卡尔曼滤波器在窄带信号频率估计中的应用与实现

1. 项目概述：卡尔曼滤波器在窄带信号频率估计中的应用

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。传统傅里叶变换方法在时变场景下分辨率有限，而卡尔曼滤波器类算法通过状态空间建模实现了动态跟踪能力。这个项目实现了两种改进型卡尔曼滤波器——扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)，用于解决单分量窄带信号的瞬时频率估计问题。

实际工程中，我们经常遇到类似雷达回波信号的多普勒频移跟踪、电力系统谐波分析等场景。这类信号通常具有时变特性且伴随噪声，EKF和UKF通过不同的线性化策略，在保证实时性的同时提高了估计精度。Matlab作为算法验证的首选工具，其矩阵运算优势和丰富的信号处理工具箱，非常适合这类算法的快速原型开发。

2. 核心算法原理与选型考量

2.1 信号模型建立

窄带信号可建模为：

code复制x(t) = A(t)exp(jφ(t)) + w(t)

其中相位φ(t)与瞬时频率f(t)满足：

code复制f(t) = (1/2π)·dφ(t)/dt

我们采用三阶状态空间模型：

• 状态向量：X = [f; f'; f''] （频率及其一阶、二阶导数）
• 观测方程：通过Hilbert变换获取解析信号相位

注意：模型阶数选择需权衡计算复杂度与跟踪性能，三阶模型可较好平衡常见线性/非线性频率变化场景

2.2 EKF实现方案

EKF通过一阶泰勒展开处理非线性问题：

matlab复制% EKF预测步骤
[F, Q] = getJacobian(X_est); % 计算状态转移矩阵
X_pred = F * X_est;
P_pred = F * P_est * F' + Q;

% 更新步骤
z_pred = phase_wrap(h(X_pred)); % 非线性观测函数
H = computeH(X_pred); % 观测矩阵雅可比
K = P_pred * H' / (H * P_pred * H' + R);
X_est = X_pred + K * (z_meas - z_pred);
P_est = (eye(3) - K*H) * P_pred;

关键参数设置经验：

• 过程噪声Q：对角元素通常取[1e-4, 1e-6, 1e-8]量级
• 观测噪声R：根据SNR设