1.一种电磁时间序列数据的去噪方法，其特征在于：包括以下步骤：步骤S101：获取原始电磁时间序列数据，将所述原始电磁时间序列数据表征成一维时间序列；

步骤S102：根据奇异值占比率自适应确定所述的一维时间序列对应的汉克尔矩阵的维数；

步骤S103：基于步骤S102确定的维数将所述一维时间序列进行SVD分解得到近似时间序列和细节时间序列；

步骤S104：将所述细节时间序列对应叠加，采用ICEEMDAN将叠加的细节时间序列自适应分解成多个模态分量，并基于设定瞬时模态分量阈值识别有无脉冲序列，将有脉冲序列的部分进行截断处理，无干扰的部分保留；

步骤S105：拼接步骤S104中处理后以及无干扰的电磁时间序列。

2.根据权利要求1所述的方法，其特征在于：步骤S102中根据奇异值占比率自适应确定所述一维时间序列对应的汉克尔矩阵的维数的过程为：步骤S1021：设定汉克尔矩阵P的维数n，利用所述一维时间序列构造汉克尔矩阵P，对矩所述汉克尔矩阵P进行SVD分解处理得到奇异值矩阵 ；

步骤S1022：计算所述奇异值矩阵 中每个奇异值对应的奇异值占比率；

步骤S1023：判断当前得到的奇异值占比率中是否存在奇异值占比率小于或等于预设阈值，若存在，当前确定的维数是步骤S102确定的最终维数；否则，返回步骤S1021，维数n+

1。

3.根据权利要求1所述的方法，其特征在于：步骤S103是基于步骤S102确定的维数将所述一维时间序列采用多层次SVD分解得到不同分辨率的近似时间序列和细节时间序列时，具体过程如下：

S1031：基于步骤S102确定的维数将所述一维时间序列采用SVD分解得到奇异值矩阵；

S1032：确定所述奇异值矩阵中的主奇异值，其余为细节奇异值；再利用SVD的逆运算重构得到近似时间序列和细节时间序列，其中，所述主奇异值为近似奇异值；

S1033：针对所述近似时间序列返回执行步骤S1031，达到最佳分解层数时停止循环，其中，将所述近似时间序列作为步骤S1031中的所述一维时间序列进行SVD分解。

4.根据权利要求3述的方法，其特征在于：步骤S1032中根据多尺度样本熵确定所述奇异值矩阵中的主奇异值，具体为：获取所述奇异值矩阵中每个奇异值对应的多尺度样本熵；

将每个奇异值对应的多尺度样本熵输入基于多尺度样本熵构建的支持向量机模型中得到每个奇异值对应是主奇异值或细节奇异值的分类结果；

其中，所述基于多尺度样本熵构建的支持向量机模型是以多尺度样本熵为模型特征，主奇异值、细节奇异值为分类目标，通过样本数据进行训练得到。

5.根据权利要求1所述的方法，其特征在于：步骤S104中的瞬时模态分量阈值ηi表示为：式中，N为模态分量的长度， 为第i阶模态分量的总体序列水平，定义为：式中， 为第i阶模态分量中第j个采样点的值，其在整个时间域内进行取值； 为第i阶模态分量的绝对

中值偏差， 表示求一组序列从大到小排列的中间值， 为常数。

6.根据权利要求1所述的方法，其特征在于：步骤S104中基于设定瞬时模态分量阈值识别有无脉冲序列，并将有脉冲序列的部分采用汤姆逊函数进行截断处理的过程表示为：其中， 为截断处理之后、截断处理之前第i阶模态分量中第j个采样点的值， 表示为瞬时模态分量阈值；

所述汤姆逊函数 表示为：

为第i阶模态分量的总体序列水平，定义为：式中， 为第i阶模态分量的

绝对中值偏差， 表示求一组序列从大到小排列的中间值， 为常数。

7.根据权利要求1所述的方法，其特征在于：所述奇异值占比率表示为：式中， 为奇异值矩阵中第i个奇异值， 为第i个奇异值对应的奇异值占比率。

8.一种基于权利要求1‑7任一项所述方法的系统，其特征在于：包括：原始电磁时间序列数据处理模块，用于获取原始电磁时间序列数据，将所述原始电磁时间序列数据表征成一维时间序列；

维数确定模块，用于根据奇异值占比率自适应确定所述的一维时间序列对应的汉克尔矩阵的维数；

分解模块，用于基于确定的维数将所述一维时间序列进行SVD分解得到近似时间序列和细节时间序列；

细节时间序列处理模块，用于将所述细节时间序列对应叠加，采用ICEEMDAN将叠加的细节时间序列自适应分解成多个模态分量，并基于设定瞬时模态分量阈值识别有无脉冲序列，将有脉冲序列的部分采用汤姆逊函数进行截断处理，无干扰的部分保留；

拼接模块，用于拼接处理后以及无干扰的电磁时间序列。

9.一种电子终端，其特征在于：包括：一个或多个处理器；

存储了一个或多个计算机程序的存储器；

所述处理器调用计算机程序以实现：权利要求1‑7任一项所述一种电磁时间序列数据的去噪方法的步骤。

10.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：

权利要求1‑7任一项所述一种电磁时间序列数据的去噪方法的步骤。