几种常用信号滤波方法对比； 高斯滤波； EEMD分解；集合经验模态分解；补充的集合经验模态分解； 小波分解；
高斯滤波——简单粗暴的老司机
先整点高斯滤波，这货简直就是快速去噪的万金油。看这段Python代码：
from scipy.ndimage import gaussian_filter import numpy as np noisy_signal = np.random.randn(1000) * 0.5 # 生成带噪信号 smoothed = gaussian_filter(noisy_signal, sigma=3) # 画图部分省略，你懂的sigma参数控制平滑力度，越大越糊。优点是计算快到飞起，适合实时处理。但边缘会变模糊这点真蛋疼，像做心电图去噪这种需要保留突变特征的场景就不太合适了。
EEMD分解——对付非平稳信号的骚操作
遇到非平稳信号时，传统方法集体扑街。这时候EEMD（集合经验模态分解）就派上用场了：
from PyEMD import EEMD eemd = EEMD(trials=50, noise_width=0.05) imfs = eemd(noisy_signal) # 分解出多个IMF分量 # 选第3-5个IMF重构信号通常是关键 clean_signal = imfs[2:5].sum(axis=0)这里trials是加白噪声的次数，noise_width控制噪声强度。实测发现这方法处理EEG脑电信号这种非平稳数据效果拔群，但计算量是真的大，没个i7处理器都不敢随便跑。
几种常用信号滤波方法对比； 高斯滤波； EEMD分解；集合经验模态分解；补充的集合经验模态分解； 小波分解；
CEEMDAN——EEMD的Pro Max版
补充集合经验模态分解（CEEMDAN）在EEMD基础上做了优化：
from PyEMD import CEEMDAN ceemdan = CEEMDAN(epsilon=0.02) imfs = ceemdan(noisy_signal)参数epsilon控制噪声的衰减速度。比EEMD收敛更快，适合处理信噪比极低的场景，比如水下声呐信号。但代码跑起来更吃内存，8G内存的笔记本处理长信号直接卡成PPT。
小波分解——时频分析的六边形战士
最后压轴的是小波分解，这玩意简直就是时频分析的瑞士军刀：
import pywt coeffs = pywt.wavedec(noisy_signal, 'db4', level=5) # 5层分解 # 阈值处理细节部分省略 reconstructed = pywt.waverec(coeffs, 'db4')用db4小波基处理机械振动信号时，既能保留冲击特征又能抑制背景噪声。不过小波基选择是个玄学问题，sym2和coif3试到怀疑人生是常态。最近发现用modwt改进算法处理边缘效应更靠谱，但代码复杂度直接翻倍。
总结下实战经验：
- 要速度选高斯
- 非平稳信号上EEMD全家桶
- 土豪设备直接CEEMDAN
- 既要时域又要频域细节就怼小波
最后提醒萌新：别迷信算法，先看信号特征。有次处理工业传感器数据，简单移动平均反而比小波好使——滤波这事，合适比高级更重要。
