生成包含3个以上谐波分量、冲击信号和噪声的复杂信号(数据应该有明确的表达式，每个学生都应该有自己独特的数据)，也可以使用公开数据集。 2.绘制信号的时间序列，用三次提取特征信息。 方法将FFT、STFT、小波分析和EMD相结合，在频域或时频域对结果进行表征，并对结果进行比较，给出相应的结果。

生成复杂信号的表达式可以是：

s(t) = A1*sin(2*pi*f1*t) + A2*sin(2*pi*f2*t) + A3*sin(2*pi*f3*t) + I(t) + n(t)

其中，A1、A2、A3分别为三个谐波分量的振幅，f1、f2、f3分别为三个谐波分量的频率，I(t)为冲击信号，n(t)为噪声。

你可以使用Python中的numpy和matplotlib库来生成和绘制信号的时间序列，并使用scipy库中的FFT、STFT、小波分析和EMD等函数来提取特征信息。

以下是一个示例代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

# 生成复杂信号
t = np.linspace(0, 1, 1000)
s = 10*np.sin(2*np.pi*50*t) + 5*np.sin(2*np.pi*100*t) + 2*np.sin(2*np.pi*200*t) + signal.unit_impulse(len(t), idx=int(0.5*len(t))) + np.random.normal(0, 1, len(t))

# 绘制信号的时间序列
plt.figure()
plt.plot(t, s)
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.title('Complex Signal')

# 提取特征信息
f, Pxx = signal.periodogram(s)
plt.figure()
plt.semilogy(f, Pxx)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Power Spectral Density')
plt.title('FFT')

f, t, Zxx = signal.stft(s)
plt.figure()
plt.pcolormesh(t, f, np.abs(Zxx), vmin=0, vmax=np.max(np.abs(Zxx)))
plt.xlabel('Time (s)')
plt.ylabel('Frequency (Hz)')
plt.title('STFT')

cA, cD = pywt.dwt(s, 'db4')
plt.figure()
plt.plot(t, cA)
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.title('Approximation Coefficients (Wavelet)')

imfs = pyeemd.eemd(s, num_siftings=50)
plt.figure()
for i in range(imfs.shape[0]):
    plt.plot(t, imfs[i, :])
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.title('Intrinsic Mode Functions (EMD)')

plt.show()

在上面的代码中，我们使用了FFT、STFT、小波分析和EMD等方法来提取特征信息，并将结果绘制在了图表中。你可以根据自己的数据来选择适合的方法，并比较它们的结果。