给出的代码在MWORKS中运行后报错：此处需要`=`，遇到标识符in at 1:61, function M1 at 1:61, Expr 给出修正后的代码

根据您提供的错误信息和代码内容，错误出现在第1行的第61个字符处，提示“此处需要`=`，遇到标识符”。这通常是因为语法错误，特别是在赋值语句或函数调用中的参数传递不正确。 检查代码发现以下几处可能的问题： 1. **MATLAB与Python语法差异**：代码中使用了 `%` 符号作为注释，这是 MATLAB 的注释符号，在 Python 中应该使用 `#`。 2. **数组索引**：在 Python 中，数组索引从0开始，而 MATLAB 从1开始。因此，代码中的 `signal(1:sample_rate)` 应该改为 `signal[:sample_rate]`。 3. **变量赋值**：某些地方的变量赋值可能有误，例如 `threshold = pywt.threshold (coeffs_thresholded(0), threshold_type)` 应该改为 `threshold = pywt.threshold(coeffs_thresholded[0], threshold_type)`。 以下是修正后的代码： ```python import numpy as np import matplotlib.pyplot as plt from scipy.io import wavfile from scipy.fft import fft, ifft import pywt from scipy.signal import butter, lfilter, freqz, spectrogram # 读取原始汽车动力噪声信号 sample_rate, signal = wavfile.read('D:\\桌面\\文件夹\\信号课程设计\\课题五 汽车噪声信号 样例\\课题五 汽车噪声信号 样例\\500N.m-2000rpm_motor-up (2).wav') # 时域采集并绘制时域波形 time = np.arange(len(signal)) / sample_rate plt.figure() plt.plot(time, signal) plt.title('原始汽车动力噪声信号时域波形') plt.xlabel('时间 (s)') plt.ylabel('幅度') plt.show() # 截断处理，截断时长为1秒 signal_truncated = signal[:sample_rate] time_truncated = np.arange(len(signal_truncated)) / sample_rate # 绘制截断后的时域波形 plt.figure() plt.plot(time_truncated, signal_truncated) plt.title('截断后的时域波形') plt.xlabel('样本点') plt.ylabel('幅度') plt.show() # 使用小波变换进行预滤波 wavelet = 'db4' coeffs = pywt.wavedec(signal_truncated, wavelet, level=4) # 确定阈值并应用阈值处理 threshold_type = 'hard' # 或 'soft' threshold = pywt.threshold(coeffs[0], np.std(coeffs[0]), mode=threshold_type) coeffs_thresholded = [pywt.threshold(c, threshold, mode=threshold_type) for c in coeffs] # 信号重构 signal_denoised = pywt.waverec(coeffs_thresholded, wavelet) # 绘制去噪后的信号 plt.figure() plt.plot(signal_denoised) plt.title('小波去噪后的信号') plt.xlabel('样本点') plt.ylabel('幅度') plt.show() # 对比小波去噪前后的信号 plt.figure() plt.plot(signal_truncated, label='原始信号', alpha=0.5) plt.plot(signal_denoised, label='小波去噪后的信号', alpha=0.5) plt.legend() plt.title('原始信号与小波去噪后的信号对比') plt.xlabel('时间 (s)') plt.ylabel('幅度') plt.show() # 去噪前 Y = fft(signal_truncated) P2 = np.abs(Y / len(signal_truncated)) P1 = P2[:len(signal_truncated)//2 + 1] P1[1:-1] *= 2 # 去噪后的傅里叶变换 Y_denoised = fft(signal_denoised) P2_denoised = np.abs(Y_denoised / len(signal_denoised)) P1_denoised = P2_denoised[:len(signal_denoised)//2 + 1] P1_denoised[1:-1] *= 2 frequencies = sample_rate * np.arange(len(P1_denoised)) / len(P1_denoised) # 绘制傅里叶变换后的噪声信号频谱 plt.figure() plt.plot(frequencies, P1_denoised) plt.title('傅里叶变换后的噪声信号频谱') plt.xlabel('频率 (Hz)') plt.ylabel('幅度') plt.show() # 绘制傅里叶变换前后的频谱图对比 plt.figure() plt.plot(frequencies, P1, label='傅里叶变换前') plt.plot(frequencies, P1_denoised, label='傅里叶变换后') plt.legend() plt.title('傅里叶变换前后的频谱图对比') plt.xlabel('频率 (Hz)') plt.ylabel('幅度') plt.show() # 设计低通滤波器 def butter_lowpass(cutoff, fs, order=4): nyquist = 0.5 * fs normal_cutoff = cutoff / nyquist b, a = butter(order, normal_cutoff, btype='low', analog=False) return b, a def butter_lowpass_filter(data, cutoff, fs, order=4): b, a = butter_lowpass(cutoff, fs, order=order) y = lfilter(b, a, data) return y # 设计低通滤波器 cutoff_low = 200 y_low_filtered = butter_lowpass_filter(signal_denoised, cutoff_low, sample_rate) # 绘制低通滤波器滤波前后的信号对比 plt.figure() plt.plot(signal_denoised, label='去噪后的信号', alpha=0.5) plt.plot(y_low_filtered, label='滤波后信号', alpha=0.5) plt.legend() plt.title('低频段 低通滤波器滤波前后的信号对比') plt.xlabel('时间 (s)') plt.ylabel('幅度') plt.show() # 滤波前后频谱图对比 Y_low_pass = fft(y_low_filtered) P2_low_pass = np.abs(Y_low_pass / len(signal_denoised)) P1_low_pass = P2_low_pass[:len(signal_denoised)//2 + 1] P1_low_pass[1:-1] *= 2 plt.figure() plt.plot(frequencies, P1_denoised, label='低通滤波器滤波前') plt.plot(frequencies, P1_low_pass, label='低通滤波器滤波后') plt.legend() plt.title('低频段 低通滤波器滤波前后的频谱图对比') plt.xlabel('频率 (Hz)') plt.ylabel('幅度') plt.show() # 绘制滤波器的幅频相频特性 w, h = freqz(b, a, worN=512, fs=sample_rate) plt.figure() plt.plot(w, 20 * np.log10(abs(h))) plt.title('滤波器幅频特性') plt.xlabel('频率 (Hz)') plt.ylabel('幅度 (dB)') plt.show() plt.figure() plt.plot(w, np.angle(h)) plt.title('滤波器相频特性') plt.xlabel('频率 (Hz)') plt.ylabel('相位 (rad)') plt.show() # 采用短时傅里叶变换对噪声信号进行时频分析 window_length = 256 no_overlap = 128 n_fft = 512 frequencies, times, Sxx = spectrogram(signal_denoised, fs=sample_rate, window='hamming', nperseg=window_length, noverlap=no_overlap, nfft=n_fft) # 绘制短时傅里叶变换图 plt.figure() plt.pcolormesh(times, frequencies, 20 * np.log10(np.abs(Sxx)), shading='gouraud') plt.colorbar(label='强度 (dB)') plt.title('短时傅里叶变换') plt.xlabel('时间 (s)') plt.ylabel('频率 (Hz)') plt.show() ``` 请将上述修正后的代码复制到您的 MWORKS 环境中运行，看看是否解决了问题。如果还有其他错误，请提供具体的错误信息以便进一步调试。