信号去噪实战：小波去噪、VMD及优化混合模型解析

做信号处理的人，迟早要被噪声逼疯。无论是采集轴承振动数据、心电信号，还是语音和结构应变，传感器出来的原始信号几乎永远是“信号+噪声”的混合体。你盯着那一条毛刺密布的时域波形，想提取特征频率，却发现峰值被噪声淹没；你用FFT看频谱，却只看到一片底噪。这种时候，去噪算法就是唯一能救你的工具。

这篇文章想跟你聊的，正是我在Matlab里反复折腾过的几条去噪路线：小波去噪（WD）、变分模态分解（VMD）、用优化算法自动调参的优化VMD，以及把几种方法串联起来的多模型混合方案。内容不堆公式，重点讲清楚每种方法的内在逻辑、Matlab里怎么落地、参数踩坑的经验，以及我实测下来的真实效果差异。如果你正在做信号分析、故障诊断或者传感器数据处理，这篇文章应该能帮你省下不少盲目试参数的时间。

1. 为什么单模型去噪总是差一口气

先说句实话：在真实工程场景里，没有任何一种去噪算法能“一招鲜吃遍天”。很多时候你觉得某个算法没用，不是算法本身不行，而是你用错了场景，或者参数没有调到它真正适合的位置。

1.1 实际采集信号到底有多难处理

教科书里的信号是干净的，实验室里的信号是“比较干净”的，而你现场采集的信号，往往是多种干扰叠加的结果。我经常跟人开玩笑说，传感器输出的不是信号，是“信号+高斯白噪声+工频干扰+随机脉冲+趋势漂移”的混合体。

拿我们最常遇到的几种情况举例：

• 轴承故障振动信号：有用成分是周期性冲击，但被强背景噪声覆盖，很多微弱故障特征在时域里完全看不出来。
• 心电/脑电等生物医学信号：工频干扰、肌电噪声一起叠加，而且信号本身是非平稳的。
• 结构应变/风速监测数据：带有缓慢变化的趋势项和随机高频噪声，趋势项不滤掉会影响后面的统计结果。

面对这种复杂情况，单模型去噪的局限就很明显了。小波去噪擅长对付平稳/非平稳的高斯噪声，但它依赖小波基和分解层数，选不好就去不掉噪声或者把有用尖峰也抹平。VMD可以自适应分解，但它的参数K（模态数）和alpha（惩罚因子）如果靠人工试，不同信号就要试半天，而且很容易过分解或欠分解。所以“多模型混合”不是炫技，本质上是让不同算法分工协作，发挥各自的长处。

1.2 四条技术路线的核心定位

为了后面说得清楚，我先把这篇文章涉及的几条路线梳理一遍，你可以把它当成一张地图：

我个人的经验是：VMD负责“拆”，WD负责“滤”，优化VMD负责“自动找最合适的拆法”，而混合模型则是把这三者串成一条完整的流水线。

2. 四种算法的核心拆解与适用边界

这一节我把每个算法掰开来看，重点讲你真正需要理解的原理，以及Matlab里实现时要注意的关键点。

2.1 小波去噪：不是越“干净”越好

小波去噪的原理，用一句话说：信号经过小波分解后，真实成分的能量会集中在少数几个较大的小波系数上，而噪声的能量分散在大量较小的系数上。所以我们设定一个阈值，把小系数“压小”或“置零”，再用处理后的小波系数重构信号，噪声就被滤掉了。

阈值处理有几种常见方案：

• 硬阈值：[ \hat{c} = \begin{cases} c, & |c| \ge \lambda \ 0, & |c| < \lambda \end{cases} ]，保留超过阈值的系数，直接置零小于阈值的系数。
• 软阈值：超过阈值时向零收缩 (|c|-\lambda) 而不是直接保留，曲线更平滑，视觉效果好，但会稍微削弱真实幅值。
• 阈值规则：sqtwolog（通用阈值，简单粗暴）、rigrsure（Stein无偏风险估计，适合信号弱、噪声弱的情况）、heursure（自动在两者之间选择）、minimaxi（极小极大原则，偏保守）。

Matlab里现在推荐直接用wdenoise，老一点的代码用wden也很常见。举个例子：

% 新版本推荐 y_wd = wdenoise(x_raw, 5, 'Wavelet', 'sym8', ... 'DenoisingMethod', 'Bayesian', ... 'ThresholdRule', 'Soft'); % 老式写法 % y_wd = wden(x_raw, 'heursure', 's', 'mln', 5, 'sym8');

