1. 窄带信号时变频率估计的工程挑战
在雷达信号分析、通信系统监测和振动测试等领域，我们经常需要处理一类特殊信号——其频率成分会随时间发生缓慢变化，但瞬时带宽却很窄。这类窄带非平稳信号就像一位哼着走调歌曲的歌手，虽然每个时刻的音高明确可辨，但整体旋律却起伏不定。传统傅里叶变换在这类场景下会遭遇"分辨率困境"：选择长窗会导致动态跟踪滞后，短窗又会损失频率精度。
去年调试某型航空发动机振动监测系统时，我就被这个问题狠狠教训过。当时试图用STFT（短时傅里叶变换）分析叶片振动特征，结果在转速过渡段完全捕捉不到频率变化细节。直到改用卡尔曼滤波框架，才真正实现了毫秒级动态跟踪。这促使我系统研究了EKF（扩展卡尔曼滤波）和UKF（无迹卡尔曼滤波）两种解决方案的工程实现差异。
2. 卡尔曼滤波框架下的频率跟踪原理
2.1 信号建模的艺术
将时变频率估计转化为状态估计问题，首先需要构建合理的状态空间模型。对于单分量窄带信号x(t)=a(t)cos(θ(t))，我们通常采用瞬时相位θ(t)的二阶泰勒展开：
code复制θ(t) ≈ θ₀ + 2πf₀t + πr₀t²
其中f₀为初始频率，r₀为调频斜率。对应的离散状态向量可定义为：
code复制x_k = [θ_k, f_k, r_k]^T
状态方程描述为：
code复制θ_{k+1} = θ_k + 2πT_s f_k + πT_s² r_k + w_θ
f_{k+1} = f_k + T_s r_k + w_f
r_{k+1} = r_k + w_r
这里T_s是采样间隔，w为过程噪声。观测方程则是非线性函数：
code复制z_k = cos(θ_k) + v_k
2.2 EKF与UKF的本质差异
扩展卡尔曼滤波(EKF)通过一阶泰勒展开局部线性化非线性函数，就像用许多小直线段去逼近曲线。而无迹卡尔曼滤波(UKF)则采用确定性采样策略——精心选取的sigma点通过真实非线性函数传播，保留了二阶统计特性。这导致二者在时变频率估计中表现迥异：
| 特性 | EKF | UKF |
|---|---|---|
| 计算复杂度 | O(n³) | O(n³) |
| 导数要求 | 需Jacobian矩阵 | 无需解析求导 |
| 非线性强度适应性 | 弱非线性适用 | 强非线性适用 |
| 频率跳变跟踪能力 | 存在线性化误差 | 捕捉突变更灵敏 |
| 实现便捷性 | 需手动推导导数 | 采样策略固定 |
在实测中，当信号信噪比高于15dB时，EKF的RMSE性能与UKF相当；但在低信噪比或快速扫频场景，UKF的优势可达到30%以上。
3. Matlab实现关键细节
3.1 EKF实现避坑指南
matlab复制% 状态转移矩阵构造
F = [1, 2*pi*Ts, pi*Ts^2;
0, 1, Ts;
0, 0, 1];
% 观测方程Jacobian
H_jacob = @(x) [-sin(x(1)), 0, 0]; % 常见错误是漏掉偏导项
% 过程噪声配置技巧
Q = diag([1e-6, 1e-4, 1e-2]); % 相位噪声最小，调频率噪声最大
新手最容易犯的三个错误：
- 忽略状态方程中的2π系数（导致频率估计值差6.28倍）
- 过程噪声矩阵Q设置不合理（建议用Allan方差分析校准）
- 未处理相位卷绕问题（需要增加模2π处理）
3.2 UKF的sigma点采样策略
matlab复制alpha = 1e-3; % 控制采样点分布范围
kappa = 0; % 二阶精度参数
beta = 2; % 分布形状参数
[Wm, Wc] = ut_weights(alpha, beta, kappa);
[Xi, ~] = sigma_points(x_est, P_est, alpha, kappa);
实测表明，当α∈[1e-3,1e-2]时，对突发频率跳变的跟踪延迟可控制在5个采样点内。特别要注意的是，观测噪声协方差R需要比EKF设置大10-20%，因为UKF的采样过程会引入额外不确定性。
4. 性能对比实测分析
4.1 线性扫频场景测试
构造测试信号：f(t)=100+40t Hz，SNR=20dB，采样率1kHz。在Matlab中运行100次蒙特卡洛实验：
| 指标 | EKF | UKF |
|---|---|---|
| 频率RMSE(Hz) | 0.38 | 0.29 |
| 收敛时间(ms) | 12.5 | 8.2 |
| CPU耗时(s) | 0.47 | 0.63 |
UKF展现出更快的动态响应能力，这是因为它通过sigma点更好地捕捉了状态分布的偏斜特性。
4.2 阶跃频率突变测试
设置t=0.5s时频率从100Hz突变为150Hz：
(图示：UKF在突变点处的过冲更小，调整时间比EKF快约30%)
此时UKF的另一个优势显现——不需要像EKF那样重新计算Jacobian矩阵，因此对模型突变具有天然适应性。不过当信号中存在谐波干扰时，需要给UKF增加正交化处理步骤。
5. 工程应用中的实用技巧
-
初始状态设置：先用Welch功率谱估计粗频率作为f₀初始值，可减少50%收敛时间
-
异常值处理：当新息(innovation)超过3σ时，采用鲁棒核函数降低异常影响：
matlab复制robust_kernel = @(r) min(r, 3*R^0.5); -
多速率处理：对高频信号先进行降采样处理，但需保持采样率≥4倍最大频率变化率
-
硬件实现优化：将UKF的Cholesky分解替换为平方根滤波实现，可避免数值不稳定
在最近的水声通信项目中，我们采用UKF跟踪多普勒频移，配合上述技巧将载波同步时间从原来的15ms缩短到6ms。这提醒我们：算法选择不能只看理论指标，必须结合实际约束——当DSP资源紧张时，EKF可能是更务实的选择。