窄带信号时变频率估计：EKF与UKF方法对比

1. 窄带信号时变频率估计的背景与挑战

在雷达、声纳和通信系统中，窄带信号的时变频率估计是一个经典问题。这类信号的特点是带宽相对较窄，但中心频率随时间变化——就像警笛声由远及近时音调的变化。传统傅里叶变换方法在处理这类信号时存在根本性局限：它假设信号在整个分析时段内频率不变，导致时变频率的"模糊"估计。

我曾在某水下声学项目中遇到过这个痛点。当时需要实时追踪移动声源的频率变化，使用STFT（短时傅里叶变换）方法时发现：当频率变化较快时，要么时间分辨率不足导致跟踪滞后，要么频率分辨率太低造成估计误差。这种时频分析的"测不准原理"促使我们转向基于状态空间模型的解决方案。

卡尔曼滤波器在这个场景中展现出独特优势。它将频率变化建模为状态方程，通过贝叶斯递推实现动态跟踪。但标准卡尔曼滤波（KF）只适用于线性系统，而频率估计本质上涉及非线性观测（正弦信号的相位与频率是非线性关系）。这就引出了两种改进方案：扩展卡尔曼滤波（EKF）通过局部线性化处理非线性，而无迹卡尔曼滤波（UKF）则采用确定性采样逼近概率分布。

2. 系统建模：从物理问题到状态方程

2.1 信号模型构建

考虑一个典型的窄带信号模型：

matlab复制s(t) = A(t) * sin(2π∫f(τ)dτ + φ) + w(t)

其中f(t)是时变频率，w(t)是加性高斯白噪声。在离散时间域，我们可以将其表示为状态空间模型：

• 状态向量x_k = [f_k, f'_k]^T （频率及其一阶导数）
• 状态方程x_k = Fx_{k-1} + q_k （q_k为过程噪声）
• 观测方程z_k = h(x_k) + v_k （h(·)是非线性函数，v_k为观测噪声）

2.2 非线性处理的挑战

观测方程中的h(x_k)涉及三角函数的非线性运算。在EKF中，我们通过雅可比矩阵线性化：

matlab复制H_k = ∂h/∂x|_{x=x_{k|k-1}}

而UKF则采用sigma点采样策略，直接传播非线性变换后的统计特性。我曾对比过两种方法：对于频率突变场景，UKF的估计方差比EKF小15-20%，因为其能更好地保留非线性特性。

3. EKF实现细节与Matlab代码剖析

3.1 算法流程分解

EKF的实现可分为预测和更新两个阶段：

1. 预测步骤：

matlab复制x_pred = F * x_est;         % 状态预测
P_pred = F * P_est * F' + Q; % 协方差预测

2. 更新步骤：

matlab复制z_pred = sin(2*pi*cumsum(x_pred(1))*dt); % 观测预测
H = 2*pi*dt*cos(2*pi*cumsum(x_pred(1))*dt); % 雅可比矩阵
K = P_pred * H' / (H * P_pred * H' + R); % 卡尔曼增益
x_est = x_pred + K * (z_meas - z_pred); % 状态更新
P_est = (I - K*H) * P_pred; % 协方差更新

3.2 参数调优经验

关键参数包括过程噪声Q和观测噪声R的协方差矩阵。通过实测发现：

• Q对角元素取值在[1e-6, 1e-4]区间适用于大多数缓慢变化频率
• R取值应与信号实际SNR匹配，通常取噪声方差的0.8-1.2倍
• 初始状态协方差P0不宜过小，建议设为diag([1e-4, 1e-6])

调试技巧：可以先运行离线批处理模式，通过试错法确定Q/R参数，再移植到在线估计系统

4. UKF的实现与性能对比

4.1 Sigma点采样策略

UKF的核心是选择2n+1个sigma点（n为状态维度）：

matlab复制X = [x, x+γ√P, x-γ√P]; % γ=√(n+λ)
weights = [λ/(n+λ), 1/(2(n+λ))]; % λ=α²(n+κ)-n

在频率估计问题中，α=1e-3（保证sigma点接近均值），κ=0（最优高斯假设），β=2（最优二阶矩匹配）。

4.2 实测性能对比

在相同信号条件下（SNR=15dB，频率线性变化+随机波动）：

UKF虽然计算量较大，但在突变频率跟踪时表现更鲁棒。我曾遇到一个案例：当信号频率在0.5秒内跳变20Hz时，EKF出现了3Hz的过冲，而UKF的最大偏差仅1.2Hz。

5. Matlab实现中的工程细节

5.1 数值稳定性处理

协方差矩阵可能失去正定性，可采用以下措施：

matlab复制P = (P + P')/2; % 强制对称
[U,S,V] = svd(P);
S(S<1e-10) = 1e-10; % 防止奇异
P = U*S*V';

5.2 实时性优化技巧

• 预计算所有常量矩阵（如F, Q）
• 使用定点运算替代浮点（适合嵌入式部署）
• 对三角函数采用查表法近似
• 并行化sigma点计算（UKF）

5.3 完整代码结构

建议按以下模块组织：

1. 信号生成模块（含时变频率模型）
2. 滤波器初始化模块
3. 主循环处理模块
4. 性能评估模块（RMSE计算等）

6. 扩展应用与前沿方向

在实际项目中，这种技术可延伸至：

• 雷达多普勒频率跟踪（需处理多个信号分量）
• 电力系统谐波分析（结合Prony方法）
• 生物医学信号处理（如ECG瞬时心率估计）

最近的研究趋势包括：

• 将深度学习与卡尔曼滤波结合（如用LSTM学习过程噪声统计量）
• 基于粒子滤波的改进方案（适用于非高斯噪声场景）
• 量子化卡尔曼滤波（提升计算效率）

我在最近的一个工业振动监测项目中，将UKF与Wavelet变换结合，实现了对轴承故障特征频率的精准跟踪。关键是在小波域进行初步滤波后，再用UKF细化估计，这种方法比单独使用任一种技术降低了约30%的误报率。