但这里有个特别容易踩的坑：小波层数不是越多越好。我曾经对一个含冲击成分的轴承信号，把分解层数从4改到8，结果重构后的信号非常“光滑”，但冲击的幅值也从原来的0.8被压到了0.4，故障特征几乎全丢了。所以做小波去噪，一定要在“滤掉噪声”和“保留特征”之间做取舍，去噪后要检查时域特征有没有明显变形。

2.2 VMD变分模态分解：把信号“拆”成几份

VMD的核心思路，是把一个信号 (f) 分解为 (K) 个离散模态 (u_k)，每个模态在频域里围绕一个中心频率 (\omega_k)，并且整体上让所有模态的带宽之和最小，同时分解结果能重构回原信号。这个思想，用生活一点的话说：VMD像一个厨师，把一锅乱炖的汤按食材种类重新分盘，每一盘对应某一段频率范围。它不需要像小波那样事先选定“筛子”的形状，而是根据信号本身的频域特性自适应计算出每盘是什么。

Matlab里使用最广泛的，是Dragoniretskiy等人在File Exchange上发布的版本，调用格式一般是：

[u, u_hat, omega] = VMD(signal, alpha, tau, K, DC, init, tol);

其中：

• signal：输入信号（一维列向量）
• alpha：惩罚因子，控制模态带宽，默认2000左右
• tau：噪声容忍参数，0表示严格分解，非0用于含噪信号
• K：模态数量
• DC：是否将第一个模态作为直流分量（0/1）
• init：初始化中心频率的方式，常用1（均匀分布）
• tol：收敛容差

VMD最大的问题，不是算法本身，而是K和alpha这些参数你真的很难一次猜对。K太小，两个真实分量会被硬拆到一个模态里；K太大，同一个真实分量被拆成几个模态，出现“过分解”。alpha太小，模态带宽很大，分离不干净；alpha太大，分解容易丢失细节。

我的经验是：先固定alpha=2000，把K设成3跑一遍，画出各模态的频谱看中心频率是否分离得开、IMF之间有没有明显的频率混叠，再决定K是加还是减。这个过程看起来很“人工”，但确实是最快找出有效参数的方法。

2.3 优化VMD：用算法去搜参数

既然K和alpha这么难选，那能不能用智能优化算法自动找？这就是“优化VMD”的核心思路。常见做法是把VMD的参数组合 ((K, \alpha)) 当成优化变量，把某个能反映“分解效果好”的指标当成目标函数，用粒子群（PSO）、灰狼（GWO）、麻雀搜索（SSA）等算法去搜索最优值。

优化VMD的“好效果”怎么衡量？最常用的目标函数有：

• 包络熵（Envelope Entropy）：对每个IMF做Hilbert变换求得包络，包络的熵越小，说明模态的冲击/稀疏特性越明显，含噪越少。
• 排列熵（Permutation Entropy）：反映时间序列的复杂度和随机性，含噪多的模态排列熵更大。
• 峭度（Kurtosis）：反映信号冲击性，常用于轴承故障诊断场景。

以包络熵为例，目标函数可以设计成：分解后所有IMF包络熵的最小值（或加权平均值）最小。原理上很好理解：真实模态比噪声模态更有规律，包络熵应该更低。你寻找的其实就是“让最规整的那个模态也尽量规整”的参数组合。

但是在实际工程里我必须提醒你：优化VMD没有想象中“神”。首先，优化算法本身是启发式的，每次搜索结果可能不同；其次，目标函数的选择直接决定了搜索方向，比如如果你做的是冲击特征提取，用峭度当目标函数效果通常更直观，但你为了追求最大峭度，可能把噪声也当成冲击保留下来；最后，优化过程要反复调用VMD，如果信号很长，计算时间会非常感人。

2.4 多模型混合：不是简单“拼盘”

多模型混合在论文里经常被包装得很高级，但落到工程上，有效方案无非两类：

方案一：串联接力。先VMD分解，再把含噪比较严重的模态（比如中心频率高、包络熵大、与原始信号相关系数低的IMF）单独做小波去噪，最后把所有IMF重构。这种做法的逻辑是：VMD把信号拆开，高频模态往往混合着大部分噪声，对这些模态单独去噪，比直接对全集去噪更精准。这也是我最推荐的方案。

