信号分解就是把一个复杂信号拆成几个简单分量，每个分量代表信号里不同时间尺度的波动。比如听一首曲子，可以拆成旋律、节奏、和声。传统方法像傅里叶变换，只能看到信号里有哪些频率，但不知道这些频率啥时候出现。后来有人提出经验模态分解，能把信号按时间尺度从快到慢一层层剥开，但它对噪声和采样挺敏感，容易出幺蛾子。高斯平均滤波分解算是它的改良版，用高斯窗平滑信号来提取每个分量，比EMD更稳当，而且可以通过参数控制分解的精细度。

高斯平均滤波分解就像拿一把可调节大小的梳子，一点一点把通用信号里不同粗细的波动梳出来。它通过高斯窗平滑，从信号里剥出最慢的成分，剩下的再接着剥，直到信号变得平淡无奇。比起传统的EMD，高斯平均滤波分解多了窗长调节和边界处理，分解过程更可控，不容易被噪声带偏，适合处理非平稳、非线性的真实信号。

算法步骤

准备信号：拿到一段通用信号，比如震动数据、脑电波、股票价格，先看看它有多长。

定分解次数：想好要拆出几个分量（IMF），默认拆2个，不够可以多拆。

找极值点：找出信号里所有的峰值和谷值，数一数有多少个极值点。如果极值点太少（少于等于2），说明信号太简单，就不用拆了。

算高斯窗长：根据极值点个数和信号长度，算出一个窗长（mask），用来做平滑。窗长影响分量的尺度，可以通过参数chi调节。

扩展信号边界：为了防止平滑时边界处数据不够，把信号两端按照一定规则（比如对称、常数）延长，保证窗能完整覆盖。

高斯平滑：用高斯窗对扩展后的信号做加权平均，得到一条平均曲线，相当于信号里的慢变成分。

提取一个分量：用原始信号减去这条平均曲线，得到第一个IMF。

检查停止条件：算一下当前分量和上一轮分量的差别，如果差别特别小（小于阈值TH2），或者原始信号能量和剩下信号能量的比值太大（超过TH1），就停手。

重复迭代：把剩下的信号继续重复3～8步，直到拆够预定个数或满足停止条件。

输出结果：把所有IMF堆成一个矩阵，剩下的叫残差。