简介：这份资源面向信号处理方向的学生、科研人员与工程技术人员，聚焦局部特征尺度分解（LCD）这一非平稳、非线性信号分析方法。资源以MATLAB为实现环境，演示如何通过三次样条插值获得光滑的内禀尺度分量，帮助读者理解尺度空间构建、局部特征检测与分量提取的完整思路，适用于异常检测、模式识别、信号恢复等场景。压缩包共6个文件，以5个m脚本为主要内容，另含1个系统隐藏文件，整体约6KB，体积轻量便于快速查阅与二次开发。目前已有382人学习下载，说明其在同类方法中具备一定参考价值。读者可借助脚本理解LCD从信号预处理、尺度生成到分量提取的实现脉络，并在此基础上调整参数、适配不同信号类型，为后续算法优化与工程落地提供可复用的代码基础。
1. 局部特征尺度分解到底在拆什么：从一段轴承振动信号说起
手里有一段轴承外圈故障的振动信号，采样率 12.8 kHz，长度 8192 点。你把它画出来，看到的是密密麻麻的振荡，故障冲击被淹没在背景噪声和转频调制里。想做包络谱，得先把高频载波和低频趋势分开；想算峭度指标，又得把不同时间尺度的成分剥离开。这时候经验模态分解（EMD）是很多人的第一反应，但一上手就翻车：模态混叠、端点飞掉、筛分次数全靠拍脑袋。局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）就是在这个位置上出现的——它同样把复杂信号拆成若干个内禀尺度分量（Intrinsic Scale Component，ISC），但换了一套更“讲道理”的极值点定义和插值方式，用三次样条插值去构造光滑的基线，从而拿到物理意义更干净的分量。
这篇笔记面向的是已经会用 MATLAB 做信号处理、但被 EMD 的模态混叠和端点效应折磨过的工程师。我会把 LCD 的核心机制、MATLAB 落地代码、参数怎么调、坑在哪，按能直接复现的粒度讲清楚。你不需要先读完一堆论文，跟着代码跑一遍，再回头看原理，反而更快。
2. LCD 的基线构造逻辑：为什么是三次样条插值
2.1 从极值点到内禀尺度分量：LCD 和 EMD 的分岔口
EMD 的做法是找全部极大值和极小值，分别做上、下包络，取均值当基线，反复筛分直到满足 IMF 条件。问题在于，包络均值本身可能引入新的极值，筛分次数一多，分量就被“筛糊”了。LCD 换了个思路：它不追求上下包络，而是直接在相邻极值点之间定义一段“基线”，让信号减去这条基线后剩下的部分成为 ISC。
具体来说，LCD 先找出信号的所有极值点（极大和极小统一处理），然后在每两个相邻极值点之间构造一条基线。这条基线要满足一个条件：在极值点处，基线值等于该极值点与相邻两个极值点连线在对应位置的某种插值。早期实现用的是线性插值，基线是折线，不够光滑，分解出来的 ISC 会有毛刺。后来普遍改用三次样条插值，因为三次样条在节点处一阶、二阶导数连续，能给出光滑的基线，ISC 的波形更干净，后续做包络谱时虚假峰明显减少。
这里的关键参数是极值点的判定方式。LCD 对极值点的定义比 EMD 宽松：它允许在极值点之间插入“伪极值点”，条件是相邻极值点的间隔超过某个阈值。这个阈值通常取信号长度的某个比例，或者用极值点间隔的中位数来定。阈值太大会漏掉细节，太小会引入噪声极值。我一般先用默认的间隔中位数，跑一遍看 ISC 数量，再微调。
2.2 三次样条插值在 LCD 里的具体角色
三次样条插值在 LCD 里承担的是“基线生成器”的角色。给定一组极值点 $(t_i, x_i)$，以及每个极值点对应的基线约束值 $b_i$，三次样条会构造一条分段三次多项式 $B(t)$，满足 $B(t_i)=b_i$，且在内部节点处 $B'(t)$ 和 $B''(t)$ 连续。LCD 的基线约束 $b_i$ 通常取相邻极值点连线的中点值，或者用极值点幅值的加权平均。这样构造出来的基线，既不会像线性插值那样产生尖角，也不会像高阶多项式那样在端点附近剧烈振荡。
在 MATLAB 里，spline函数就是干这个的。但要注意，spline默认使用 not-a-knot 端点条件，对于信号端点附近的基线，这个条件可能让基线外推得比较离谱。LCD 的端点效应很大一部分就来自这里。常见做法是：在信号两端各延拓若干个极值点，延拓方式可以用镜像对称或者极值点周期延拓，然后再做样条插值，最后把延拓部分截掉。延拓长度一般取 1 到 2 个极值点间隔。
下面这段代码展示了 LCD 单次筛分中，如何用三次样条插值构造基线并得到第一个 ISC 的雏形。代码里包含了极值点检测、基线约束计算和样条插值三个步骤。
