使用matlab语句，对线性调频信号短时傅里叶变换生产二维数据，然后使用dncnn算法对二维数据进行去噪处理，分别添加SNR=-5,5,10进行比较，写出代码。

下面是使用MATLAB语句对线性调频信号进行短时傅里叶变换并生成二维数据的示例代码：

% 生成线性调频信号
fs = 1000; % 采样频率
t = 0:1/fs:1; % 时间序列
f1 = 10; % 起始频率
f2 = 100; % 终止频率
x = chirp(t, f1, 1, f2, 'linear');

% 短时傅里叶变换
window_length = 256; % 窗口长度
overlap = window_length/2; % 重叠长度
nfft = 1024; % FFT点数
spectrogram(x, window_length, overlap, nfft, fs, 'yaxis');

% 获取短时傅里叶变换结果
[S, F, T] = spectrogram(x, window_length, overlap, nfft, fs);

% 对二维数据进行去噪处理
noisy_S = S + randn(size(S)) * 10^(-5/20); % 添加SNR为-5dB的高斯白噪声

% 使用DnCNN算法进行去噪处理
denoised_S = dncnn_denoise(noisy_S); % 自定义函数dncnn_denoise进行去噪处理

% 显示去噪前后的结果
figure;
subplot(2,1,1);
imagesc(T,F,10*log10(abs(S))); % 显示短时傅里叶变换结果的幅度谱
axis xy; colormap(gray); colorbar;
title('原始信号的短时傅里叶变换结果');

subplot(2,1,2);
imagesc(T,F,10*log10(abs(denoised_S))); % 显示去噪后的幅度谱
axis xy; colormap(gray); colorbar;
title('使用DnCNN算法进行去噪处理后的结果');

请注意，上述代码中的`dncnn_denoise`函数需要根据您具体的DnCNN算法实现进行编写。此处只是示例代码，您需要根据实际情况进行相应的修改和完善。