获取完整数据和代码，请直接加

kang20224

不要在面包多直接拍

背景知识

地震信号在采集过程中常常混入各种噪声，比如环境震动、仪器噪声等。这些噪声会掩盖微弱的地震事件，影响后续的分析（如震相识别、震源定位）。传统的去噪方法（如简单的滤波）容易损伤信号的有效成分。因此，科学家们发展了小波变换技术，它能把信号分解成不同尺度的成分，再在变换域中对噪声进行处理。但小波系数中既包含信号也包含噪声，如何精准地分辨并剔除噪声是关键。

算法总结

先把含噪信号通过连续小波变换拆成不同频率尺度上的小波系数，然后利用高阶统计量中的峰度指标（说白了就是看这些系数是否像高斯噪声那样随机）初步筛掉那些纯噪声的尺度。接着它采用一种聪明的块阈值方法——不单独处理每个系数，而是把小波系数按最优块大小分组，对整组一起判断是否保留，并用维纳滤波进一步修正，从而在压制噪声的同时最大程度保留地震信号的真实波形。最后通过逆小波变换重构出干净的地震记录。整个过程相当于先粗筛、再精修（块阈值+维纳），效果比传统方法更稳健，尤其适合信噪比低、信号形态复杂的地震数据。

算法步骤

小波分解 将原始含噪地震信号用连续小波变换CWT分解成多个尺度的小波系数矩阵，每个尺度对应一段频率范围。

初至时间估计 如果用户没有给出信号到达时间，算法会根据信号包络的变化自动估算一个粗略的初至点，用于后续噪声水平估计。

高阶统计量预处理 对每个尺度的系数计算峰度（Kurtosis），判断它是否接近高斯分布。如果该尺度的系数分布很“高斯”（说明主要是噪声），就直接将其全部置零，从而提前剔除那些几乎不含信号的尺度。

逐尺度噪声水平估计 对保留下来的每个尺度，利用初至前（纯噪声段）的系数，用中位数绝对偏差稳健的估计出该尺度的噪声标准差。

块阈值与维纳滤波联合去噪 对每个尺度的系数，采用SURE准则（Stein无偏风险估计）自动找到最优的块大小和阈值。然后把系数分成若干块，对每个块用 James-Stein 收缩规则进行阈值处理，再用维纳滤波做二次修正，得到该尺度的干净系数。

系数重组与逆变换 将所有尺度处理后的系数合并，通过连续小波逆变换重构出去噪后的地震信号。

输出结果 返回去噪信号、处理后的系数矩阵以及块阈值映射表，供用户分析或可视化。