CN102624468A - 基于双fft的宽带自动检测方法 - Google Patents

Abstract

本发明公开了一种基于双FFT的宽带自动检测方法，包括以下步骤：根据宽带检测要求设定估计不同分辨率频谱所需要的FFT点数；通过A/D采集获得Nfft1点的采样数据；对长度为Nfft1的信号分别进行一次点数为Nfft1和K次点数为Nfft2的快速傅里叶变换，从而获得不同分辨率的频谱；对不同分辨率的频谱分别进行噪声基底估计，并进行有效能量检测，从而获得信号的频域、时域以及能量特征参数；将检测到的有效能量与信号列表进行合并处理，并获得信号时频域的统计特征参数。本发明的准确性和可靠性都明显高于固定分辨率的检测算法，能适应较为复杂电磁环境下的频谱监测或信号侦察。

Description

基于双FFT的宽带自动检测方法

技术领域

本发明涉及无线电监测领域，尤其涉及一种的宽带自动检测方法。

背景技术

随着无线通信量的不断增加，对空中无线电信号进行全面监测处理也面临着新的挑战。传统的窄带扫描监测处理的工作模式已经不再适合现代自动处理流程的需要。尤其是在无线电管理和军事侦察部门急需一种能快速有效地对空中复杂环境中的信号进行自动检测发现的方法。

为了快速有效地对空中无线电信号进行监测处理，目前基本上都是先通过采用宽带接收机获得空中无线电信号的宽带时域数据，然后采用数字信号处理技术获得无线电信号频谱，最后采用一定检测算法和准确来发现信号。其中，为了获得信号的频谱分布情况，需要采用傅里叶变换获得信号谱数据。基于快速傅里叶变换(FFT)的周期图方法是目前采用的最流行的谱估计方法之一。FFT变换处理过程需要输入一定长度的信号，对于一定采样速率(Fs)的数字信号也就是一定点数(Nfft)的采样信号(其中Nfft一般是2的幂次方)，然后对输入信号加窗并采用通用或专用的DSP芯片完成其计算，最后就可以获得离散的谱数据。信号频谱在时域上的区分能力是由输入的信号长度决定。根据测不准原理，该谱数据的频率分辨率与计算谱数据的长度成反比。也就是说，频率分辨率df＝k*Fs/Nfft，其中k是由加窗函数的类型决定。在实际处理过程中，根据频率分辨率和旁瓣抑制能力的要求，可以选择不同的窗函数类型，比如：矩形窗、汉明窗、高斯窗、布莱克窗。尽管频率分辨率将受到窗函数的影响，但是在采用速率一定的情况下FFT长度是决定分辨率的根本原因。

目前各种宽带检测系统都是利用宽带接收数据进行固定分辨率的FFT处理后，再对谱数据进行宽带自动检测，从而分析空中信号分布情况及特点。这在很大程度上提高了对空中信号监测处理的效率；但是，这种处理模式只是通过时域数据进行一种固定长度的FFT处理而获得固定分辨率的频谱，这将限定其对信号的分辨率，包括频域和时域分辨率。这将使得检测过程提取的信号特征参数受分辨率影响较大，难以确保这些特征参数在时域和频域都能较为准确、可靠地反应信号真实特征。比如：在一定带宽范围内同时存在时域突发信号和带宽较窄的信号。如果采用一种固定分辨率的谱数据进行信号自动检测就不能满足可靠检测的实际要求。

通过采用双FFT变换来获得不同分辨率的信号频谱，这对信号检测具有重要的意义；但是，在处理过程中也将明显增加运算量。在现有的处理能力下，对宽带较宽的时域数据进行点数较多(如：256k)的实时FFT本身就具有一定的难度；如果再增加不同分辨率的FFT运算量，这无疑将给宽带检测系统增加运算量，给系统具体实现增加难度。

根据测不准原理，某一帧谱数据的频率分辨率和时间分辨率之积不会小于某个常数。也就是说，为了获得较高的频率分辨率就需要牺牲时间分辨率；反之，要获得较高的时间分辨就需要牺牲频率分辨率。采用固定长度的FFT估计的信号频谱将限定其对信号的区分能力。

因此，如果是通过固定长度的FFT变换获得的频谱，其检测提取的信号特征参数受FFT长度影响较大，难以确保这些特征参数在时域和频域都能较为准确、可靠地反应信号真实特征。这样就不能适应同时具有对时间分辨率要求较高的突发信号和对频率分辨率要求较高的窄带信号的情形。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于双FFT的宽带自动检测方法。