function [isc, residual] = lcd_sift_once(x, t) % x: 输入信号列向量 % t: 时间轴列向量，与 x 等长 % isc: 本次筛分得到的内禀尺度分量雏形 % residual: 减去 isc 后的剩余部分 % 1. 检测极值点（极大和极小统一索引） dx = diff(x); ext_idx = find(dx(1:end-1) .* dx(2:end) < 0) + 1; % 极值点位置 % 补充端点附近的极值，避免端点无约束 if isempty(ext_idx) error('信号中没有检测到极值点，请检查信号是否过于平滑'); end % 2. 计算相邻极值点间隔，用于伪极值点判定 ext_t = t(ext_idx); ext_x = x(ext_idx); intervals = diff(ext_t); med_interval = median(intervals); % 3. 在间隔过大的地方插入伪极值点（线性插值） new_t = ext_t(1); new_x = ext_x(1); for k = 1:length(intervals) if intervals(k) > 1.5 * med_interval % 在中间插入一个伪极值点，幅值取两端平均 mid_t = (ext_t(k) + ext_t(k+1)) / 2; mid_x = (ext_x(k) + ext_x(k+1)) / 2; new_t = [new_t; mid_t; ext_t(k+1)]; new_x = [new_x; mid_x; ext_x(k+1)]; else new_t = [new_t; ext_t(k+1)]; new_x = [new_x; ext_x(k+1)]; end end % 4. 端点延拓：镜像对称延拓两个极值点间隔 left_ext = 2 * new_t(1) - new_t(3:-1:2); right_ext = 2 * new_t(end) - new_t(end-1:-1:end-2); ext_t_full = [left_ext; new_t; right_ext]; ext_x_full = [new_x(3:-1:2); new_x; new_x(end-1:-1:end-2)]; % 5. 计算基线约束值：相邻极值点连线的中点 b = zeros(size(ext_x_full)); for k = 2:length(ext_x_full)-1 b(k) = (ext_x_full(k-1) + ext_x_full(k+1)) / 2; end b(1) = ext_x_full(1); b(end) = ext_x_full(end); % 6. 三次样条插值构造基线 baseline_full = spline(ext_t_full, b, t); % 7. 减去基线，得到 ISC 雏形 isc = x - baseline_full; residual = baseline_full; end这段代码的逻辑是：先找极值点，再根据间隔中位数插入伪极值点，然后做端点镜像延拓，接着用相邻极值点连线的中点作为基线约束值，最后用spline做三次样条插值得到基线。参数方面，1.5 * med_interval这个阈值控制伪极值点的插入密度，调大它会让 ISC 数量减少，调小则增加。端点延拓的长度我固定延拓两个极值点间隔，实际使用时可以根据信号长度调整，信号短就延拓一个，信号长就延拓三个。
注意：
spline函数在极值点数量少于 4 个时会报错，所以代码里加了isempty检查。如果信号本身极值点很少，说明它可能已经是一个单调趋势，不需要继续分解。
2.3 筛分停止条件：ISC 判据怎么设才不玄学
EMD 的筛分停止条件通常是“连续两次筛分结果的标准差小于某个阈值”，这个阈值取 0.2 到 0.3 之间，但具体取多少很玄学。LCD 的 ISC 判据更直接：一个分量如果满足“极值点数量与过零点数量之差不超过 1”，并且“在整个数据段内，任意一点的局部极大值包络和局部极小值包络的均值接近零”，就认为它是一个 ISC。实际实现时，为了效率，通常只检查第一个条件，第二个条件用基线幅值的均方根来近似。
