IMF在某些频段同时出现大面积重叠的峰值，说明模态混叠没有解决，优先增加NR而不是增大Nstd。通常NR从100加到200，比Nstd从0.2升到0.4更有效。

还有一点，MATLAB和Python里CEEMDAN的Nstd定义略有差异。MATLAB的Nstd通常指白噪声标准差与信号标准差之比；Python的PyEMD库在CEEMDAN类中用的是epsilon参数，含义类似但我实测下来默认阈值还需要再微调。代码跨平台或者跨语言迁移时，不要再沿用老的参数组合，一定要重新标定。

4.3 阈值函数一选错，冲击特征就没了

对于带冲击的机械信号，阈值函数的选择几乎决定成败。我在某次齿轮箱振动信号处理中，先用了软阈值，去噪后包络谱的啮合频率边带幅值正常，但冲击事件对应的边带幅值压得很低。后来换成硬阈值，边带幅值显著回升，但时域信号里出现了一些轻微的高频毛刺——这是硬阈值不连续导致的振荡。

如果既要保留冲击，又不想看到硬阈值的毛刺，可以用改进阈值函数，比如在阈值边界做平滑过渡。还有一个小技巧是“周期平移”（cycle spinning），对信号做多次循环平移，每次平移后去噪，再平均回去。这样能大幅抑制硬阈值造成的局部不连续，代价是计算量成倍增加。我一般只对关键IMF做这一步，而不是对全部分量做。

4.4 批量处理时的参数自适应

最让人头疼的是批量处理几十上百个文件时，噪声水平各不相同。固定一组参数，可能前10个文件效果好，第11个文件就崩了，原因就是那个文件噪声特别大。手动逐个调参数不现实，得让程序自己估计噪声水平。

我的做法是：对每个IMF，先求小波第一层细节系数的中位数绝对偏差，然后除以0.6745当作噪声标准差估计，再结合IMF长度计算阈值。这个过程相当于把“小波阈值去噪”里的参数选择自动化了，不需要人为指定阈值。对于CEEMDAN参数，也可以设置一个简单规则：先看信号的峭度，峭度高就提高NR，峭度低就降低NR；信号长度长就降低NR，短就提高NR。这套规则没法做到最优，但能保证批量处理时结果不出现大的偏差。

5. 代码模板与参数速查：拿走就能跑

最后给出可以直接套用的代码框架。我同时写了MATLAB和Python两个版本，核心逻辑完全一致：分解、筛选、小波去噪、重构。代码里用到的CEEMDAN函数，MATLAB版可以在现有工具箱基础上改，Python版用PyEMD库，安装和调用都比较简单。

5.1 MATLAB核心代码

下面这段代码假设你有CEEMDAN函数，函数签名是[imf, residual] = ceemdan(x, Nstd, NR, MaxIter)。这个函数在不少学术代码库里都能找到，自己整理一下就能用。

function x_den = ceemdan_wdenoise(x, fs) % 联合去噪主函数 % 输入: x - 原始信号, fs - 采样率 % 输出: x_den - 去噪后信号 Nstd = 0.2; NR = 100; MaxIter = 5000; % 1. CEEMDAN分解 [imf, residual] = ceemdan(x, Nstd, NR, MaxIter); % 2. 计算相关系数和峭度 n_imf = size(imf, 2); corr_coef = zeros(n_imf, 1); kurt_val = zeros(n_imf, 1); for i = 1:n_imf tmp = imf(:, i); corr_coef(i) = abs(corrcoef(tmp, x)); corr_coef(i) = corr_coef(1, 2); kurt_val(i) = kurtosis(tmp); end % 3. 筛选需要小波去噪的IMF x_den = zeros(size(x)); for i = 1:n_imf if corr_coef(i) >= 0.1 && corr_coef(i) <= 0.5 % 含噪IMF：用小波阈值去噪 x_den = x_den + wden(imf(:, i), 'heursure', 's', 'mln', 4, 'db4'); elseif corr_coef(i) > 0.5 || kurt_val(i) > 5 % 相关系数高或峭度高的IMF：原样保留 x_den = x_den + imf(:, i); end % 相关系数小于0.1且峭度不突出：直接丢弃 end x_den = x_den + residual; end