为了实现上述目的，本发明采用的技术方案是：一种基于双FFT的宽带自动检测方法，包括以下步骤：

1)根据宽带检测设置的时间分辨率(dt)和频率分辨率(df)要求设定估计不同分辨率频谱进行FFT的点数；

其中，频率分辨率较高的FFT点数为Nfft1，时间分辨率较高的FFT点数为Nfft2，且Nfft1＝K*Nfft2，Nfft 1和Nfft2均为2的幂次方；

2)以采样速率为F s通过A/D采集将被测模拟信号转换为数字信号，并获得Nfft1点长度的采样数据；

3)对长度为Nfft 1的信号分别进行一次点数为Nfft 1和K次点数为Nfft2的快速傅里叶变换，从而获得不同分辨率的信号频谱；

4)分别对所获得的频率分辨率较高的频谱和时间分辨率较高的K帧频谱进行噪声基底估计；

5)对不同分辨率的频谱进行有效能量检测，从而获得频域、时域以及能量特征参数；

其中，采用时间分辨率较高K帧谱数据来估计有效能量的出现时刻，同时将其检测的频域或能量参数用来辅助频率分辨率较高的谱数据进行检测；

6)将检测到的有效能量与信号列表进行合并处理，即：将当前Nfft1点数据获得的参数，将与系统的信号列表进行判断处理，并进行合并；

7)提取信号统计特征参数；然后重复以上步骤继续更新信号的特征参数。

作为优选，A/D采集是将通过系统具有的宽带接收机的采集卡来完成。

作为优选，噪声基底估计方法采用自动门限方法。

作为优选，自动门限方法具体计算公式如下：令OS滤波器的滑动窗口长度为N_os，以滑动步进1对谱数据{x_i}进行顺序统计滤波。滤波器系数安排如下：

其中：z_min、z_max、m均是正整数。满足：

m＝N_os-(z_min+z_max)

最终的估计基底值如下：

${\mathrm{thd}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{x}_{(Z_{\min }+k)}$

其中thd_i是当前时刻第i个频点或子信道的噪声基底。

作为优选，信号统计特征参数包括：带宽(当前、最小、最大、平均、方差)、能量(当前、最小、最大、平均、方差)、突发长度(平均、最大、最小)、信号出现时刻、信号消失时间、信号持续时间、信号截获数、扫描数。

作为优选，信号统计特征参数过程采用递推更新的方式进行，

其中，均值和方差的递推公式如下：

均值： ${\stackrel{\‾}{x}}_{N+1}=\frac{N}{N+1}{\stackrel{\‾}{x}}_N+\frac{1}{N+1}{x}_{N+1}$

方差：

${\mathrm{\σ}}_{N+1}^2\≈\frac{N}{N+1}{\mathrm{\σ}}_N^2+\frac{1}{N+1}{(x_{N+1}-{\stackrel{\‾}{x}}_{N+1})}^2$

其中：

和

分别代表N个样本数据的统计均值和方差，其定义分别为： ${\stackrel{\‾}{x}}_N=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i;$ ${\mathrm{\σ}}_N^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-{\stackrel{\‾}{x}}_N)}^2.$

与现有技术相比，本发明的优点在于：准确性和可靠性都明显高于固定分辨率的检测算法，能适应较为复杂信号环境下的频谱监测或信号侦察发现。由于联合检测的特征参数能更好地反应信号真实特征，因此对后续的信号筛选及识别具有更高的参考价值，从而更能有效引导后端窄带资源进行信号识别、解调、解码等处理。

