信号滤波降噪是通过抑制噪声、保留有用信号成分来提高信号质量的技术。以下是常见方法分类及说明：
　　1. 经典滤波方法
　　低通/高通/带通/带阻滤波器
　　根据信号与噪声的频带分离，如去除高频噪声（低通）或低频基线漂移（高通）。
　　工具：Butterworth、Chebyshev、FIR（线性相位）、IIR（陡峭衰减）。
　　自适应滤波
　　自动调整滤波器参数（如LMS算法），适用于噪声统计特性未知或时变场景（如回声消除）。
　　维纳滤波
　　基于信号和噪声的统计特性（功率谱），化均方误差，需已知噪声谱。
　　2. 时频分析方法
　　小波变换
　　多尺度分解信号，通过阈值处理（软/硬阈值）去除噪声。适用于非平稳信号（如ECG、振动信号）。
　　关键步骤：选择小波基（Daubechies、Symlets）、分解层数、阈值规则（SUREShrink）。
　　经验模态分解（EMD）
　　将信号分解为固有模态函数（IMF），剔除噪声主导的IMF后重构。
　　3. 统计与机器学习方法
　　卡尔曼滤波
　　动态系统状态估计，适合线性高斯模型（如导航、目标跟踪）。扩展版（EKF、UKF）处理非线性。
　　稀疏表示
　　信号在特定基（如DCT、字典学习）下稀疏，通过优化（L1正则化）去噪。
　　深度学习
　　CNN/RNN：端到端学习噪声映射（如DnCNN、UNet）。
　　自编码器：压缩重构信号，去除噪声。需大量训练数据。
　　4. 非线性与特殊方法
　　中值滤波
　　滑动窗口取中值，有效抑制脉冲噪声（图像椒盐噪声、传感器突发干扰）。
　　奇异值分解（SVD）
　　信号矩阵分解，保留主成分（大奇异值）去除噪声。
　　方法选择关键因素
　　噪声类型：高斯白噪声（维纳滤波）、脉冲噪声（中值滤波）、非平稳噪声（小波）。
　　信号特性：平稳性（傅里叶 vs 小波）、线性（卡尔曼 vs 非线性滤波）。
　　实时性：FIR滤波（实时） vs 迭代优化（离线）。
　　资源限制：嵌入式系统（轻量算法） vs 服务器（深度学习）。
　　示例流程（ECG去噪）
　　预处理：50Hz工频干扰 → 陷波滤波器。
　　基线校正：高通滤波（0.5Hz截止）或EMD。
　　细节去噪：小波软阈值处理高频噪声。
　　后处理：中值滤波去除残留脉冲。