这段代码把筛选逻辑写得很清楚：相关系数0.1到0.5之间的分量做小波去噪；相关系数高于0.5或者峭度大于5的分量原样保留；其余丢弃。实际使用时，如果你发现某些冲击分量相关系数低于0.1但峭度很高，需要把kurt_val(i) > 5这个判断条件提前。另外wden里的阈值规则、小波基和分解层数，都应根据信号类型调整，不能死搬。

5.2 Python核心代码

Python版本我习惯用PyEMD库做CEEMDAN，用PyWavelets做小波去噪。安装命令是pip install PyEMD PyWavelets，不同版本PyEMD的CEEMDAN接口略有不同，我下面写的是兼容性比较好的写法。

import numpy as np import pywt from PyEMD import CEEMDAN def ceemdan_wdenoise(x, fs): # 1. CEEMDAN分解 ceemdan = CEEMDAN(trials=100, epsilon=0.2) imfs = ceemdan.ceemdan(x) # 如果返回的是二维数组，行是IMF，列是时间 if imfs.ndim == 2 and imfs.shape[0] > imfs.shape[1]: imfs = imfs.T n_imf = imfs.shape[0] # 2. 相关系数和峭度 corr_coef = np.array([ abs(np.corrcoef(imf, x)[0, 1]) for imf in imfs ]) from scipy.stats import kurtosis kurt_val = np.array([kurtosis(imf) for imf in imfs]) # 3. 筛选并重构 x_den = np.zeros_like(x) for i in range(n_imf): imf = imfs[i] if 0.1 <= corr_coef[i] <= 0.5: # 小波阈值去噪 coeffs = pywt.wavedec(imf, wavelet='db4', level=4) # 用第一层细节系数估计噪声标准差 sigma = np.median(np.abs(coeffs[-1])) / 0.6745 thr = sigma * np.sqrt(2 * np.log(len(imf))) coeffs_th = [pywt.threshold(c, thr, mode='soft') for c in coeffs] imf_clean = pywt.waverec(coeffs_th, wavelet='db4') x_den = x_den + imf_clean elif corr_coef[i] > 0.5 or kurt_val[i] > 5: x_den = x_den + imf return x_den

这个Python版本和MATLAB版本有个区别：阈值不是固定用heursure，而是用sigma * sqrt(2*log(N))自动估计，这样对不同噪声强度的IMF适应能力更强。PyEMD的CEEMDAN类参数里，trials对应NR，epsilon对应Nstd，和MATLAB版略有差异，务必根据你的库版本调整。如果分解后imfs第一维是时间，第二维是IMF数量，记得查看官方文档确认维度顺序。

5.3 参数速查表

下面是我在不同场景下比较常用的参数组合，可以直接作为初始值。每个场景我都至少做过两组数据验证，不能保证最优，但能保证不跑偏。

这些参数不是死的。Nstd可以从0.1到0.3之间做一次小扫描，看分解出的IMF个数和形态；NR在100左右通常够用；小波基如果感觉冲击保留不理想，换成coif4试试；分解层数则根据数据长度按之前说的规则调整。总之，先按表跑一遍，再根据结果微调，是最快的路径。

5.4 个人使用体会

最后说点个人体会。做了这么多去噪工作，我最大的感受是：算法包里最值钱的部分不是那一两行核心函数，而是你对自己信号形态的理解。CEEMDAN加小波阈值联合去噪，不是把两个方法接起来就能用的“银弹”，它需要你清楚知道信号里有哪些成分不能丢、哪些噪声必须压。跑通一个仿真很容易，把一组固定参数用到所有数据上一定会翻车。

我现在的习惯是：拿到新数据后，先不做去噪，直接看时域波形、频谱、包络谱，心里有个大概判断；然后用默认参数跑一次联合去噪，把每个IMF的相关系数和峭度打出来对照一下；最后再根据结果决定是否调整小波基和阈值函数。整个流程走下来，花费的时间比直接套用参数多不了多少，但效果稳定得多。这个rar包里包含的就是这套流程的实现，代码可以拿去改，参数表也可以当速查手册用。希望这篇分享能让你少走一点我之前走过的弯路。

本文还有配套的精品资源，点击获取