方案二：并联融合。用WD、VMD加阈值、卡尔曼滤波等方法分别去噪，再把结果按某种权重加权平均。理论上能降低单个方法带来的偏差，但实际很容易把不同方法引入的失真叠加起来，导致去噪结果“四不像”。我一般只做性能对比用，不太会用这种方案做最终结果。

还有人在混合流程里加入“模态选择”这一步，也就是分解后只保留与健康基准信号相关系数高的模态，相当于做一个自适应滤波器。这种思路在故障诊断里很常见，但如果现场没有健康基准信号，就不好用，需要考虑清楚。

3. Matlab工程实现细节

前面把原理讲透了，这一节直接上实操。我按“仿真信号构造→基础去噪→优化VMD→混合流程”的顺序来写，每一步都给可运行的代码思路。

3.1 构造仿真信号和评价指标

写代码之前，必须先解决“怎么评价去噪效果好”的问题。最常用的三个指标是：

• 信噪比SNR（单位dB），越大越好：[ \text{SNR} = 10\log_{10} \frac{\sum x_{true}^2}{\sum (x_{true} - x_{den})^2} ]
• 均方根误差RMSE，越小越好：[ \text{RMSE} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_{true}(i) - x_{den}(i))^2} ]
• 相关系数CC，越接近1越好。

下面这段Matlab用来生成一个包含两个正弦分量+一个冲击分量的仿真信号，并叠加高斯白噪声：

clc; clear; close all; fs = 2000; % 采样频率 t = (0:1/fs:1)'; % 时间向量 N = length(t); % 干净信号：两个调幅/调频分量 + 一个冲击 s1 = sin(2*pi*50*t) .* (1 + 0.5*sin(2*pi*8*t)); s2 = 0.6 * sin(2*pi*120*t + 0.3*cos(2*pi*10*t)); s3 = zeros(N,1); for k = 20:200:N s3(k:min(k+15,N)) = exp(-5*(0:15)'/fs) .* sin(2*pi*300*(0:15)'/fs); end x_true = s1 + s2 + s3; x_noise = x_true + 0.3 * randn(N,1); % 噪声较大的情况 % 评价指标函数 snr_val = @(x, y) 10*log10(sum(x.^2) / sum((x-y).^2)); rmse_val = @(x, y) sqrt(mean((x-y).^2)); cc_val = @(x, y) corr(x, y);

这段代码里的冲击分量对于测试“算法能不能保留瞬态特征”特别有用，因为很多去噪算法会把这种短时冲击当成噪声滤掉。

3.2 VMD和WD的基础实现要点

VMD的基础调用并不复杂，但有几个细节要特别说明。第一，VMD代码在File Exchange上有多个版本，有的版本会对输入加一个“汉宁窗”预处理，如果没有做这个处理，信号两端容易出现失真。第二，输出中omega是各个模态最终的中心频率，这个变量在判断分解是否合理时非常关键。第三，VMD默认要求信号列向量，如果不是需要先转置。

% 以固定参数运行VMD alpha = 2000; tau = 0; K = 4; DC = 0; init = 1; tol = 1e-7; [u, u_hat, omega] = VMD(x_noise, alpha, tau, K, DC, init, tol); figure; for k = 1:K subplot(K,1,k); plot(t, u(k,:)); title(sprintf('IMF %d, center freq %.2f Hz', k, omega(end,k)*fs/(2*pi))); end

这里需要注意omega的频率单位。VMD输出的omega是归一化角频率，换算成Hz要乘以 (fs/(2\pi))。很多新人在这块算错，然后莫名其妙觉得VMD结果不对。我建议你拿到分解结果后，第一件事就是看中心频率，如果发现两个IMF的中心频率非常接近，几乎重叠，那就是K设大了，出现过分解。

WD这块反而简单。wdenoise的调用我上面写过了，它的新版本去噪效果整体很稳，但默认参数可能不完全适合你的信号。我一般会手动指定小波基和分解层数，方便和论文里的结果对比。

3.3 优化VMD的参数编码和目标函数

下面我用最经典的粒子群算法（PSO）来示例如何优化VMD。PSO的每个粒子代表一组 ((K, \alpha))，粒子的速度更新和位置更新不用自己写，可以直接用Global Optimization Toolbox里的particleswarm，也可以自己写简版。为了不依赖工具箱，我建议自己写个简单的50行PSO，核心部分如下：

