可以实现信号的降噪，对信号进行奇异值分解，里面有噪声信号和原始信号，可以用来进行对比

信号稀疏分解MATLAB代码多尺度采样补充 该存储库包含本文随附的Matlab代码 Krithika Manohar，Eurika Kaiser，Steven L.Brunton和J.Nathan Kutz。 “针对多尺度动力学的优化采样”。 SIAM多尺度建模和仿真（2019）。 出现。 有关本文的预印本，请参见。 这项工作开发了用于在空间域（即传感器放置）中进行最佳采样的方法，以发现和估计在多个时间尺度上运行的动力学。 主要工具是使用多分辨率动态模式分解（mrDMD）和用于传感器放置的矩阵QR枢轴进行降维。 在此代码中，我们提供以下内容： 计算给定数据集的mrDMD和最佳传感器位置的功能。 生成本文中图形的脚本。 基于NOAA海面温度（SST）数据的多尺度采样示例以及多尺度人工视频示例。 src /中的mrDMD方法和子例程改编自先前的工作 J. Nathan Kutz，Steven L. Brunton，Bingni W. Brunton和Joshua L. Proctor。 动态模式分解：复杂系统的数据驱动建模。 卷149. SIAM（2016年）。 外部依赖 Matlab信号

vmd分解matlab实现，变分模态分解，信号分解，可应用于各种信号的分解，以及入门学习的辅助材料，这是vmd方法提出者的原版代码

可实现对轴承信号、脑电波信号和地震波信号的 CEEMD、EEMD和EMD分解。进而用于信号重构和信号去噪。

本实验利用MATLAB2015进行编程，调用系统小波函数对信号进行分解，实现Mallat分解与重构算法对一维信号进行多层分解和重构。对信号进行多层分解可实现对信号的去噪和数据压缩处理，分解为小波函数的线性组合，阶数高的可以认为是噪声，在去噪时令阶数高的部分系数为0，数据压缩时，幅度小的部分可以舍去，认为对信号影响不大，减小了传输的数据量。利用重构算法对分解的信号进行重构恢复原来的信号，mallat分解和重构算法在信号处理中有很重要的作用。 实验中可以设置调用的系统小波函数与小波分解的层数，为不失一般性本实验设置小波函数为db10，分解层数为4层。采用模块化编程由以下6个文件构成： 源数据文件dataset.txt； 主程序mallat_main.m； 小波分解程序mallet_decompose.m； 小波合成函数mallet_compose.m； 上采样程序upsample.m； 下采样程序downsample.m。

实验所得振动信号的变分模态分解（VMD）源代码，包括采样频率和时间的设定

经验模态分解是2000年以来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，它是依据信号自身的时间尺度特征对信号进行分解，无需预先设定任何基函数，这一点与建立在先验性的谐波基函数和小波基函数上的傅立叶分解与小波分解方法有本质区别。EDM方法理论上可以应用于任何类型信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，具有很高的信噪比。

课堂作业，采用haar小波实现一维信号的分解与重构(mallat算法)：

课堂作业，采用db4小波实现一维信号的分解与重建（mallat）：

利用matlab对信号序列进行经验模态分解，为后续的去噪过程做准备