附图说明

图1为本发明的宽带自动检测处理框图；

图2为本发明的采集信号间关系序列图；

图3为本发明的宽带检测示意图；

图4为本发明的实际宽带功率谱图及估计的噪声基底曲线；

图5为本发明的超短波宽带时频图。

具体实施方式

下面将结合附图对本发明作进一步说明。

作为本发明的一种实施方式，参阅图1和图2，本发明包括一种基于双FFT的宽带自动检测方法，包括以下步骤：

1)根据宽带检测设置的时间分辨率(dt)和频率分辨率(df)要求设定估计不同分辨率频谱所需要进行的FFT点数；

其中，频率分辨率较高的FFT点数为Nfft1，时间分辨率较高的FFT点数为Nfft2，且Nfft1＝K*Nfft2，Nfft 1和Nfft2均为2的幂次方；通过宽带检测设置的时间分辨率(dt)和频率分辨率(df)要求，自动计算获得这种分辨率频谱所需要的进行FFT的点数。其中，频率分辨率较高的FFT点数为Nfft1，时间分辨率较高的FFT点数为Nfft2，且Nfft1＝K*Nfft2，Nfft 1和Nfft2均为2的幂次方。实际处理中，因为要求不同分辨率谱之间的时间或频率区分能力较为明显，那么要求Nfft1至少是Nfft2的数倍。

2)以采样速率为Fs通过A/D采集将被测模拟信号转换为数字信号，并获得Nfft1点长度的采样数据；

3)对长度为Nfft 1的信号分别进行一次点数为Nfft 1和K次点数为Nfft2的快速傅里叶变换，从而获得不同分辨率的信号频谱；

在进行FFT处理过程中，首先是根据选定的窗函数进行加窗处理，然后再进行FFT，最后获得信号功率谱数据。

4)分别对所获得的频率分辨率较高的频谱和时间分辨率较高的K帧频谱进行噪声基底估计；

估计噪声基底主要方法包括有：固定门限、自动门限以及环境门限。作为一种自动宽带检测的噪声基底方法，自动门限是主要采用的方法。具体处理方法是：为了估计某一频点的噪声基底，需要先将以该频率为中心的一定宽度范围内的谱数据进行由大到小或由小到大的顺序统计滤波(OS)，然后计算排序在中间一部分数据的均值，该均值就代表了该频点的噪声基底值。具体计算公式如下：

令OS滤波器的滑动窗口长度为，以滑动步进1对谱数据进行顺序统计滤波。滤波器系数安排如下：

其中：z_min、z_max、m均是正整数。满足：

m＝N_os-(z_min+z_max)

最终的估计基底值如下：

${\mathrm{thd}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{x}_{(Z_{\min }+k)}$

其中thd_i是当前时刻第i个频点或子信道的噪声基底。

5)根据获得不同分辨率的谱数据后进行有效能量检测，从而获得频域、时域以及能量特征参数；其中采用时间分辨率较高K帧谱数据来估计有效能量的出现时刻，同时将其检测的频域或能量参数用来辅助频率分辨率较高的谱数据进行检测；

通过获得不同分辨率的谱数据后，可以分别进行信号检测处理；然后，联合二者检测的结果分别进行相互修正处理，最终达到对检测的信号有较为准确可靠的描述。其中，联合检测和参数提取的重点是：采用时间分辨率较高K帧谱数据来估计有效能量的出现时刻，同时将其检测的频域或能量参数用来辅助频率分辨率较高的谱数据进行检测。

具体实现过程中，对于每帧谱中是否具有有效能量，主要是通过谱数据与估计的噪声基底之间的相对大小是否满足条件而进行的。一旦检测到某个能量符合检测标准，将估计其带宽(Band)、中心频率(Fc)及能量大小(E)、出现时刻(T)。对于一定频带范围内的谱，可能检测到多个有效的能量，也可能没有一个有效的能量。

在检测过程中，对于不同的分辨率的频谱，其检测标准可以依情况而设定；但是，总体上二者的检测标准将大体相当。

参阅图3，只有当能量大于估计噪声基底一定门限之后，才视为有效能量。某些谱线是否视为有效能量关键在于检测的峰值标准设定。

6)将检测到的有效能量与信号列表进行合并处理，即：将当前Nfft1点数据获得的参数，将与系统的信号列表进行判断处理，并进行合并；

通过当前Nfft1点数据获得的参数，将与系统的信号列表进行判断处理，并进行合并。具体是：如果检测的某个能量的频谱与信号列表中的频谱之间的重叠率大于一定标准，就认为当前能量就是该信号在这一帧谱数据的体现。

7)根据检测的结果，提取信号统计特征参数。

信号统计特征参数包括：带宽(当前、最小、最大、平均、方差)、能量(当前、最小、最大、平均、方差)、突发长度(平均、最大、最小)、信号出现时刻、信号消失时间、信号持续时间、信号截获数、扫描数。

