1. VMD 阶段：变分模态分解 (Variational Mode Decomposition)
这是预处理阶段，主要用于解决原始输入数据（Input Data）的非平稳性 和高噪声问题。
- 功能：VMD 将复杂的原始信号分解为若干个具有特定频率的本征模态函数（IMF）。
- 优势：相比传统的 EMD（经验模态分解），VMD 能够有效抑制模态混叠，将信号的不同特征尺度分离，使后续模型更容易捕捉数据规律。
2. KPCA 阶段：核主成分分析 (Kernel Principal Component Analysis)
在得到多个 IMF 分量后，数据维度会迅速增加。KPCA 用于对这些特征进行非线性降维。
- 功能：通过核函数（Kernel Function）将低维不可分的 IMF 特征映射到高维空间，然后提取主成分。
- 优势：它能够捕捉信号中隐藏的非线性相关性，在保留绝大部分关键信息的同时，剔除冗余和噪声成分，从而提高 PINN 训练的效率。
3. PINN 阶段：物理信息神经网络 (Physics-Informed Neural Network)
这是模型的核心预测引擎，它不仅依赖数据，还受到物理定律的约束。
-
网络结构：典型的深度神经网络，由输入层、多个隐藏层和输出层组成。
-
混合损失函数 (Total Loss)：这是 PINN 的灵魂，其损失函数定义为：
-
** (Data Loss)**：预测值与观测值（真实数据）之间的均方误差。
-
** (Physics Loss)**：基于偏微分方程（PDEs）或物理点构造。
-
优势：即使在数据样本较少的情况下，物理约束也能引导模型收敛，使预测结果更具可解释性和泛化能力。
