特征模态分解（Feature Modal Decomposition，简称FMD）是一种新的一维数据分解方法，其主要目的是通过设计的自适应有限脉冲响应（FIR）滤波器来分解不同的模式。FMD最初针对机械一维振动信号，用于故障诊断，但也可以应用于其他需要信号分解的领域。
FMD算法流程如下：
加载原始信号并输入参数：
包括模式数n和滤波器长度L。
初始化FIR滤波器组：
使用汉宁窗口初始化FIR滤波器组，建议设置为5-10个滤波器，并开始迭代。
获得滤波信号：
通过滤波器组得到分解的模态信号。
更新滤波器系数：
使用原始信号x，通过自相关谱在过零点后达到局部最大值的方法来估计模态周期，并更新滤波器系数。
迭代判断：
判断迭代次数是否达到预迭代次数，如果没有则返回步骤3，否则进入下一步。
构造矩阵并选择模式：
计算每两个模态的构造一个K×K矩阵CC，锁定CC值最大的两个模式，并计算它们的CK。然后抛弃CK较小的模式，设K = K-1。
模式数判断：
判断模式K是否达到指定的n，如果没有则返回步骤3，否则进入下一步。
获得最终分解模式：
保留模式作为最终分解结果。
FMD方法充分考虑了信号的周期与冲击特性，在保证对信号故障特征敏感的同时，对干扰和噪声成分具有一定的鲁棒性。通过这种方法，可以将信号分解为多个模态分量和的形式，便于后续的信号处理和分析。
建议在实际应用中，根据具体信号特性和需求调整滤波器长度、迭代次数等参数，以获得最佳的分解效果。