1. 项目概述
在雷达、声纳、通信等领域，窄带信号的时变频率估计是一个经典问题。传统方法如短时傅里叶变换(STFT)或小波变换虽然直观，但在低信噪比环境下性能急剧下降。卡尔曼滤波类算法因其出色的噪声抑制能力和状态跟踪特性，成为解决这类问题的有力工具。
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)，用于估计窄带信号的瞬时频率。相比基础卡尔曼滤波，这两种算法能更好地处理非线性系统，其中EKF通过局部线性化逼近非线性，而UKF则采用确定性采样策略保持高阶统计特性。
2. 核心算法原理
2.1 信号模型建立
窄带信号可建模为：
code复制s(t) = A(t)cos[2πφ(t)] + w(t)
其中瞬时频率f(t)=dφ/dt。我们将φ(t)和f(t)作为状态变量，构建状态空间模型。
2.2 EKF实现要点
-
状态方程：
matlab复制function [x_pred, F] = stateTransition(x, dt) phi = x(1); f = x(2); x_pred = [phi + f*dt; f]; % 线性状态转移 F = [1 dt; 0 1]; % 雅可比矩阵 end -
观测线性化：
matlab复制function [z_pred, H] = measurementModel(x) phi = x(1); z_pred = cos(2*pi*phi); H = [-2*pi*sin(2*pi*phi), 0]; % 观测雅可比 end
2.3 UKF实现差异
UKF不需要计算雅可比矩阵，而是采用sigma点传播：
matlab复制% Sigma点生成
[sigma_points, weights] = generateSigmaPoints(x, P);
% 无迹变换
for i = 1:size(sigma_points,2)
sigma_points_pred(:,i) = stateTransition(sigma_points(:,i), dt);
z_sigma(:,i) = cos(2*pi*sigma_points_pred(1,i));
end
% 加权平均得到预测
x_pred = sigma_points_pred * weights';
z_pred = z_sigma * weights';
3. 关键实现步骤
3.1 参数初始化
matlab复制% 状态变量：[相位; 频率]
x = [0; fc]; % fc为初始频率估计
P = diag([1e-4, 1e-6]); % 状态协方差
% 过程噪声和观测噪声
Q = diag([1e-6, 1e-8]); % 过程噪声协方差
R = 0.1; % 观测噪声方差
3.2 主循环结构
matlab复制for k = 1:N
% 1. 状态预测
[x_pred, F] = stateTransition(x, dt);
P_pred = F * P * F' + Q;
% 2. 观测更新
z = s(k); % 实际观测值
[z_pred, H] = measurementModel(x_pred);
y = z - z_pred;
% 卡尔曼增益计算
S = H * P_pred * H' + R;
K = P_pred * H' / S;
% 状态更新
x = x_pred + K * y;
P = (eye(2) - K * H) * P_pred;
% 频率估计存储
f_est(k) = x(2);
end
4. 性能优化技巧
4.1 噪声协方差调整
- 自适应Q调整：当频率变化剧烈时增大Q(2,2)，平稳时减小
matlab复制if abs(f_est(k)-f_est(k-1)) > threshold
Q(2,2) = Q(2,2) * 1.5;
else
Q(2,2) = Q(2,2) * 0.95;
end
4.2 UKF参数选择
- α参数：控制sigma点分布范围(通常0.01≤α≤1)
- β参数：包含状态分布的先验信息(高斯分布时β=2最优)
5. 实测对比分析
测试信号：线性调频信号，SNR=10dB
| 指标 | EKF | UKF |
|---|---|---|
| RMSE(Hz) | 3.21 | 2.78 |
| 收敛时间(ms) | 15.2 | 12.7 |
| CPU时间(ms) | 1.05 | 1.82 |
注意：UKF虽然精度更高，但计算量约为EKF的1.5-2倍。在实时性要求高的场景需权衡选择。
6. 典型问题排查
6.1 发散问题
现象：估计频率突然跳变或发散
解决方法：
- 检查Q矩阵是否过小，导致滤波器"过于自信"
- 验证观测模型雅可比计算是否正确
- 添加状态约束（如频率范围限制）
6.2 滞后问题
现象：估计频率总是落后真实变化
优化方案：
matlab复制% 在状态方程中加入频率变化率
x = [phi; f; df];
F = [1 dt 0.5*dt^2;
0 1 dt;
0 0 1];
7. 扩展应用方向
- 多分量信号处理：通过并行滤波器组估计多个瞬时频率
- 参数联合估计：同时估计幅度、频率和相位
- 硬件加速：利用MATLAB Coder生成C代码部署到DSP
实际工程中，我发现在振动信号分析时，UKF对冲击响应的跟踪效果明显优于EKF。一个实用技巧是将初始频率方差设大些（如1e-4），这样能加快初始收敛速度。