1.一种基于改进EEMD与PCNN的气体泄漏信号降噪方法，其特征在于：该方法包括以下步骤：步骤1，采集原始气体泄漏信号，构建样本信号，对样本信号进行集成经验模态分解EEMD，得到若干个IMF分量，求取各IMF分量与原信号的相关系数；

步骤2，判断各IMF分量是否为噪声分量，对判定为噪声分量的IMF分量执行步骤3进一步降噪，保留未被判定为噪声分量的IMF分量等待信号重构；

步骤3，根据各IMF分量与原信号的相关系数，调整PCNN模型的内部活动项与神经元衰减系数，并分别对各IMF分量进行PCNN降噪；

步骤4，将经过PCNN降噪后的IMF分量与步骤2中未被判定为噪声分量的IMF分量共同进行信号重构，完成对原始信号的降噪。

2.根据权利要求1所述的一种基于改进EEMD与PCNN的气体泄漏信号降噪方法，其特征在于：所述步骤1，构建样本信号及EEMD分解，方法如下：步骤1.1，将幅度系数为k的等长随机高斯白噪声G(t)添加进采集的原始气体泄漏信号X(t)中，构成样本信号N(t)，即N(t)＝X(t)+G(t)；

步骤1.2，利用高斯白噪声的零均值特性，通过对样本信号求取平均值，初步消除样本信号中的噪声，对去噪后的样本信号进行EEMD分解，得到若干个IMF分量；

步骤1.3，根据约束条件对IMF分量进行筛选，得到表征信号的IMF分量，并利用matlab调用corrcoef函数求取各IMF分量与原信号之间的相关系数。

3.根据权利要求2所述的一种基于改进EEMD与PCNN的气体泄漏信号降噪方法，其特征在于：所述约束条件包括：a)零点与极值点个数之差的绝对值小于或等于1；

b)样本信号N(t)的上下包络线均值为零。

4.根据权利要求1所述的一种基于改进EEMD与PCNN的气体泄漏信号降噪方法，其特征在于：所述步骤3，调整PCNN模型的内部活动项与神经元衰减系数，并分别对各IMF分量进行PCNN降噪；方法如下：步骤3.1，将PCNN模型接收域中的神经元反馈输入与耦合连接输入的维度由m·n变为

1·n，同时将连接矩阵与权值矩阵变为1·n的矩阵；

步骤3.2，初始化PCNN模型，将各IMF分量作为反馈输入信号输入PCNN模型的接收域，构成反馈输入信号Fi[n]＝Si，其中Si表示神经元激励；PCNN模型的耦合连接输入信号计算公式为：其中Li[n]表示耦合连接输入信号，VL表示连接幅度常数，Wi表示耦合连接矩阵，Yj表示PCNN第j次点火过程中的神经元点火状态，i表示信号序列中某个数值的时域序号，j表示点火过程计数次数，n是迭代次数；

步骤3.3，利用改进的PCNN模型捕获神经元并决定是否点火产生脉冲，若点火产生脉冲则改变阈值大小，即利用动态阈值进行信号去噪处理，通过点火产生脉冲，改变动态阈值大小，过滤掉非有效幅值的信号；

捕获满足 的神经元共同决定PCNN模型内部活动项的状态，决定神经元是否点火；

脉冲产生表示如下：

其中Ti[n]是动态阈值，αE是决定阈值衰减速度的阈值衰减系数，VE是动态阈值的上升系数，Ei[n-1]是链接输入Li[n]的上一时刻状态，Yi[n-1]是神经元迭代n次脉冲输出的上一时刻状态；

当αE增大且内部活动项Ui[n]>Ti[n]时，神经元符合点火条件，第i个神经元被点火；Yi将有效信号在第i个点的幅值作为输出值；当αE减小时，神经元不符合点火条件，Yi输出0，表示如下：步骤3.4，计算模型的权值矩阵，根据各IMF分量与原信号的相关系数，调整PCNN模型的内部活动项中的神经元内部突出连接系数与神经元衰减系数；内部活动项Ui[n]为：Ui[n]＝Fi[n](1+βLi[n])

其中Fi[n]表示神经元迭代n次后得到的反馈输入，β表示神经元内部突出连接系数，Li[n]表示迭代n次后的耦合连接输入；

步骤3.5，判断是否满足终止条件即连续k次迭代Yi输出0，若满足终止条件，则迭代结束，输出当前信号序列；否则，返回步骤3.2，重新初始化模型，将当前的信号序列重新输入模型进行下一次迭代，直到满足终止条件。