% 优化VMD：以最小包络熵为目标 nParticles = 10; maxIter = 15; dim = 2; lb = [3, 500]; % K下限，alpha下限 ub = [8, 5000]; % K上限，alpha上限 % 初始化位置和速度 positions = repmat(lb, nParticles, 1) + rand(nParticles, dim) .* (ub - lb); velocities = zeros(nParticles, dim); pbest = positions; pbest_val = inf(nParticles, 1); [gbest_val, gbest_idx] = min(pbest_val); gbest = pbest(gbest_idx, :); for iter = 1:maxIter for i = 1:nParticles K = round(positions(i, 1)); % K必须取整数 alpha = positions(i, 2); [u, ~, ~] = VMD(x_noise, alpha, 0, K, 0, 1, 1e-7); % 计算所有IMF的平均包络熵作为目标值 tmp_val = 0; for k = 1:K envp = abs(hilbert(u(k,:)))'; p = envp / sum(envp); tmp_val = tmp_val - sum(p .* log(p + eps)); % 香农熵 end fitness = tmp_val / K; if fitness < pbest_val(i) pbest_val(i) = fitness; pbest(i, :) = positions(i, :); end end [iter_best, idx] = min(pbest_val); if iter_best < gbest_val gbest_val = iter_best; gbest = pbest(idx, :); end % 更新速度和位置（标准PSO公式） w = 0.8; c1 = 1.5; c2 = 1.5; r1 = rand(nParticles, dim); r2 = rand(nParticles, dim); velocities = w*velocities + c1*r1.*(pbest - positions) + c2*r2.*(gbest - positions); positions = positions + velocities; positions = max(positions, lb); positions = min(positions, ub); end fprintf('最优K=%.0f, alpha=%.2f, 目标值=%.4f\n', gbest(1), gbest(2), gbest_val);

几个细节我说一下：K必须取整，这点特别重要，很多优化代码容易出现K=5.7这种不合理的值；alpha不用取整；目标函数里为了避免log0，我习惯加一个极小的eps。

3.4 混合去噪流程的完整串联

以串联方案为例，整体流程是：优化VMD找最优参数 → 用该参数分解 → 计算每个IMF与含噪信号的相关系数、包络熵、能量占比 → 标记“含噪模态”（通常是相关系数低、包络熵大的高频模态） → 对这些模态做小波软阈值去噪 → 全部模态叠加重构。

% Step 1：用上一步优化得到的最优参数做分解 alpha_opt = gbest(2); K_opt = round(gbest(1)); [u, ~, ~] = VMD(x_noise, alpha_opt, 0, K_opt, 0, 1, 1e-7); % Step 2：判断每个IMF是否需要去噪 need_denoise = zeros(1, K_opt); base_cc = corr(x_noise, x_noise); % 参考值，实际用相关系数阈值 for k = 1:K_opt cc = corr(x_noise', u(k,:)); envp = abs(hilbert(u(k,:)))'; p = envp / sum(envp); entropy = -sum(p .* log(p + eps)); % 规则：相关系数小于0.5且包络熵大于1.2，视为含噪严重 if abs(cc) < 0.5 && entropy > 1.2 need_denoise(k) = 1; end end % Step 3：对含噪模态做小波去噪 u_den = u; for k = 1:K_opt if need_denoise(k) u_den(k,:) = wdenoise(u(k,:), 4, 'Wavelet', 'sym8', ... 'DenoisingMethod', 'Bayesian', ... 'ThresholdRule', 'Soft'); end end % Step 4：重构 x_mixed = sum(u_den, 1)'; % 对比 fprintf('原始SNR: %.2f dB\n', snr_val(x_true, x_noise)); fprintf('WD去噪SNR: %.2f dB\n', snr_val(x_true, y_wd)); fprintf('混合去噪SNR: %.2f dB\n', snr_val(x_true, x_mixed));

这套代码跑通之后，你手里的信号去噪基本盘就搭好了。后面换场景时，主要改的就是“含噪模态判断规则”和“小波去噪的参数”。

4. 实测对比与参数选择避坑指南

理论和代码都过了一遍，最后分享几组实测结果和这几个月踩坑踩出来的经验。

4.1 三组典型场景的实测效果对比

我用前面构造的仿真信号做了4组对比：WD单独去噪、固定参数VMD（K=4, alpha=2000）、优化VMD（PSO搜索）、多模型混合（优化VMD+WD）。结果大概是这样：

