学习渐构学习理论、应用渐构分析法学习知识也有一些经验了，在此记录和分享一下使用渐构分析法学习信号处理中的变分模态分解算法（VMD）的过程（继承学习），希望大家指导
1 推测类型
推测未见情况，需要模型推测的泛化能力
2.1 明确输入输出
输入：任意实数字信号
输出：若干本征模态函数（IMF）
2.2 拆组学习任务
这一步就遇到麻烦了，面对一个还未深入了解的知识，想凭空列出所有子知识，不太现实。所以在这一步我使用了”渐构“的思想，逐步迭代，具体流程如下：
2.2.1 寻找一关于VMD的简要讲义（学习材料），看章节标题、记录关键词
2.2.2 使用别的材料以及AI，交叉对比关键词
2.2.3 结合个人基础知识掌握情况，列出从VMD中拆解得到的子知识，对我个人来说，包括：本征模态函数、希尔伯特变换、傅里叶变换、增广拉格朗日函数、Parseval定理、ADMM
2.2.4 列个表格，明确上述子知识的知识类型以及输入输出，结合个人情况，判断是否需要进一步拆解（然后看情况循环2.1-2.2.4）
这里我个人是有高等数学基础和一定的信号处理基础，所以没有把这些子知识拆分成更多的子知识。
2.3 （2.2.4）分析知识类型
VMD及其子知识是外显知识
VMD （联结）
本征模态函数（判别）
希尔伯特变换（联结）
傅里叶变换（联结）
增广拉格朗日函数（联结）
Parseval定理（联结）
ADMM（联结）
输入输出等略
2.4 分析学习材料
渐构分析法中提到，这一步需要”根据「知识类型」和「个人特点」，去分析「最适学习材料」，“ 由于个人特点没有定义，我只能结合我对渐构分析法的学习和过去的经验，将其定义为一个联结模型，输入的维度有：视觉、听觉、阅读/书写、动觉，输出的维度则是学习偏好。我思考我过去的学习经历，推测我是多模态学习偏好，也就是既喜欢听课，也喜欢自己看书记笔记，还喜欢实践（比如编程或者将联结模型泛化到实际问题中）
”根据「知识类型」和「个人特点」，去分析「最适学习材料」“本身也是一个联结模型，这里我根据我的个人特点和VMD的知识类型，选择的学习材料有：视频讲解（带图示）、论文（课程讲义）、matlab编程实践
2.5 分析学习方式
渐构分析法中提到，这一步需要”根据「学习材料」和「个人特点」，去分析「最适学习方式」“
这也是个联结模型，由于课程中暂时还未提到，我也是通过个人理解和AI辅助完成的这一步
首先是”学习方式“这个概念的定义，我的理解是：学习者在使用某种学习材料时，所采取的具体认知与行为策略的组合，特征有：主动/被动（实践/观看）、认知深度（简单复述/自我解释、类比、迁移）、成果形式（讲解、笔记、程序）、时间安排（突击、分散）
结合我个人的特点于之前选择的学习材料，我分析适合我的学习方式是要能够最大化激发我的多模态学习偏好，主动被动结合，深加工为主，多种学习成果。
于是，得到具体的学习方式为：视频+暂停（判别、联结模型分解）+”假装教人“（费曼学习法），阅读讲义+自我提问（手动分解判别、联结模型）（需要注意的是，这里我遇到了于博提到的创继学习的最大缺点之一，就是不明白为什么作者要这么干，比如为什么作者可以假定所有分量都是集中在各自中心频率的窄带信号，于博说这个问题可以在实践中解决，但是可能因为我还没有很好的实践，现在还是不明白为什么可以这样假定），编程实战
2.6 执行学习方案
现在已经有了非常明确的学习路线了，一个知识一个知识的开始学习就可以了，我没有遇到什么困难，现在有了AI，可以带着问题对AI求根问底（拆解到自己已经熟悉的那一层知识）。最后成功编程实现了VMD，处理了模拟信号。
学完VMD的感觉就像是在信号处理这个世界中点亮了一张小网，其上有很多有不同的节点，每个节点往外扩散，连接到目前还是黑暗状态的网中。想来如果学习更多这个领域的综合知识，能点亮的网就能将越来越大，有越来越多的网点。真是神奇的体验。