1.一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，具体包括如下步骤：步骤1：对目标电磁干扰信号进行特征测试验证，判断其信号特性是否符合非高斯分布，即峰度不等于3且偏度不等于0，如符合，进入步骤2；

步骤2：将目标的电磁干扰信号进行变分模态分解处理，对变分模态分解需要预设的参数K和α先取初始值，K＝2，α＝1000，执行对应K和α下的变分模态分解，分解得到K个子模态数据以及K个子模态的频谱数据，使用变分模态分解得到的K个子模态的频谱数据构造相似度矩阵，使用广义互相关熵准则对相似度矩阵的各元素进行计算，计算时使用粒子群优化算法对广义互相关熵的内参进行寻优，得到一组广义互相关熵准则计算结果；

步骤3：若步骤2中计算结果等于广义互相关熵最优准则结果，即等于1时，说明最佳K和α已经找到，输出执行步骤4；若不满足准则最优结果，即不等于1时，则继续对K和α的值进行叠加，K增加1，α增加1000，继续执行步骤2，直到步骤2计算结果等于最优广义互相关熵准则结果；

步骤4：将步骤3所得最优K和α值进行变分模态分解，对得到的K个子模态数据进行广义S变换分解，对K组广义S变换分解结果进行叠加，得到时频聚集度最高的时频谱分布，即目标电磁干扰信号的最佳时频谱分布，观察到目标电磁干扰信号的频率和时间分布情况。

2.根据权利要求1所述的一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，步骤1对所述目标电磁干扰信号进行特征测试验证具体为：需要求解的问题是干扰信号f，以雅克‑拉贝法JB对信号进行检验，雅克‑拉贝法是一种通过峰度和偏度检验数据是否符合高斯分布的方法；偏度用于描述数据分布特性的对称度，若值大于0，则具有右偏特性，值小于0，则具有左偏特性，值等于0时，表明与高斯分布对称度一致；峰度用于描述数据分布的陡峭程度，若值大于3，则分布陡峭，反之则分布平缓，当值等于3时，表明与高斯分布陡峭程度一致；

总之，检验结果中，偏度不等于0，峰度不等于3，即可判断信号不符合高斯分布，越不符合高斯分布说明信号越复杂，分解价值越高，即可用于进一步分解：其中，干扰信号f的统计量JB可表示为：

其中：

μ——f的均值；

n——干扰信号的数据长度；

E[·]——数学期望；

σ——f的标准差；

K——f的峰度；

S——f的偏度，S<0表示右偏，S>0表示左偏。

3.根据权利要求1所述的一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，步骤2所述变分模态分解具体如下：将一个初始信号分解为多个子信号，这些子信号具有各自的时频特征，代数和仍为初始信号，其机理为：将原始电磁干扰信号f构造为如式(2)所示的带约束变分问题：式中{uK}:＝{u1,...,uk}和{wK}:＝{w1,...,wK}分别表示所有子模态和对应中心频率的集合， 是关于时间t的偏导数，δ(t)是单位脉冲响应函数，j是虚数单位，*表示卷积，f表示输入信号，K是分解的子模态数；

引入二次惩罚因子α和拉格朗日乘子λ，将式(2)改造为式(3)式中，α是二次惩罚因子，λ是拉格朗日乘子，f(t)是原始电磁干扰信号，λ(t)是含拉格朗日乘子项的算式；采用交替方向乘子法交替迭代更新子模态uk和中心频率wk以及拉格朗日乘子λ，迭代完成，求出对应解。

4.根据权利要求1所述的一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，步骤2中的广义互相关熵准则如下：下面给出了随机变量X,Y之间广义互相关熵的表达式：

Vθ(X,Y)＝E[kθ(X,Y)]＝∫∫kθ(x,y)fXY(x,y)dxdy                 (4)式中：E[·]——数学期望；

kθ(·,·)——表示核宽度为θ的核函数；

fXY(·,·)——联合概率密度函数；

fXY(·,·)为一些离散的有限量的数据 故利用样本估计，可得到离散变量的相关熵的表达式：式中，kθ是相关熵的核函数；当相关熵的核函数kθ(·,·)，选用广义高斯密度函数，广义高斯密度的表达式为：式中：

Γ(·)——伽马函数；

β>0——比例带宽；

α>0——形状参数；

λ——核参数；

γα,β——归一化常数；

则广义互相关熵准则可用下式表示：

其中，N代表数据长度，xi与yi之差的绝对值代表了样本之间的差异度量，当其无限接近

0时，计算得评价准则maxJ越大，理想情况下，广义互相关熵准则的最优值为1；

根据式(7)，xi与yi分别代表两组不同的离散信号，令xi‑yi＝Δdt，使用Δdt度量K个子模态信号主频之间的相关性，则可将式(7)改写为式中，Δdt为度量因子,γα,λ为归一化常数，λ为核参数，α为形状参数；

根据广义互相关熵准则的性质，Δdt的绝对值越小，那么其maxJ越大，广义互相关熵准则具有最优值。

5.根据权利要求1所述的一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，步骤2中的相似度矩阵构造方法为：在对变分模态分解信号进行频谱分析时，通常每个模态IMFi，i＝1,2,3...K；可以得到对应的频谱曲线，长度为N的目标电磁干扰信号经过变分模态分解得到的K个子模态IMFi的长度均为N，故其频谱曲线的长度也为N，因此，可以对各个子模态两两之间的相似度与式(6)中广义互相关熵准则的Δdt进行映射：将各子模态之间的相似度计为矩阵C

式中，Cij代表第i个和第j个子模态之间的相关度，i，j＝1,2...K，由于各个子模态自身的相似度没有意义，且该矩阵是严格对称的，故可将矩阵(9)改写为矩阵C1，如式(10)：矩阵C1实质上是一个不含对角线元素的上三角矩阵，与式(9)相比，保留了其意义且在后续可减小计算复杂度；

令C1＝Δdt，因此式(8)可以写作

式中，K为设置的分解层数，Δdt为度量因子,γα,β为归一化常数，λ为核参数，α为形状参数，N为矩阵C1上三角矩阵的行数，i和j分别代表矩阵C1元素的行和列。

6.根据权利要求2所述的一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，步骤4具体如下：设目标电磁干扰信号分量为f，将广义的S变换定义为公式(14)：其中，f(t)为目标电磁干扰信号，w(t‑τ,v,λ)为高斯窗口函数，t为积分变量，v为频率，τ为时移因子，λ为调整因子，λ的引入能够控制v的变化速度，使得时频分析的适应性和灵活性更强，此处λ统一取0.5；对变分模态分解得到的所有子模态都使用上述广义S变换处理完之后，在进行同阶矩阵加法即可得到最终结果。

7.根据权利要求2所述的一种高时频聚集度的复杂电磁干扰信号分解方法，其特征在于，步骤3所述K和α每次增加的值也可根据目的选择，K每次增加1或2或3，α每次增加1000或

2000或5000。