不完全一样，但核心思路基本一致，差别主要在“细节实现/超参数”上。

你和原文一致的部分（核心算法）

原文的 VMD-IWD 流程是：先用 VMD 把信号分解成 K 个 IMF，再对 IMF 做改进的小波阈值去噪，最后重构信号。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

你代码里的：

• VMD(signal, ..., K, ...) 得到 u[k, :]（IMFs）
• 对每个 IMF 调 wavelet_denoise_layer
• 最后 np.sum(denoised_imfs, axis=0) 重构
  这一条主线与论文描述是一致的。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

而且你实现的改进阈值函数形式也和论文公式（Ω 的 sigmoid 形式 + 自适应因子 μ=β^(|X|²−T²) + 加权融合）是同一类表达。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

你和原文不一样的关键点（会导致“不是完全复现”）

1. 是否“直接丢弃某个 IMF”

• 论文的流程图（Fig.3）画得很明确：IMF(1) 被当成 Noise 分支，而 IMF(2)…IMF(k) 才进入 IWD。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
• 你现在是 所有 IMF 都做 IWD，没有把某个 IMF 直接置零/删除。
  这点会显著改变结果（尤其高频噪声主导时）。

2. 你加了“数值安全修补”，论文没有写

• 你对 exp_input、power_term 做了 clip，还加了 T + 1e-10 防除零。论文公式是理想数学形式，并没提这些截断/裁剪。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
  一般这不会改变趋势，但会让结果不再是严格同一实现。

3. 小波细节（小波基/分解层数/阈值 T 的估计）未必一致

• 你固定 wavelet='db4', level=3，阈值用 MAD 估 σ，再用通用阈值 T = σ*sqrt(2logN)。
• 论文在你这部分截图/正文里给了阈值函数形式，但未必与“db4/3层/通用阈值”完全相同（至少在这篇文章对应段落里没有把这些参数写死到你的这一套）。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
  所以即使阈值函数一样，参数选取不同也会导致结果不同。

4. 残差项 r 的处理 论文给了“去噪信号 = 若干去噪分量 + 残差 r”的写法（公式里出现了 residual/rdenoised）。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
   你现在重构只做了 sum(IMFs)，没有额外残差分量的显式处理（取决于你用的 VMD 实现是否把残差包含在 IMFs 里）。

---

结论怎么说最准确？

• 如果你问“算法思想是否和原文同一个 VMD-IWD”：** 是的，核心结构和阈值函数思路基本一致**。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
• 如果你问“是否严格等同于论文实现/可称为复现”：** 不算完全一样**，至少在 IMF(1) 是否直接当噪声丢弃、以及小波/阈值细节和你的数值裁剪 这些点上有差异。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

如果你想“更像论文”，最优先改的就是：按 Fig.3 把 IMF(1) 直接当噪声去掉（或至少做个对照实验：去掉 vs 不去掉），再去对齐小波基/分解层数/阈值计算方式。

先给你“原文里有哪些图 + 我帮你把原文关键图导出来”：

• 我已经把论文里你最关心、最常用来对照复现的页面（含 Fig.1/2/3/4/5/8/9/10/11）直接从你上传的 PDF 渲染成图片并打包了：
  下载：Zhang2024 论文关键图页（PNG打包） (Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
  • page4：Fig.1 / Fig.2（训练流程 & GPS outage 预测流程）
  • page5：Fig.3 / Fig.4（VMD-IWD流程图 & 改进阈值函数曲线）
  • page6：Fig.5（TDANN 网络结构）
  • page8：Table III + Fig.8/9（陀螺/加表去噪对比曲线）
  • page9：Table IV + Fig.10（仿真 GPS outage 位置误差曲线）
  • page11：Table VII + Fig.11（真实数据 GPS outage 位置误差曲线）

---

1) 先把你的 VMD-IWD 按原文 Fig.3 改到更一致（关键：IMF(1) 当噪声直接丢弃）

论文 Fig.3 明确画了 IMF(1) → Noise，IMF(2)…IMF(K) 才做 IWD，然后重构（再加 residual 的写法）。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
你现在是 所有 IMF 都做 IWD，这就是最主要的不一致点。