场景A里，信号以平稳正弦分量为主，WD和VMD都不错，混合模型提升大概1个多dB；场景B里，含冲击特征，WD容易把冲击磨平，而VMD对冲击比较敏感，优化VMD能保住冲击特征，混合模型效果最好。场景C的低信噪比条件下，单靠WD效果一般，优化VMD略有提升，但混合模型的优势最明显。

这说明一个事实：混合模型不是“锦上添花”，而是低信噪比场景下真正能拉开差距的方案。但代价是计算时间明显增加，优化VMD那一步往往要花掉几秒钟甚至几十秒，短数据还好，长数据要做好心理准备。

4.2 VMD参数K和alpha到底怎么调

关于K和alpha，除了前面说的“用优化算法自动搜”外，我也分享几个经验性的判断方法：

• K的经验起点是3到5。先跑一次分解，画出各IMF的中心频率。如果两个IMF的中心频率差小于它们自身频率范围的20%，就认为是过分解，减少K。
• alpha的范围，通常取 (100 \sim 10000)。alpha越小，模态带宽越大，适合频率成分比较“粗”的信号；alpha越大，模态越“窄”，适合频率很清晰的周期信号。如果信号信噪比低，alpha可以适当调小，让模态更有包容性。
• tau的取值：如果信号噪声很大，我不建议设置为0，可以试试 (0.1 \sim 0.3)，VMD对噪声的容忍度会更高，分解也更稳。

我见过很多人纠结要不要用优化VMD，我的看法是：如果只是处理三段五段已知特征的信号，手工调K和alpha够了；但如果你要做一个批量处理系统，信号种类多种多样，那优化VMD几乎是必须的。优化算法本身不复杂，真正麻烦的是你不知道目标函数选得好不好。所以做优化VMD时，不要只输出最优参数，要同时把目标函数的变化曲线和分解后的IMF画出来看一眼，确认是“真的有效”而不是“优化算法找到了一个伪最优值”。

4.3 混合模型的计算成本与退化风险

作为一个实用主义者，我必须诚实地告诉你混合模型的几个缺点，别等跑完才后悔：

第一，计算时间。优化VMD动辄调用几十次甚至上百次VMD，每次VMD在10000点数据上耗时也要一两秒。如果信号长度超过几十万点，优化过程可能需要几分钟。我的建议是：先降采样到目标频带的有效采样率，做完去噪后再对结果做插值或对重构信号做频带验证，别一上来就全尺寸优化。

第二，退化风险。混合模型的环节越多，参数就越多，每个环节都可能引入新的失真。比如对IMF做小波软阈值时，如果阈值设得过大，会把模态里的真实细节抹掉；如果含噪模态判定规则设得不准，明明该保留的有用模态被当成噪声去处理，重构后特征反而丢了。

第三，优化算法的随机性。PSO这类算法每次运行结果可能略有不同。建议在同一信号上多跑几次，看最优参数是不是稳定在相近范围，如果不同次跑出来K差了3个以上，说明目标函数设计可能有问题，不要拿单次结果就直接用。

4.4 常见问题速查表

最后把我在实践中高频遇到的问题和解决思路整理成一张表，算是给后来人开路：

还有一个容易被忽略的点：无论用哪种方法，去噪之后一定要做“可解释性验证”，也就是把去噪信号的频谱和时域特征跟原始信号放在一起对比，确认不是算法“凭空造”出了什么。算法只是工具，信号背后的物理意义才是你真正要保护的东西。

我个人在实际操作中的体会是：去噪算法的价值排序，永远是“参数可解释性 > 指标提升幅度 > 方法看似高级程度”。一个你能讲清楚每个参数为什么这么设的简单方案，远好过一个跑完都说不清工作原理的黑盒混合模型。所以我的建议很直接：先用固定参数VMD跑通你的数据，理解每一个IMF的含义；再按需加WD精细化去噪；如果确实需要批量自动化处理，再考虑上优化VMD。别一上来就堆最复杂的方案，那只会让你花更多时间在“排查流程哪里出错”上，而不是在分析信号本身。