基于matlab的小波分析，小波分解。 对数据分析。

小波分解这玩意儿在信号处理里属于越用越香的技能，尤其处理非平稳信号的时候。举个栗子，假设你手头有一段心电图信号，高频噪声和低频基线漂移混在一起，这时候直接傅里叶变换就容易翻车——小波可就不一样了，它能同时捕捉时间和频率信息，相当于给信号做了个动态CT扫描。

先看个实战场景：某医院监测到的心电信号.mat文件，采样率500Hz。直接load之后画原始波形：

load('ecg.mat');
plot(t,ecg);
xlabel('时间(s)');
ylabel('幅度(mV)');

这时候大概率会看到波形带着呼吸引起的缓慢波动，还有50Hz工频干扰。上小波分解前得先选个合适的基函数，新手建议从db4开始，这个基函数在医疗信号处理中比较常用。

来个三尺度分解：

[c,l] = wavedec(ecg,3,'db4');
approx = appcoef(c,l,'db4');
[cd1,cd2,cd3] = detcoef(c,l,[1 2 3]);

这里c是系数数组，l记录各层长度。重点注意第三层的细节系数cd3，对应0.5-1Hz频段，可能藏着QRS波群的特征。用wrcoef做单支重构更直观：

a3 = wrcoef('a',c,l,'db4',3);
d3 = wrcoef('d',c,l,'db4',3);
subplot(211),plot(a3);title('三阶近似');
subplot(212),plot(d3);title('三阶细节');

这时候能看到细节系数里的尖峰对应心跳位置。但实际处理时可能遇到系数太多的问题，特别是高频层——这时候阈值去噪就派上用场了。软阈值处理细节系数：

thr = wthrmngr('dw2ddenoLVL','penalhi',cd1);
sorh = 's';
cd1_denoised = wthresh(cd1,sorh,thr);

注意这里用了penalhi阈值规则，适合处理脉冲型噪声。处理完记得用waverec重构：

denoised_ecg = waverec([approx;cd1_denoised],l,'db4');

重构后的信号用snr函数计算信噪比提升，一般能有5dB左右的增益。不过别迷信默认参数，实际应用中得根据信号特征调整分解层数——比如处理脑电信号可能需要更多层级，而振动信号可能用symlets基函数效果更佳。

最后来个彩蛋：用wpdec做自适应小包分解，找出能量最大的节点自动筛选特征频段。这个适合处理未知类型的混合信号：

tree = wpdec(ecg,3,'db4');
nodes = bestlevt(tree,'tplog');

通过节点能量直方图能快速定位信号的主成分所在频带，比固定分解更灵活。不过要注意计算量会指数级增长，实时系统慎用。