你只要在 denoise() 里改这一小段就行（我按你现有风格给“最小改动版”）：

python
def denoise(self, signal, drop_first_imf=True, denoise_residual=False):
    original_len = len(signal)

    print(f"   -> 正在进行 VMD 分解 (K={self.K})...")
    u, _, _ = VMD(signal, self.alpha, self.tau, self.K, self.DC, self.init, self.tol)

    # residual（论文式写法里有 r_denoised）
    residual = signal - np.sum(u, axis=0)

    denoised_imfs = np.zeros_like(u)
    print("   -> 正在对 IMF 分量进行小波阈值去噪...")

    for i in range(self.K):
        if drop_first_imf and i == 0:
            # 【按论文 Fig.3】IMF(1) 直接当噪声丢弃
            denoised_imfs[i, :] = 0.0
        else:
            denoised_imfs[i, :] = self.wavelet_denoise_layer(u[i, :])

    result = np.sum(denoised_imfs, axis=0)

    # residual 是否也去噪：论文写 r_denoised，你可做一个开关
    if denoise_residual:
        residual = self.wavelet_denoise_layer(residual)

    result = result + residual  # 论文式重构：sum(denoised IMFs) + r_denoised

    # 下面你原来的长度对齐逻辑保持不变
    if len(result) != original_len:
        if len(result) > original_len:
            result = result[:original_len]
        else:
            x_old = np.linspace(0, 1, len(result))
            x_new = np.linspace(0, 1, original_len)
            result = np.interp(x_new, x_old, result)

    return result

你现在默认就用：denoise(signal, drop_first_imf=True) 就已经更贴近论文 Fig.3 了。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

---

2) 我先确认我理解你这套“多模型对比”在做什么

从你上传的三段脚本来看，你要做的是：

1. train_all_models.py：用 INS 的 12维特征（速度/姿态/三轴加表/三轴陀螺），按 seq_len=20 组序列，预测 GNSS 的位置增量（北向/东向），训练 4 个模型并保存权重。(train_all_models.py)
2. predict_all_models.py：加载训练好的模型，对测试段 INS 序列预测“北/东增量”，再把增量累加回经纬度，导出每个模型的轨迹结果 CSV。(predict_all_models.py)
3. compare_errors.py：把每个模型预测轨迹与参考轨迹做 Vincenty 误差，输出北/东/总误差，并画误差对比图。(compare_errors.py)

你现在想新增一个 FECAM-based TCN-Transformer，并把它加入训练/预测/误差对比里，和现有 Transformer/LSTM/CNN-GRU/TCN 一起对比。

---

3) 加入 FECAM-based TCN-Transformer（新增 1 个模型文件 + 3 个脚本各改 2~3 行）

3.1 新增文件：models/fecam_tcn_transformer_model.py

把下面整段存成一个新文件（路径跟你其它 models/*.py 放一起）：

python
import torch
import torch.nn as nn
import torch.nn.functional as F

class Chomp1d(nn.Module):
    """用于TCN的因果卷积裁剪（保持长度不变）"""
    def __init__(self, chomp_size: int):
        super().__init__()
        self.chomp_size = chomp_size

    def forward(self, x):
        return x[:, :, :-self.chomp_size] if self.chomp_size > 0 else x


class TemporalBlock(nn.Module):
    def __init__(self, in_ch, out_ch, kernel_size=3, dilation=1, dropout=0.1):
        super().__init__()
        pad = (kernel_size - 1) * dilation  # causal padding
        self.conv1 = nn.Conv1d(in_ch, out_ch, kernel_size,
                               padding=pad, dilation=dilation)
        self.chomp1 = Chomp1d(pad)
        self.bn1 = nn.BatchNorm1d(out_ch)

        self.conv2 = nn.Conv1d(out_ch, out_ch, kernel_size,
                               padding=pad, dilation=dilation)
        self.chomp2 = Chomp1d(pad)
        self.bn2 = nn.BatchNorm1d(out_ch)

