［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);