ICEEMDAN+PE+小波降噪重构（改进自适应噪声完备集合经验模态分解+排列熵+小波降噪重构） 对信号采用ICCEMDAN进行分解后判定分解分量的排列熵值 ，将大于预知的分量通过小波软/硬阈值降噪处理，随后进行重构。 数据为excel数据，使用时替换数据集即可； matlab代码，含有部分注释，代码逻辑清晰； 数据为excel数据，使用时替换数据集即可； 需要可以直接联系
信号处理玩到后期总得和各种分解算法打交道。最近在折腾一种混合降噪方法，把ICEEMDAN、排列熵和小波阈值这几个工具串起来用。直接上干货，先看整体流程：先用改进的自适应噪声完备集合经验模态分解（ICCEMDAN）把信号拆成多个IMF分量，计算每个分量的排列熵值，把熵值超标的成分扔给小波阈值处理，最后重构干净信号。
先解决数据读取问题。Matlab处理Excel数据其实挺简单，注意字符串和数值列别混了就行：
data = xlsread('your_data.xlsx'); % 替换文件名 signal = data(:,2); % 假设信号在第二列 fs = 1000; % 采样率自己改 t = (0:length(signal)-1)/fs;接着是核心的ICEEMDAN分解。这里推荐用第三方工具箱，自己手写分解算法容易掉头发：
[imf, noise] = iceemdan(signal, 0.2, 100, 10); % 噪声强度0.2,迭代100次,IMF数量10 figure; for i=1:size(imf,1) subplot(size(imf,1),1,i); plot(t, imf(i,:)); % 绘制各阶IMF end注意noise参数返回的是每次迭代添加的噪声，调试时可以用来监控分解稳定性。遇到过分解模态数不够的情况，可以适当调大最后一个参数。
排列熵计算是关键筛选步骤。这里有个坑：熵值阈值需要根据信号特性动态调整。举个计算单分量熵的例子：
function pe = permutationEntropy(signal, m, tau) % m=嵌入维度，tau=延迟时间 [~, symbols] = phaseSpaceReconstruction(signal, m, tau); counts = histcounts(symbols, 'Normalization', 'probability'); pe = -sum(counts .* log2(counts)); % 香农熵计算 end % 调用示例 pe_values = zeros(1, size(imf,1)); for i=1:size(imf,1) pe_values(i) = permutationEntropy(imf(i,:), 3, 1); end threshold = mean(pe_values) + 0.5*std(pe_values); % 动态阈值设定实际测试中发现，当嵌入维度m=3、延迟tau=1时，对高频噪声的敏感度刚好合适。阈值设定别死板，有时候需要加个滑动窗口来平滑。
到小波阈值处理环节了。Matlab的wdenoise函数其实已经很好用，不过这里用传统方法更直观：
clean_imf = imf; for i=1:size(imf,1) if pe_values(i) > threshold [c, l] = wavedec(imf(i,:), 5, 'db4'); % 5层分解 thr = wthrmngr('sqtwolog', c); % 通用阈值 c_rec = wthresh(c, 's', thr); % 软阈值 clean_imf(i,:) = waverec(c_rec, l, 'db4'); end end硬阈值（'h'）处理后的信号容易产生振荡，软阈值虽然衰减大但更平滑。碰到脉冲类噪声可以试试半软阈值。
最后重构信号就是简单的线性叠加：
reconstructed = sum(clean_imf, 1); figure; plot(t, signal, 'b', t, reconstructed, 'r--'); legend('原始信号','降噪信号');验证效果别只用肉眼，建议计算信噪比和均方误差：
snr_value = 10*log10(var(signal) / var(signal - reconstructed)); mse = mean((signal - reconstructed).^2); disp(['SNR提升至:', num2str(snr_value), 'dB']);整套代码跑下来，实测对机械振动信号中的间歇性噪声效果拔群。遇到过分解层数过多导致细节丢失的情况，这时候需要回头调整ICEEMDAN的模态数参数。数据量大的时候记得预分配数组，不然Matlab分分钟卡死给你看。