我一般用两个条件联合判断：一是极值点数和过零点数之差小于等于 1，二是本次筛分得到的isc的均方根与上一次筛分的均方根之比大于 0.95。第二个条件防止筛分次数过多把分量筛成常数。筛分次数上限设 10 次，超过就强制停止，避免死循环。
function [isc_list, res] = lcd_decompose(x, t, max_isc, sift_max) % x: 输入信号 % t: 时间轴 % max_isc: 最大 ISC 数量 % sift_max: 单次筛分最大迭代次数 isc_list = []; res = x; for i = 1:max_isc % 对当前剩余信号做筛分 h = res; for s = 1:sift_max [isc_tmp, ~] = lcd_sift_once(h, t); % 判据1：极值点与过零点数量差 dx = diff(isc_tmp); ext_num = sum(dx(1:end-1) .* dx(2:end) < 0); zero_num = sum(isc_tmp(1:end-1) .* isc_tmp(2:end) < 0); % 判据2：均方根变化 if s > 1 rms_ratio = rms(isc_tmp) / rms(prev_isc); else rms_ratio = 1; end if abs(ext_num - zero_num) <= 1 && rms_ratio > 0.95 break; end prev_isc = isc_tmp; h = isc_tmp; end isc_list = [isc_list, isc_tmp]; res = res - isc_tmp; % 剩余信号如果是单调趋势或幅值过小，停止分解 if sum(diff(res(1:end-1)) .* diff(res(2:end)) < 0) < 2 || rms(res) < 1e-6 break; end end end这段代码把单次筛分和整体分解串起来。max_isc一般取 5 到 8，取决于信号复杂度。sift_max取 10 足够。判据里的0.95这个比例，如果信号噪声大，可以放宽到 0.9，让筛分早点停，避免把噪声当成 ISC 反复筛。
3. 在 MATLAB 里跑通 LCD：从单分量到多分量分解
3.1 构造一个可复现的测试信号
要验证 LCD 能不能用，先别拿真实轴承信号，那个太复杂，出了问题不知道是算法还是数据。我习惯先构造一个已知成分的合成信号：两个不同频率的调幅分量加一个趋势项。这样分解出来的 ISC 应该对应这两个调幅分量和趋势项，顺序和幅值都能对得上。
fs = 12800; % 采样率 T = 1; % 信号时长 t = (0:1/fs:T-1/fs)'; % 时间轴 % 分量1：200 Hz 载波，被 20 Hz 调制 x1 = (1 + 0.5*sin(2*pi*20*t)) .* sin(2*pi*200*t); % 分量2：500 Hz 载波，被 50 Hz 调制 x2 = (0.8 + 0.3*cos(2*pi*50*t)) .* sin(2*pi*500*t); % 趋势项：低频多项式 x3 = 0.5 * (t - 0.5).^2; % 合成信号 x = x1 + x2 + x3; % 加少量高斯噪声 rng(0); x = x + 0.05 * randn(size(t));这个信号里，200 Hz 和 500 Hz 两个载波成分的极值点间隔分别对应不同的时间尺度，趋势项则是一个缓慢变化的基线。LCD 分解后，前两个 ISC 应该分别对应这两个调幅分量，第三个 ISC 或残余对应趋势项。如果分解出来的 ISC 顺序乱了，或者某个 ISC 里混了两个频率，说明参数需要调。
3.2 调用 LCD 分解并画出 ISC 时域波形
把第 2 章的lcd_decompose函数拿来用，设置max_isc = 4，sift_max = 10，然后画图。