        self.dropout = nn.Dropout(dropout)
        self.downsample = nn.Conv1d(in_ch, out_ch, 1) if in_ch != out_ch else None

    def forward(self, x):
        y = self.conv1(x)
        y = self.chomp1(y)
        y = self.bn1(y)
        y = F.relu(y)
        y = self.dropout(y)

        y = self.conv2(y)
        y = self.chomp2(y)
        y = self.bn2(y)
        y = F.relu(y)
        y = self.dropout(y)

        res = x if self.downsample is None else self.downsample(x)
        return F.relu(y + res)


class FECAM(nn.Module):
    """
    一个“FECAM”风格的通道注意力：本质上是SE思路（全局池化→两层FC→Sigmoid→通道加权）
    """
    def __init__(self, channels, reduction=8):
        super().__init__()
        hidden = max(1, channels // reduction)
        self.fc1 = nn.Linear(channels, hidden)
        self.fc2 = nn.Linear(hidden, channels)

    def forward(self, x):
        # x: (B, C, T)
        z = x.mean(dim=2)              # (B, C)
        z = F.relu(self.fc1(z))
        z = torch.sigmoid(self.fc2(z)) # (B, C)
        z = z.unsqueeze(-1)            # (B, C, 1)
        return x * z


class FECAM_TCN_Transformer(nn.Module):
    def __init__(
        self,
        input_dim: int = 12,
        seq_length: int = 20,
        tcn_channels: int = 64,
        tcn_levels: int = 3,
        kernel_size: int = 3,
        nhead: int = 4,
        num_transformer_layers: int = 2,
        dropout: float = 0.1,
        out_dim: int = 2,
    ):
        super().__init__()
        self.seq_length = seq_length

        # TCN: (B, C_in, T) -> (B, C, T)
        layers = []
        in_ch = input_dim
        for i in range(tcn_levels):
            dilation = 2 ** i
            layers.append(TemporalBlock(in_ch, tcn_channels, kernel_size, dilation, dropout))
            in_ch = tcn_channels
        self.tcn = nn.Sequential(*layers)

        # FECAM channel attention
        self.fecam = FECAM(tcn_channels, reduction=8)

        # Transformer encoder expects (B, T, D)
        enc_layer = nn.TransformerEncoderLayer(
            d_model=tcn_channels,
            nhead=nhead,
            dim_feedforward=tcn_channels * 4,
            dropout=dropout,
            batch_first=True,
        )
        self.transformer = nn.TransformerEncoder(enc_layer, num_layers=num_transformer_layers)

        # regression head
        self.norm = nn.LayerNorm(tcn_channels)
        self.fc = nn.Sequential(
            nn.Linear(tcn_channels, 128),
            nn.ReLU(),
            nn.Dropout(dropout),
            nn.Linear(128, out_dim),
        )

    def forward(self, x):
        # x: (B, T, F)
        x = x.transpose(1, 2)          # (B, F, T)
        x = self.tcn(x)                # (B, C, T)
        x = self.fecam(x)              # (B, C, T)

        x = x.transpose(1, 2)          # (B, T, C)
        x = self.transformer(x)        # (B, T, C)

        x = x.mean(dim=1)              # (B, C) 也可以换成 x[:, -1, :]
        x = self.norm(x)
        return self.fc(x)

---

3.2 你只需要在 3 个脚本里做“很少的改动”

A) train_all_models.py 改哪里？

你这个文件里主要就两处：import + MODELS字典 + 绘图子图数量。(train_all_models.py)

1）增加 import（和其他模型放一起）：

python
from models.fecam_tcn_transformer_model import FECAM_TCN_Transformer

2）MODELS 字典里加一行：

python
MODELS = {
    'Transformer': TransformerModel(input_dim=12, seq_length=20),
    'LSTM': LSTMModel(input_dim=12, seq_length=20),
    'CNN_GRU': CNNGRUModel(input_dim=12, seq_length=20),
    'TCN': TCNModel(input_dim=12, seq_length=20),
    'FECAM_TCN_Transformer': FECAM_TCN_Transformer(input_dim=12, seq_length=20, out_dim=2)
}

