对于一个正弦信号加入随机噪声t=15000;f=2sin003t; 原始正弦信号n1=1randn15000; 加入随机噪声e=f+n1;采用不同的小波基函数分别对信号进行不同层的分解选取不同的阈值并使用软阈值的方法对正弦信号消噪然后重构信号。生成阈值为2不要用wthrmngr 函数。提供matlab详细代码

以下是使用MATLAB编写的详细代码：

t = 1:5000;
f = 2*sin(0.03*t);    % 原始正弦信号
n1 = 1*randn(1,5000);   % 加入随机噪声
e = f + n1;

% 选择小波基函数
wavelet = 'db4';

% 选择不同层数的分解
level = 5;

% 进行小波分解
[c,l] = wavedec(e, level, wavelet);

% 选择阈值
threshold = 2;

% 对每个细节系数进行软阈值处理
for i = 1:level
    start_index = sum(l(1:i))+1;
    end_index = sum(l(1:i+1));
    c(start_index:end_index) = wthresh(c(start_index:end_index), 's', threshold);
end

% 重构信号
reconstructed_signal = waverec(c, l, wavelet);

% 绘制原始信号、加噪信号和重构信号
figure;
subplot(3,1,1);
plot(t, f);
title('原始正弦信号');
subplot(3,1,2);
plot(t, e);
title('加入随机噪声后的信号');
subplot(3,1,3);
plot(t, reconstructed_signal);
title('重构信号');

在上述代码中，我们首先定义了时间范围t和原始的正弦信号f。然后，我们生成了随机噪声n1，并将其加入到原始信号中得到加噪信号e。

接下来，我们选择了小波基函数为'db4'，并选择了5层的分解。然后，我们使用wavedec函数对信号e进行小波分解，得到分解系数c和长度向量l。

然后，我们选择了阈值为2，并使用wthresh函数对每个细节系数进行软阈值处理。

最后，我们使用waverec函数对处理后的分解系数进行重构，得到重构信号reconstructed_signal。

最后，我们绘制了原始信号、加噪信号和重构信号的图形