作为优选，信号统计特征参数过程采用递推更新的方式进行，

其中，均值和方差的递推公式如下：

均值： ${\stackrel{\‾}{x}}_{N+1}=\frac{N}{N+1}{\stackrel{\‾}{x}}_N+\frac{1}{N+1}{x}_{N+1}$

方差：

${\mathrm{\σ}}_{N+1}^2\≈\frac{N}{N+1}{\mathrm{\σ}}_N^2+\frac{1}{N+1}{(x_{N+1}-{\stackrel{\‾}{x}}_{N+1})}^2$

其中：

和

分别代表N个样本数据的统计均值和方差，其定义分别为： ${\stackrel{\‾}{x}}_N=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i;$ ${\mathrm{\σ}}_N^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-{\stackrel{\‾}{x}}_N)}^2.$

对于不同分辨率的谱数据参数选择是根据实际关心的信号种类或特点来确定的。总体原则是：两种不同分辨率的谱数据尽量在分辨率上有一定的差距。其中，时间分辨率高的谱数据重点是获得更为可靠的时间参数；频率分辨率高的谱数据重点是获得更为可靠的频域参数。

上述实施例通过采用GPU对同一组数据计算不同点数的FFT，从而获得不同分辨率的信号功率谱数据，然后再采用CPU对谱数据进行信号检测及特征参数提取。具体实施方式如下：

(1)双FFT变换处理的具体实现方式

由于在图像处理器中加入可编程内部处理器，使得GPU具备很高的运算性能。GPU凭借多核共同驱动及很高的内存读写带宽，使其不仅应用于图像处理方面，在通用计算方面也可以提供更多的运算资源。相比CPU而言，GPU硬件结构采用更多的运算逻辑部件参与数据处理，运算过程中GPU低昂当与大量的并行处理器。所以，GPU更适合那些相同程序并行处理大量数采取并行运算，即高密集度数据运算。基于以上原因，专利中对同一组时域数据进行不同分辨率的FFT运算将采用GPU来计算FFT，从而可以实时获得时域数据不同分辨率的谱数据。在实施过程中，为了方便地利用GPU进行数值运算，我们采用NVIDIA公司提出的GPU与计算统一设备体系结构(CUDA)相结合进行并行运算的方式，这可以通过片上上百个处理器同步协作，从而快速完成FFT运算。用CUDA编程实现的时候，将GPU看着一个可以并行处理很多Thread的运算设备，就像是主CPU的协处理器一样，也就是将程序的数据并行和密集运算部分分配给GPU设备来处理。也就是说，将FFT运算独立出来，对应到GPU的许多不同的Thread来执行。也就是将这个函数编译为GPU上执行的命令集，而这个编译的目标程序成为Kernel。多个Thread组成一个Thread Block，它们可以共享内存中的数据，并可以同步执行一致的内存访问。

FFT在GPU上的具体实现是：结合GPU编程接口的特殊性，设计一个双缓存系统，将初始输入数据传输到其中一个缓存内作为一个输入，而另一个缓存作为输出，每次GPU管线的渲染动作就是一步FFT的运算，渲染一次后将两个缓存的角色对调，上次的输入缓存作为这次输出缓存，上次的输出的缓存作为这次输入缓存，通过全部渲染后，就可以得到输入数据的FFT变换结果。通过这样的FFT在GPU上的实现，做到了使用最简单的着色器代码，在代码中没有用到跳转和循环等控制流语句，因此在GPU上运行能达到较高的效率。

在具体实现中，如果只是一帧一帧的时域数据导入和一帧一帧的频域数据导出，其GPU缓存与CPU缓存之间的数据导入或导出将占据大量的时间。为此，在不太影响宽带检测时效的情况，将采用同时导入数以百帧以至千帧的时域数据给GPU，当GPU将所有的数据都进行了不同分辨率的FFT变换之后再将结果输出。这将大大提高系统的处理效率，从而完全能达到系统要求的实时性。

