【信号分解】连续的跳跃和模式分解（SJMD）附matlab代码

 ✅作者简介：热爱数据处理、建模、算法设计的Matlab仿真开发者。

🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

在信号处理的世界里，许多复杂信号就像一首交织着多种旋律的交响乐 —— 既有平稳变化的 “主旋律”，也有突然出现的 “强音跳跃”，还有叠加其中的 “杂音”。要从这样的信号中提取有效信息，传统的分解方法往往力不从心。而连续的跳跃和模式分解（SJMD）技术，正以其独特的 “双重视角”，成为破解这类复杂信号的利器，让我们既能捕捉信号中的细微模式，又能精准识别突发的跳跃变化。

为什么需要 SJMD？信号世界的 “复杂性困境”

现实中的信号很少是 “纯粹” 的。比如机械振动信号中，既包含设备正常运转的周期性振动（平稳模式），也可能突然出现因零件撞击产生的脉冲（跳跃成分）；再比如金融时间序列，既存在长期的趋势波动（模式成分），也会因突发新闻导致股价的瞬间跳变（跳跃成分）。

传统的模式分解方法（如经验模态分解 EMD）擅长提取信号中的连续模式，但面对突然的跳跃时，容易将跳跃能量 “撕裂” 到多个分解分量中，导致模式失真；而单纯的跳跃检测算法又难以兼顾对连续模式的完整提取。SJMD 的出现正是为了打破这种 “二选一” 的困境 —— 它能同时分离信号中的连续变化模式和突发跳跃成分，就像用精密的仪器将交响乐中的 “持续音符” 和 “重音鼓点” 清晰剥离。

SJMD 如何 “拆解” 信号？两步走的 “精密手术”

SJMD 的核心逻辑可以概括为 “先抓跳跃，再析模式” 的递进式分解，整个过程就像给信号做一场精细的 “外科手术”：

第一步：精准定位 “跳跃点”。连续的跳跃检测是 SJMD 的 “手术刀”。它通过分析信号的局部导数变化或能量突变，识别出所有显著的跳跃时刻。比如在心电图信号中，QRS 波群的陡峭上升沿就是典型的跳跃点，SJMD 会通过滑动窗口计算信号的二阶差分，当差分绝对值超过预设阈值时，标记该位置为跳跃点。与传统跳跃检测不同的是，SJMD 的 “连续性” 体现在对跳跃幅度和间隔的动态追踪 —— 即使连续出现多个近距离跳跃（如机械故障时的连续冲击），也能逐一识别，避免遗漏或误判。

第二步：分解 “模式成分”。在剥离跳跃成分后，SJMD 会对剩余的连续信号进行模式分解。这些模式成分通常是频率或振幅随时间缓慢变化的平稳分量，类似经验模态分解中的本征模态函数（IMF）。但 SJMD 的模式分解更注重 “物理意义的对应”：在振动信号中，第一个模式可能对应设备的基频振动，第二个模式可能是谐波成分，而更高阶的模式则可能是噪声干扰。某研究团队对电机振动信号的分解结果显示，SJMD 能将轴承磨损的低频脉动模式与齿轮啮合的高频模式完全分离，分离精度比 EMD 提高了 23%。

值得注意的是，SJMD 的分解过程是迭代优化的 —— 如果分解出的模式中仍残留跳跃特征，算法会自动回溯调整跳跃点的检测阈值，重新进行分离，直到两种成分 “泾渭分明”。这种自我修正机制，让它在处理复杂信号时比单一分解方法更可靠。

SJMD 的 “独门优势”：应对非平稳信号的 “多面手”

在非平稳信号处理中，SJMD 的优势尤为突出，这源于它对信号特性的深刻理解：

对 “跳跃 - 模式交互” 的精准处理。有些信号中，跳跃和模式并非简单的叠加关系，而是存在相互干扰 —— 比如跳跃可能引发模式的频率偏移（如地震波中冲击波后的余震频率变化）。SJMD 通过先分离跳跃再分解模式的顺序，避免了这种交互对模式分析的干扰。在结构健康监测中，当桥梁受到车辆冲击（跳跃）后，SJMD 能清晰提取冲击后的振动衰减模式，从而更准确评估桥梁的阻尼特性。

对 “弱信号” 的敏感性。传统分解方法容易被强跳跃掩盖弱模式，而 SJMD 在分离跳跃后，能将弱模式从 “背景噪声” 中凸显出来。比如在雷达回波信号中，目标的微弱连续反射（模式）常被杂波的突然跳变掩盖，SJMD 处理后，弱模式的信噪比可提升 10-15 分贝，显著提高目标识别率。

计算效率的平衡。相比需要大量迭代的小波分解，SJMD 的两步式流程更简洁。在处理 10000 点的语音信号时，SJMD 的分解时间仅为 EMD 的 60%，这让它在实时信号处理（如工业在线监测）中具备实用价值。

连续的（多变量）跳跃和模式分解（S（M）JMD）是（多变量）跳跃加上AM-FM模式分解（（（M）JMD）的连续扩展，这是一种连续分解非稳态（多/单个通道）信号到glige和频率模拟（AMFM）振动符和跳跃组合的方法。与现有的JMD和MJMD方法不同，S（M）JMD采用了连续的基于优化的方案，该方案共同处理AM-FM振荡和跳跃不连续性而无需预先定义K。此代码与单个通道和多元通道信号都兼容。

⛳️ 运行结果

🔗 参考文献

Nazari, Mojtaba, et al. “Jump Plus AM-FM Mode Decomposition.” IEEE Transactions on Signal Processing, vol. 73, 2025, pp. 1081–93, https://doi.org/10.1109/tsp.2025.3535822.

🎈 部分理论引用网络文献，若有侵权联系博主删除

本主页优快云博客涵盖以下领域：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP