本文主要实现如何对数据进行降噪处理。小波分析曾被称为“数学的显微镜”，可见其的地位与应用价值。
1. waveslim包
核心代码：dwt(x, wf=“la8”, n.levels=4, boundary=“periodic”)
dwt.nondyadic(x)（包含要分解的数据的向量或时间序列。这必须是并矢长度向量（2的幂））
-
wf：要在分解中使用的小波滤器的名称。默认情况下，这设置为“la8”，即长度为L=8的Daubechies正交紧支撑小波（Daubechies，1992），最小非对称族。
-
n.levels：指定分解的深度。这必须是小于或等于log（length（x），2）的数字。
-
boundary:指定边界条件的字符串。如果boundary==“periodic”是默认值，则假设分解的向量在其定义的间隔内是周期的;如果边界＝“reflection”，则超出其边界的向量被假定为其自身的对称反射。
返回结果【列表形式】：d（小波系数）、s（尺度系数）
2.wavelets包
核心代码：dwt(X, filter=“la8”, n.levels, boundary=“periodic”, fast=TRUE)
（一个单变量或多变量的时间序列。数字向量、矩阵和数据帧均可）
- filter：一个wt.filter对象，一个表示要在分解中使用哪个小波滤波器的字符串，或者一个小波系数的数值向量（不是缩放系数）。有关可接受的筛选器名称，请参阅帮助（wt.filter）。
具体有以下四个小波滤波器：
①Daubechies（不具有对称性；db1即为“haar”滤波器）
②Least Asymetric
③Best Localized
④Coiflet（具有比①更好的对称性） - n.levels：指定分解级别的整数。
- boundary：同上。
- fast：一种逻辑标志，如果为真，则表示金字塔算法是用内部C函数计算的。否则，所有计算中只使用R代码。
返回结果【非列表形式】：W（小波系数）、V（尺度系数）、level（小波分解级别的整数值）
3.有关小波降噪的知识
- 通常大家会用分解的最后一层作为降噪的结果进行分析。最后一层（最高阶）与原始数据只差高频的低阶细节，正如https://blog.csdn.net/zhang0558/article/details/76019832文章所言：
在小波分析中经常用到近似和细节，近似表示信号的高尺度，即低频信息；细节表示信号的低尺度，即高频信息。对含有噪声的信号，噪声分量的主要能量集中在小波解的细节分量中。
- 有图参阅（waveslim包）【来自： R语言 离散小波变化】
左边高频部分一般被视为噪声。一般而言，分层降噪不超过五层为宜；同时需要结合领域数据特点正确选择基函数。相对而言，MATLAB有更加丰富的小波基函数可供选择。
有关小波分析的知识详解，请参阅：小波分析与傅里叶变换的异同？