(2)多分辨率谱数据的宽带检测实现

通过GPU处理获得信号的谱数据后，将针对每一帧谱数据进行信号检测，并将不同分辨率的谱数据检测的能量进行联合判断处理，最终将在时间域上合并处理。具体实施方式如下：

无论是短波、超短波，还微波频段，估计噪声基底是进行宽带检测的第一步。当信号密度不高、噪声基底稳定时，可以采用一种固定门限方式来标示噪声基底门限。该方法在实际中，需要根据不同阵地、不同频段范围人工根据经验来确定，或通过观察功率谱图来人工设定。然而，在实际中人工确定效果不是很理想，尤其是在短波及超短波的低频段。因此，系统将采用一种自动估计噪声基底门限的方法。具体处理方法是：为了估计某一频点的噪声基底，需要先将以该频率为中心的一定宽度范围内的谱数据进行由大到小或由小到大的顺序排序，然后计算排序在中间一部分数据的均值，该均值就代表了该频点的噪声基底值。由于相邻附近的噪声基底变换是可以忽略的；因此，为了提高噪声基底估计的效率，可以将某频点的估计值用来代表一小区间的噪声基底。对于某频点的噪声基底估计所需要谱的数据窗大小采取这样的原则：由于短波信号密集且信号带宽较窄，估计窗大小取20K～40KHz为宜；超短频段估计窗大小取200K～1000KHz为宜，具体大小需要依据阵地环境及实验来确定。

图4是某实际超短频段的宽带信号功率谱图，以及采用自动方法估计的噪声基底曲线。从图中观察知，估计的噪声基底曲线能较好地描述噪声基底变换情况，可以作为能量检测的判断依据。也就是说，当某谱线大于噪声基底一定门限时，就认为是信号，而非噪声波动带来的影响。

能量检测的具体策略是根据估计的噪声基底曲线与谱数据的相对大小，当谱数据相对于噪声基底大于一定门限时，就认为是真实的信号能量。为了估计该能量或信号的带宽、中心频率等参数时，将利用频率分辨率较高的功率谱采用ITU推荐的“x-dB”带宽测量方法进行。估计的带宽大小将主要受到噪声基底估计曲线和“x-dB”值的限制，而其估计值与真实值的接近程度还将受到该功率谱的分辨率的影响。一般情况下，在“x-dB”值设置充裕时，主要受到加窗函数的影响。也就是说，估计的信号带宽将比实际信号带宽稍大一些。该影响是由窗函数的旁瓣而带来的。为了获取信号时域上的可靠特征，同样需要进行以上步骤的处理，只是由于时间分辨率的提高，需要对多帧的功率谱数据进行检测处理。这样处理的好处就在于可以准确的提取信号的出现时间、消失时间以及突发长度等。通过不同分辨率的谱数据处理时，需要充分利用二者的优点，并且需要将二者检测的带宽及中心频率等进行联合判断处理。通过这样处理之后，提取的信号带宽、能量及时间参数更能准确的反应信号真实的特征。

(3)信号统计特征参数的提取

为了在时域上对信号的特征参数进行统计分析，那么需要根据每一帧检测的能量结果与信号条目或前一帧的能量检测结果进行合并处理。合并的原则是：当前后两帧的某个能量在频域上的重叠率达到一定要求，则认为二者同属于一个信号的不同时刻的能量。那么，将二者的能量、带宽、时域特征进行合并处理。最后，达到对某个信号具有一定的统计结果，从而为后续处理提供较为可靠的依据。

通过在时域上一定时间的统计分析后，提取的特征参数主要包括有：信号的中心频率、带宽(最小、平均、最大、方差)、能量(最小、平均、最大、方差)、出现时刻、消失时间、突发次数、突发长度(最小、平均、最大、方差)、截获数、占用度等等。这些参数分别从时间和频率等多方面来反映信号的特点。比如：对于常规PSK数字调制信号，其频域特征较为稳定，那么其带宽、能量将相对稳定，而且其占用度将接近100％；对于一些话音FM广播信号，其带宽波动较为明显；对于一些自动检测重传(ARQ)信号，在一定长度的时间内的统计将明显发现其突发数较大，而且根据时域特征参数的可靠检测，可以利用其突发长度在一定程度上区分不同系统的ARQ信号，以及获得突发信号的突发周期等。

(4)检测结果列表实例，图5是某实际超短波频段范围的一段信号的时频图。其中：数据长度为1秒，复数采样速率为2MHz，数据中心频率为Fc。采用本技术对图5进行宽带自动检测，其检测结果参数如下表所示。其中，分别进行Nfft 1＝64K和Nfft2＝512点复数FFT处理获得频谱，那么其分辨率分别为：df1约为40Hz，dt1约为25ms；df2约为5.12KHz，dt1约为0.2ms。检测的自动门限窗宽为200KHz，带宽标准为20dB，能量峰值标准为15dB。

