算法创新点：
自适应信号到达时间检测
利用高阶统计量自动精确识别地震信号起始点，避免人工干预
多尺度噪声水平估计
在不同小波尺度上独立估计噪声统计特性，适应地震信号的非平稳特性
尺度相关块阈值策略
针对不同频率成分采用不同的阈值处理策略，更好保留有效信号细节
混合阈值函数设计
结合硬阈值和软阈值的优点，在去噪和信号保真间取得更好平衡
无需先验噪声模型
直接从数据中估计噪声特性
时频域联合处理
在小波域同时考虑时间和频率特性，更有效分离信号与噪声
首先加载真实或合成地震数据，并进行必要的预处理和归一化。然后对输入信号进行连续小波变换，将时域信号分解到多尺度时频域，得到小波系数矩阵。接着通过高阶统计量分析自动估计信号到达时间，如果用户未提供则计算信号的统计特征函数并检测突变点来确定起始时刻。在噪声估计阶段，利用信号到达前的纯噪声段计算各尺度的噪声水平统计量。核心处理部分对每个尺度的小波系数进行自适应块阈值处理，根据估计的噪声方差和预设的阈值函数（硬阈值或软阈值）对系数进行收缩或置零操作，去除噪声成分同时保留有效信号。最后对处理后的小波系数进行逆变换重构时域信号，并计算降噪前后的信噪比等评价指标，同时可视化展示原始信号、降噪结果及时频分布对比。
详细算法步骤：
数据准备阶段：根据应用场景选择真实地震数据或合成测试数据，读取相应格式的数据文件，提取时间序列和采样信息，对信号幅度进行归一化处理确保数值稳定性。
时频分析阶段：采用连续小波变换将一维时域地震信号分解到二维时频平面，选择适合地震信号特性的小波基函数（如Morlet小波），设置合适的尺度参数和频带划分，获得多分辨率的小波系数表示。
信号特征检测阶段：利用高阶统计量分析方法构建信号的统计特征函数，通过分析特征函数的突变特性自动检测地震信号的起始到达时间，若用户已提供准确到达时间则直接使用。
噪声特性估计阶段：以检测到的信号到达时间为界，将之前的数据段视为纯噪声参考段，分别计算每个小波尺度上噪声系数的统计特性，特别是中值绝对偏差等鲁棒统计量，以此估计各尺度的噪声水平。
阈值处理阶段：根据估计的噪声水平和预设的校正因子，为每个尺度计算自适应阈值大小，采用块状阈值策略对小波系数进行处理，根据选择的阈值函数类型对系数进行收缩或筛选，有效分离信号与噪声成分。
信号重构阶段：对阈值处理后的小波系数进行连续小波逆变换，将处理后的时频表示重构成时域信号，并进行必要的边界效应校正和幅度恢复。
结果评估阶段：计算降噪前后的信号质量指标，包括信噪比提升、均方根误差等，通过对比原始信号和降噪信号的时域波形及时频分布，评估降噪效果和信号保真度。
结果可视化阶段：生成包含原始信号、降噪信号、时频分布对比的综合图表，直观展示处理效果，提供完整的分析报告和输出文件。
担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测
参考文章：
基于高阶统计量引导的小波自适应块阈值地震信号降噪算法（MATLAB） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/1993628142858958660