1.一种激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，包括以下步骤：S1、采用经验模态分解方法对激波流场动态压力测量信号进行自适应分解，提取出激波流场动态压力测量信号的振铃分量；

S2、从所提取出的振铃分量中选取未发生模态混叠的连续时间序列的序列数据，将未发生模态混叠的连续时间序列的序列数据分解组合为K个等长的连续时间子序列 ，；其中，每个子序列的序列数据量为d+1个，每个子序列 如下所示：式中， 为未发生模态混叠的连续时间序列的第k个序列数据；

S3、利用卷积神经网络来构建振铃分量畸变校正模型，并将子序列 的d+1个序列数据作为该振铃分量畸变校正模型的输入特征，将未发生模态混叠的连续时间序列的第k+d+zt个序列数据作为模型的输出特征，训练模型；其中，zt为时间跨度；

S4、采集待校正的激波流场动态压力测量信号，并进行经验模态分解，找到振铃分量中发生模态混叠的第一个数据点作为畸变点，以畸变点前第d+zt个数据点作为起始点，构建输入特征，并输入至训练好的振铃分量畸变校正模型，得到畸变校正数据，之后利用畸变校正数据替换掉畸变点；重复该步骤，获取最终的激波流场动态压力响应信号振铃分量。

2.根据权利要求1所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，步骤S1具体包括以下步骤：S11、识别激波流场动态压力测量信号 所有的局部极小值点和局部极大值点；

S12、采用三次样条曲线分别连接所有的局部极小值点和局部最大值点，得到 的下包络线 和上包络线 ，计算上包络线和下包络线的均值 ：(1)

S13、从信号 中减去 ，得到差值信号 ：

(2)

如果 满足本征模态函数的两个条件，则 为 的第一个本征模态函数分量；否则，令 ，重复步骤S11至步骤S13的计算过程k’次，直到第k’次得到的差值信号 满足本征模态函数的两个条件，此时 的第一个本征模态函数分量为：(3)

S14、从信号 中减去 ，得到残余信号 ：

(4)

令 ，重复步骤S11到步骤S14的计算过程i次，得到第i个本征模态函数分量为：(5)

式中， 为第i个本征模态函数分量， 为第i次得到的残余信号；

继续上述分解过程，直到最终的残余信号 成为单调函数或者只包含一个极值点，此时从 中无法再分解出本征模态函数分量；综合式(4)和式(5)，动态压力测量信号表示为：(6)

因此，动态压力测量信号 被分解为h个本征模态函数分量 和一个残余分量，并且这些分量的频带由高到低变化，最终动态压力测量信号 表示为：(7)

计算经验模态分解得到的所有分量信号 与动态压力测量信号 之间的相关系数：(8)

式中， 和 表示振动信号和第i个模态分量对应的离散信号； 和 分别表示 和 的平均值；N为信号长度；

与动态压力测量信号之间相关系数达到设定阈值以上，就认为该分量为动态压力测量信号的振铃分量 。

3.根据权利要求2所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，本征模态函数的两个条件如下：（1）极值点与过零点数量在整个数据集上相等或最多相差一个；

（2）任意时间上，由局部极大值点估计的上包络线和局部极小值点估计的下包络线的均值为零。

4.根据权利要求2所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，设定阈值为60%。

5.根据权利要求1所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，卷积神经网络CNN包含输入层、卷积层、池化层、全连接层和输出层。

6.根据权利要求5所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，设卷积层输入为 ，其中A和B分别为从输入层输入 的长和宽，则卷积层输出 表示为：

(9)

式中，“*”为卷积运算， 表示第cn个映射，cn表示滤波核个数， 为当前卷积层的第cn个滤波核的权重矩阵，第cn个滤波核的偏置为 ， 为整流线性单元ReLU激活函数。

7.根据权利要求5所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，池化表示为：(10)

式中，为乘法偏置项， 为输入， 表示池化操作，b为加性偏置向量，为激活函数。

8.根据权利要求5所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，全连接层表示为：(11)

式中，P为上一个池化层的输出， 为当前全连接层的输出，和 分别为权值和加性偏置项， 为激活函数。

9.根据权利要求1所述的激波流场动态压力测量信号振铃分量提取校正方法，其特征在于，选取振铃频率幅值大的未发生模态混叠的连续时间序列的序列数据训练模型。

10.一种激波流场动态压力测量信号振铃分量提取校正系统，其特征在于，包括：振铃分量提取模块，用于采用经验模态分解方法对激波流场动态压力测量信号进行自适应分解，提取出激波流场动态压力测量信号的振铃分量；

振铃分量处理模块，用于从所提取出的振铃分量中选取未发生模态混叠的连续时间序列的序列数据，将未发生模态混叠的连续时间序列的序列数据分解组合为K个等长的连续时间子序列 ， ；其中，每个子序列的序列数据量为d+1个，每个子序列如下所示：式中， 为未发生模态混叠的连续时间序列的第k个序列数据；

模型构建训练模块，用于利用卷积神经网络来构建振铃分量畸变校正模型，并将子序列 的d+1个序列数据作为模型的输入特征，将未发生模态混叠的连续时间序列的第k+d+zt个序列数据作为模型的输出特征，训练模型；其中，zt为时间跨度；

振铃分量校正模块，用于以振铃分量中发生模态混叠的第一个数据点为畸变点，以畸变点前第d+zt个数据点为起始点，构建输入特征，并输入至振铃分量畸变校正模型，得到畸变校正数据，之后利用畸变校正数据替换掉畸变点；重复该步骤，获取最终的激波流场动态压力响应信号振铃分量。