表1检测结果主要特征参数

备注：上表中“～”表示信号一次突发没结束，该参数还没有更新。

需要说明的是，上表中的检测结果参数是依据以上参数设置而获得的。其中，所有时频图下面低频的三个信号都有单音导频头，所以检测其最小带宽值较小。通过对比验证，检测的结果与实际信号的特征参数相差较小。

总之，采用这种不同分辨率的双FFT变换检测提取的信号特征，其准确性和可靠性都明显高于固定分辨率的检测算法。这些特征参数能更好地反应信号真实特点，因此对后续的信号筛选及识别具有更高的参考价值。也就是说，通过利用这些特征参数可以直接对信号进行分类或初步识别，这也将大大降低对后续窄带资源的依赖，从而可以提高整个处理系统的自动化处理流程。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围内的情况下，在其他实施例中实现。因此，本发明将不会限制于本文所示的这些实施例，而是要符合于本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于双FFT的宽带自动检测方法，其特征在于包括以下步骤：

1)根据宽带检测设置的时间分辨率(dt)和频率分辨率(df)要求设定估计不同分辨率频谱所需要的FFT点数；

其中，频率分辨率较高的FFT点数为Nfft1，时间分辨率较高的FFT点数为Nfft2，且Nfft1＝K*Nfft2，Nfft 1和Nfft2均为2的幂次方；

2)以采样速率为Fs通过A/D采集将被测模拟信号转换为数字信号，并获得Nfft1点长度的采样数据；

3)对长度为Nfft1的信号分别进行一次点数为Nfft1和K次点数为Nfft2的快速傅里叶变换，从而获得不同分辨率的频谱；

4)分别对的频率分辨率较高的频谱和时间分辨率较高的K帧频谱进行噪声基底估计；

5)根据获得不同分辨率的频谱进行有效能量检测，从而获得频域、时域以及能量特征参数；

其中，采用时间分辨率较高K帧谱数据来估计有效能量的出现时刻，并将其检测的频域或能量参数用来辅助频率分辨率较高的频谱进行检测；

6)将检测到的有效能量与信号列表进行合并处理，即：将当前Nfft1点数据获得的参数，将与系统的信号列表进行判断处理，并进行合并；

7)提取信号统计特征参数；然后重复以上步骤继续更新信号的特征参数。

2.根据权利要求1所述的基于双FFT的宽带自动检测方法，其特征在于：所述A/D采集是将通过系统具有的宽带接收机的采集卡来完成。

3.根据权利要求1所述的基于双FFT的宽带自动检测方法，其特征在于：所述噪声基底估计方法采用自动门限方法。

4.根据权利要求3所述的基于双FFT的宽带自动检测方法，其特征在于：所述自动门限方法具体计算公式如下：令OS滤波器的滑动窗口长度为N_os，以滑动步进1对谱数据{x_i}进行顺序统计滤波。滤波器系数如下：

其中：z_min、z_max、m均是正整数。满足：

m＝N_os-(z_min+z_max)

最终第i点的估计基底值如下：

${\mathrm{thd}}_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{x}_{(Z_{\min }+k)}$

其中thd_i是当前时刻第i个频点或子信道的噪声基底。

5.根据权利要求1所述的基于双FFT的宽带自动检测方法，其特征在于：所述信号统计特征参数包括：带宽(当前、最小、最大、平均、方差)、能量(当前、最小、最大、平均、方差)、突发长度(平均、最大、最小)、信号出现时刻、信号消失时间、信号持续时间、信号截获数、扫描数。

6.根据权利要求5所述的基于双FFT的宽带自动检测方法，其特征在于：所述信号统计特征参数过程采用递推更新的方式进行，

其中，均值和方差的递推公式如下：

均值： ${\stackrel{\‾}{x}}_{N+1}=\frac{N}{N+1}{\stackrel{\‾}{x}}_N+\frac{1}{N+1}{x}_{N+1}$

方差：

${\mathrm{\σ}}_{N+1}^2\≈\frac{N}{N+1}{\mathrm{\σ}}_N^2+\frac{1}{N+1}{(x_{N+1}-{\stackrel{\‾}{x}}_{N+1})}^2$

其中：

和

分别代表N个样本数据的统计均值和方差，其定义分别为： ${\stackrel{\‾}{x}}_N=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i;$ ${\mathrm{\σ}}_N^2=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-{\stackrel{\‾}{x}}_N)}^2.$

Images