3）colors 也加一个（不然你后面画图会 KeyError）：

python
colors = {
    'Transformer': 'blue',
    'LSTM': 'green',
    'CNN_GRU': 'red',
    'TCN': 'purple',
    'FECAM_TCN_Transformer': 'orange'
}

4）你现在固定 plt.subplots(2,2) 只够 4 个模型。建议最小改动：改成“自动网格”：

python
import math
n = len(all_train_losses)
cols = 2
rows = math.ceil(n / cols)
fig, axes = plt.subplots(rows, cols, figsize=(14, 5 * rows))
axes = np.array(axes).reshape(-1)

for idx, (name, train_losses) in enumerate(all_train_losses.items()):
    ax = axes[idx]
    ...
# 多余的子图关掉
for j in range(idx + 1, len(axes)):
    axes[j].axis("off")

---

B) predict_all_models.py 改哪里？

同样两处：import + MODELS字典。(predict_all_models.py)

1）加 import：

python
from models.fecam_tcn_transformer_model import FECAM_TCN_Transformer

2）MODELS 字典加一项（名字要和训练脚本一致，权重文件名才能对上）：

python
MODELS = {
    'Transformer': TransformerModel(input_dim=12, seq_length=20),
    'LSTM': LSTMModel(input_dim=12, seq_length=20),
    'CNN_GRU': CNNGRUModel(input_dim=12, seq_length=20),
    'TCN': TCNModel(input_dim=12, seq_length=20),
    'FECAM_TCN_Transformer': FECAM_TCN_Transformer(input_dim=12, seq_length=20, out_dim=2)
}

你原来的加载权重：{name.lower()}_model.pth 会自动变成 fecam_tcn_transformer_model.pth，和训练保存一致即可。

---

C) compare_errors.py 改哪里？

也是两处：MODEL_NAMES + COLORS +（可选）图布局。(compare_errors.py)

1）加模型名：

python
MODEL_NAMES = ['Transformer', 'LSTM', 'CNN_GRU', 'TCN', 'FECAM_TCN_Transformer']

2）加颜色：

python
COLORS = {'Transformer': 'blue', 'LSTM': 'green', 'CNN_GRU': 'red', 'TCN': 'purple', 'FECAM_TCN_Transformer': 'orange'}

3）（可选但建议）你现在固定 2x2 子图同样不够，按上面“自动网格”改一下就稳了。

---

4) 你要“论文同款对比图”（Fig.4 / Fig.8-9那种）我也给你一份可直接跑的脚本思路

论文在去噪部分主要展示两类图：

• Fig.4：阈值函数曲线（Hard/Soft/Improved） (Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)
• Fig.8/9：三轴陀螺/加表的去噪效果对比曲线（None / VMD / VMD-WD / VMD-IWD） (Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

如果你要我把这段“画论文同款图”的脚本也按你本地 CSV 列名完整写好（直接生成 Fig.8/9 那种 3 子图对比），你把你INS原始数据.csv 的列名截图/贴一下（尤其陀螺三轴、加表三轴、时间列名），我就按你的列名一口气写成能跑的版本（你现在只贴了“加表x”和“GPS周内秒”，但 Fig.8/9 需要 6 个通道）。

---

如果你愿意走“最贴论文”的路线，下一步通常是：

1. 先用我上面那段修改把 VMD-IWD 的 IMF(1) 丢弃对齐论文；
2. 再把你训练脚本里输入的 INS 特征改成 “先 VMD-IWD 再喂网络”（论文就是这么干的：先去噪再训练 TDANN/对比模型）。(Zhang 等 - 2024 - A novel multidimensional hybrid position compensation method for INSGPS integrated navigation syste.pdf)

你要不要我也顺手把 “训练前自动对 6 个IMU通道做 VMD-IWD 去噪，然后再训练所有模型” 这段接到 train_all_models.py 里？（这会更像论文完整 pipeline。）