max_isc = 4; sift_max = 10; [isc_list, res] = lcd_decompose(x, t, max_isc, sift_max); % 画图：原始信号 + 各 ISC + 残余 figure('Position', [100 100 800 600]); subplot(max_isc+2, 1, 1); plot(t, x); title('原始信号'); ylabel('幅值'); grid on; for i = 1:size(isc_list, 2) subplot(max_isc+2, 1, i+1); plot(t, isc_list(:, i)); title(['ISC ', num2str(i)]); ylabel('幅值'); grid on; end subplot(max_isc+2, 1, max_isc+2); plot(t, res); title('残余分量'); xlabel('时间 (s)'); ylabel('幅值'); grid on;跑完这张图，你会看到 ISC1 主要是 500 Hz 分量，ISC2 是 200 Hz 分量，ISC3 是趋势项，残余接近零。如果 ISC1 和 ISC2 的顺序反了，或者某个 ISC 里同时出现 200 Hz 和 500 Hz，说明伪极值点插入阈值1.5 * med_interval需要调。调大阈值，ISC 数量减少，高频和低频容易混在一个 ISC 里；调小阈值，ISC 数量增加，可能把噪声也拆出来。
3.3 用包络谱验证分解效果
时域波形只能看个大概，真正要验证 LCD 有没有把故障特征分离出来，得做包络谱。对每个 ISC 做 Hilbert 变换取包络，再对包络做 FFT，看故障特征频率处有没有峰。
% 对每个 ISC 做包络谱 for i = 1:size(isc_list, 2) env = abs(hilbert(isc_list(:, i))); env = env - mean(env); % 去直流 L = length(env); Y = fft(env .* hann(L)); P2 = abs(Y / L); P1 = P2(1:L/2+1); P1(2:end-1) = 2 * P1(2:end-1); f = fs * (0:(L/2)) / L; figure; plot(f, P1); xlim([0 1000]); title(['ISC ', num2str(i), ' 包络谱']); xlabel('频率 (Hz)'); ylabel('幅值'); grid on; end对于合成信号，ISC1 的包络谱应该在 50 Hz 处有峰（对应 500 Hz 载波的调制频率），ISC2 的包络谱应该在 20 Hz 处有峰。如果峰的位置不对，或者峰被淹没，说明该 ISC 里混入了其他分量，需要回到分解参数调整。真实轴承信号里，外圈故障特征频率（比如 BPFO）会在包络谱里出现，LCD 的作用就是让这个峰比直接对原始信号做包络谱更突出。
提示：包络谱的频率分辨率取决于信号长度，1 秒 12800 点，分辨率 1 Hz。如果故障特征频率间隔小于 1 Hz，需要加长信号或提高采样率。
4. LCD 落地时的避坑与排查：端点、模态混叠和参数选择
4.1 端点效应：为什么你的 ISC 两端总是翘起来
现象：分解出来的 ISC 在信号两端幅值异常增大，包络谱里出现低频虚假峰。原因：三次样条插值在端点附近没有足够的约束点，not-a-knot 条件会让基线外推，导致端点处的 ISC 被“拉”起来。解决：在分解前对信号做端点延拓，延拓方式用镜像对称或极值点周期延拓，延拓长度取 1 到 2 个极值点间隔。代码里已经在lcd_sift_once里做了镜像延拓，但延拓长度是固定的两个间隔。如果信号端点本身极值点很少，可以手动增加延拓长度，或者改用“极值点预测延拓”：用端点附近几个极值点的趋势外推一个极值点。
4.2 模态混叠：一个 ISC 里混了两个频率成分
现象：某个 ISC 的包络谱里同时出现两个不同频率的峰，或者时域波形里能看到明显的拍频。原因：伪极值点插入阈值太大，导致高频成分的极值点被忽略，低频成分的极值点被当成基线约束，两个分量被分到同一个 ISC 里。解决：把1.5 * med_interval里的系数从 1.5 降到 1.2 或 1.0，让更多伪极值点被插入，增加基线约束的密度。但系数太小会增加计算量，而且可能把噪声极值也插进来。我一般从 1.5 开始，如果发现混叠就降到 1.2，再不行就 1.0。另一个办法是先用带通滤波把信号分成几个频段，再对每个频段单独做 LCD，但这会引入滤波器相位问题，需要零相位滤波。
4.3 筛分次数过多：ISC 变成一条直线
