时域平均是一种信号处理方法，用于减少信号中的噪声。以下是一个简单的时域平均的编程方法，使用MATLAB语言实现：
产生信号
首先，生成一个无噪声的正弦信号和一个含噪声的正弦信号。
时域平均处理
将含噪声的信号分成若干段，每段包含相同数量的数据点。
对每段信号求和，然后除以段数，得到时域平均后的信号。
绘制结果
分别绘制无噪声信号和时域平均后的信号，以便比较。
```matlab
% 产生无噪声的正弦信号
w = 10； % 频率
t = 0:（2*pi/w/500）:（300*2*pi/w）； % 时间向量
x = sin（w*t）； % 无噪声的正弦信号
% 产生白噪声
n = length（t）；
ss = 888； % 随机数种子
z = randn（'seed', ss）； % 白噪声
z1 = z - mean（z）； % 去均值
z2 = z1 / max（abs（z1））； % 归一化
z2 = z2 * 5； % 放大5倍
% 含噪声的正弦信号
x = x + z2；
% 绘制含噪声的正弦信号
figure；
plot（x）；
title（'仿真含噪信号'）；
% 时域平均处理
N = 2048； % 数据长度
n1 = 0:N-1；
fs = 2500/pi； % 采样频率
f = n1*fs/N； % 频率向量
x1 = fft（x）； % 快速傅里叶变换
mag1 = abs（x1）*2/N； % 幅度谱
figure；
plot（f（1:N/2）, mag1（1:N/2））；
title（'仿真信号频谱'）；
% 时域平均
M = 10000； % 数据长度
xx = zeros（1, M）； % 用于存储时域平均后的数据
m1 = 1；
m2 = M；
nnnn = fix（n/M）； % 确定分段数
% 将数据分成nnnn段
for i = 1:nnnn
xx（i） = sum（x（i*M:（i+1）*M-1）） / M；
end
% 绘制时域平均后的信号
figure；
plot（xx）；
title（'时域平均后的信号'）；
```
代码解释：
产生信号
`w = 10；` 定义信号频率。
`t = 0:（2*pi/w/500）:（300*2*pi/w）；` 生成时间向量。
`x = sin（w*t）；` 生成无噪声的正弦信号。
`z = randn（'seed', ss）；` 生成白噪声。
`z1 = z - mean（z）；` 去除白噪声的均值。
`z2 = z1 / max（abs（z1））；` 归一化白噪声。
`z2 = z2 * 5；` 放大白噪声。
`x = x + z2；` 将白噪声添加到正弦信号中。
时域平均处理
`N = 2048；` 定义数据长度。
`n1 = 0:N-1；` 生成频率向量。
`fs = 2500/pi；` 定义采样频率。
`f = n1*fs/N；` 计算频率分量。
`x1 = fft（x）；` 进行快速傅里叶变换。
`mag1 = abs（x1）*2/N；` 计算幅度谱。
`M = 10000；` 定义时域平均后的数据长度。
`xx = zeros（1, M）；` 初始化存储时域平均后数据的数组。
`nnnn = fix（n/M）；` 确定分段数。
`for i = 1:nnnn` 循环处理每段信号。
`xx（i） = sum（x（i*M:（i+1）*M-1）） /