背景

小波变换：一种时频分析方法，能将信号分解为不同尺度的近似分量和细节分量，适合处理非平稳信号。

平稳小波变换SWT：在每一层分解时不进行下采样，因此系数长度与原始信号一致，避免了普通小波变换的平移敏感性，更适合去噪和特征提取。

多级分解：将细节分量再次进行 SWT 分解，可以更精细地分离噪声与信号特征。

阈值去噪：对小波系数进行软阈值或硬阈值处理，抑制噪声分量。噪声水平通过纯噪声信号的分解来估计。

盲质量指标：基于重构信号的粗糙度、频谱能量比和相对非均匀性三个指标，无需原始纯净信号即可评价去噪效果，用于自动选择最优小波基。

峰值检测：在去噪后的信号中，利用统计方法（RMS、基线）和设定信噪比阈值，找到显著峰的位置。

这个算法在去掉噪声的同时保留重要的特征（比如光谱峰）。它先通过平稳小波变换把信号分解成不同粗细的“层”，然后专门用纯噪声信号去估计每一层里的噪声有多大，接着把每一层里比噪声小的系数剪掉（阈值处理），再把这些层重新拼回干净的信号。为了找到最合适的小波（就像选最合适的刷子），算法会用3个质量指标自动比较不同小波的结果，选出最优的。最后，在干净信号上用峰值检测功能，就能准确找到信号的“亮点”（比如光谱线）。

算法步骤

设定参数：确定分解层数、阈值置信度、填充方式、峰值检测灵敏度等。

信号填充：将原始信号两端延长，使其长度满足平稳小波变换对尺度数的要求。

多级平稳小波分解：将填充后的信号进行指定层数的 SWT 分解，得到每一层的近似系数和细节系数；再对每一层的细节系数再次进行 SWT 分解（二级分解），得到更精细的子带。

噪声水平估计：用原始信号的方差生成一段同长度的纯高斯白噪声，对它进行同样的多级 SWT 分解，计算每个子带系数的均方根（RMS）作为该子带的噪声估计值。

系数阈值处理：对每个子带的细节系数，根据对应的噪声估计值乘以置信度作为阈值，用硬阈值或软阈值将小于阈值的系数置零，保留大于阈值的系数。

多级逆变换重构：先对二级分解的子带进行逆 SWT，恢复出各层的细节系数，再对全部系数进行逆 SWT，得到重构信号。

去填充：去掉填充部分，恢复原始信号长度。

盲质量指标计算：用重构信号计算粗糙度、频谱能量比和相对非均匀性，并归一化后求欧氏距离，得到 BFOM 值，用来评价去噪效果。

最佳小波选择：对候选小波重复上述 2-8 步，选取 BFOM 最小的那个小波及其对应的重构信号。

峰值检测：在最优重构信号上，用统计方法计算基线、RMS，并设定信噪比阈值，用 scipy.signal.find_peaks 找出所有显著峰的位置。

获取完整数据和代码，请直接加

kang20224

不要在面包多直接拍