现象：分解到后面几个 ISC 时，波形几乎是一条直线，幅值接近零，但程序还在继续筛分。原因：筛分停止条件里的均方根比例阈值0.95太宽松，或者极值点与过零点数量差判据在低幅值信号上失效。解决：在筛分循环里加一个幅值下限判断，如果当前isc_tmp的均方根小于原始信号均方根的 1e-4，直接跳出。另外，max_isc不要设太大，一般 5 到 8 足够，设 10 以上容易产生无意义的 ISC。
4.4 参数选择：极值点间隔中位数受噪声影响大
现象：同一个信号，加不同强度的噪声，分解出来的 ISC 数量不一样。原因：极值点间隔中位数对噪声敏感，噪声极值点会拉低中位数，导致伪极值点插入阈值变小，ISC 数量增加。解决：在检测极值点之前，先对信号做一次轻微的平滑滤波，比如 5 点滑动平均，或者用smoothdata函数。但平滑会削弱高频成分，所以平滑窗口不能太大，一般 3 到 5 点。另一个办法是用极值点间隔的 75% 分位数代替中位数，分位数对噪声更鲁棒。
4.5 计算速度：三次样条插值在大数据量下的开销
现象：信号长度 10 万点以上时，LCD 分解跑一次要几十秒。原因：每次筛分都要做一次三次样条插值，而spline函数的计算复杂度是 O(n)，筛分次数乘以 ISC 数量，总开销很大。解决：把信号分段处理，每段 1 万点，段间重叠 10%，分解完再拼接。或者用interp1的'spline'方法替代spline函数，两者结果一致，但interp1在某些 MATLAB 版本里更快。另外，如果只是做包络谱，不需要完整分解，可以只分解前 3 个 ISC，后面的残余直接忽略。
5. 把 LCD 用出效果：从分解到故障特征提取的最后一公里
LCD 分解本身只是手段，最终要落到故障特征提取上。我一般不会把全部 ISC 都拿去做包络谱，而是先算每个 ISC 的峭度指标，挑峭度最大的那个 ISC 做包络谱。峭度对冲击成分敏感，故障冲击越明显，峭度越大。但峭度也会被噪声干扰，所以我会同时看 ISC 的均方根和峭度，选均方根不是最小、峭度最大的那个。
% 计算每个 ISC 的峭度和均方根 kurt_vals = zeros(1, size(isc_list, 2)); rms_vals = zeros(1, size(isc_list, 2)); for i = 1:size(isc_list, 2) kurt_vals(i) = kurtosis(isc_list(:, i)); rms_vals(i) = rms(isc_list(:, i)); end % 选峭度最大的 ISC [~, best_idx] = max(kurt_vals); fprintf('选中的 ISC 编号：%d，峭度：%.2f，均方根：%.4f\n', ... best_idx, kurt_vals(best_idx), rms_vals(best_idx));选好 ISC 后，做包络谱，然后跟理论故障特征频率对比。如果理论频率处有峰，且峰高比相邻频段高 3 倍以上，就认为特征提取成功。如果峰不明显，可以尝试对选中的 ISC 做一次带通滤波，滤波频带根据 ISC 的主频来定，通常取 ISC 中心频率的 0.5 到 1.5 倍。
还有一个技巧：LCD 分解出来的 ISC 顺序是从高频到低频，但有时候趋势项会混在第一个 ISC 里。这时候可以先把原始信号减去一个低通滤波后的趋势项，再做 LCD。低通截止频率取信号主频的 0.1 倍，用零相位滤波filtfilt实现。
% 先去趋势，再做 LCD fc = 0.1 * 200; % 假设主频 200 Hz [b, a] = butter(4, fc/(fs/2), 'low'); trend = filtfilt(b, a, x); x_detrend = x - trend; % 对 x_detrend 做 LCD 分解 [isc_list2, res2] = lcd_decompose(x_detrend, t, 4, 10);去趋势后，ISC 的数量通常会减少一个，而且前几个 ISC 的物理意义更清晰。这个步骤不是必须的，但如果你的信号里趋势项幅值很大，建议加上。
最后说一个我自己的习惯：每次用 LCD 处理新信号，先拿一段已知成分的合成信号跑一遍，确认分解逻辑和参数没问题，再上真实数据。真实数据出问题时，回头检查极值点检测和端点延拓，这两个地方最容易翻车。LCD 不是黑匣子，它的每一步都能在代码里找到对应，调参的时候心里有数，比盲目试要快得多。希望帮到你。
本文还有配套的精品资源，点击获取
