EKF与UKF在时变频率估计中的应用与实现

1. 项目概述

窄带信号的时变频率估计是雷达、声纳和通信系统中的经典问题。在实际工程中，我们经常遇到频率随时间变化的信号（如多普勒频移信号），传统FFT方法由于受到"时频不确定性原理"限制，难以同时获得高时间分辨率和频率分辨率。卡尔曼滤波类算法通过状态空间建模，能够有效跟踪信号的时变参数。

本项目实现了两种非线性卡尔曼滤波器——扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)，用于估计线性调频(LFM)信号的瞬时频率。相比常规方法，这两种算法具有以下优势：

• 实时处理能力：递推计算适合在线应用
• 抗噪性能：通过状态预测抑制测量噪声
• 记忆特性：利用历史信息提高估计精度

注：所有实验数据均使用Matlab 2021b生成，完整代码已托管在GitHub仓库（文末附链接）

2. 核心算法原理

2.1 信号模型建立

考虑离散时间的线性调频信号模型：

code复制x_k = A·exp(j(2πf_k·kT_s + φ_k)) + w_k

其中：

• A为幅值（假设已知）
• f_k = f_0 + α·kT_s 是时变频率
• T_s为采样间隔
• w_k ∼ N(0,Q) 是复高斯白噪声

将频率f_k和频率变化率α作为状态变量，建立状态方程：

code复制θ_k = [f_k, α_k]^T
θ_k = F·θ_{k-1} + v_k

F为状态转移矩阵，v_k ∼ N(0,Γ) 是过程噪声

2.2 EKF实现方案

EKF通过一阶泰勒展开处理非线性问题，具体步骤：

1. 预测阶段：

code复制θ_k|k-1 = F·θ_{k-1|k-1}
P_k|k-1 = F·P_{k-1|k-1}·F^T + Γ

2. 雅可比矩阵计算：

code复制H_k = ∂h(θ)/∂θ|θ=θ_k|k-1
h(θ) = A·exp(j2πf_k·kT_s)

3. 更新阶段：

code复制K_k = P_k|k-1·H_k^T·(H_k·P_k|k-1·H_k^T + Q)^{-1}
θ_k|k = θ_k|k-1 + K_k·(z_k - h(θ_k|k-1))
P_k|k = (I - K_k·H_k)·P_k|k-1

注意：EKF对强非线性系统可能发散，需谨慎选择初始协方差矩阵

2.3 U