给定采样率 Fs = 1000; 采样点数 N=1000; % 针对给定的期望信号：sin(2 * pi * 10 *t) + sin(2 * pi * 20 * t) + sin(2 * pi * 30 * t);加载高斯白噪声：Noise_White = 0.3 * randn(1, 1000); 评价使用维纳滤波前后的信号差异

对于给定的采样率 Fs = 1000、采样点数 N = 1000、期望信号 sin(2π10t) + sin(2π20t) + sin(2π30t) 和高斯白噪声 Noise_White = 0.3 × randn(1,1000)，可以按照以下步骤进行维纳滤波：

1. 生成时间序列 t ：

t = (0:N-1)/Fs;

2. 生成期望信号 signal ：

signal = sin(2*pi*10*t) + sin(2*pi*20*t) + sin(2*pi*30*t);

3. 将期望信号和高斯白噪声加起来，得到含噪声的信号 signal_noise ：

signal_noise = signal + Noise_White;

4. 计算含噪声信号的功率谱密度 PSD_signal_noise ：

PSD_signal_noise = abs(fft(signal_noise)).^2/N;

5. 计算期望信号的功率谱密度 PSD_signal ：

PSD_signal = abs(fft(signal)).^2/N;

6. 计算维纳滤波器 H ：

H = PSD_signal./(PSD_signal + 0.3^2*PSD_signal_noise);

其中，0.3 是高斯白噪声的标准差，需要根据实际情况进行调整。

7. 对含噪声信号进行维纳滤波：

signal_filtered = real(ifft(H.*fft(signal_noise)));

8. 可以使用Matlab中的 plot 函数，将原始信号、含噪声信号和维纳滤波后的信号进行比较，评价维纳滤波前后的信号差异，例如：

subplot(3,1,1);
plot(t, signal);
title('Original Signal');
subplot(3,1,2);
plot(t, signal_noise);
title('Signal with White Noise');
subplot(3,1,3);
plot(t, signal_filtered);
title('Signal after Wiener Filtering');

可以通过观察维纳滤波前后信号的幅值、频谱等信息，评价维纳滤波的效果。