我目前正在从事一个业余项目，使用 SDR 对无线电信号（更准确地说，我对 L 波段卫星频道感兴趣）执行自动调制分类 (AMC)。我希望它能够发现功率谱中的通道，以及它们的频率和带宽，这样我就可以将 AMC 应用到这一步的输出上。
我的第一个（天真的）方法相当简单：在每 N 个样本（比如 1024 个）应用一个窗口函数后，对最后一个 N 执行 FFT，计算功率谱的估计并应用一些指数平滑来减少噪声。然后，在平滑的功率谱中，找到最大和最小信号电平，根据两个电平的加权平均值计算某个阈值，并使用该阈值来确定哪些频率区间属于一个通道。
这在我的单元测试中效果很好（一个 QPSK 通道 + 高斯噪声）。然而，在现实生活中，我要么得到一些渠道，要么得到很多误报。当然，我可以通过微调阈值计算中的权重来解决这个问题，但它就不再是自动的了。
我一直在对 Google 进行一些研究，但也许我没有使用正确的搜索关键字，或者对这个主题没有真正的兴趣（这很奇怪，因为频率扫描仪必须以某种方式执行这项任务）。
我怎样才能找到平均权重的适当值？也许有比计算整个频谱的阈值更好的方法？
在考虑了 Marcus Müller 的建议后，我开发了一种算法，该算法仍然依赖于全局能量阈值，但也依赖于对本底噪声的估计。它可以通过多种方式进行改进，但由于其最简单的实现已经提供了可接受的真实世界捕获结果（同样，L 波段捕获 250 ksps），我相信它可能是其他人开始的良好基础。
该算法的中心思想是基于对噪声功率的连续估计来计算能量阈值，并随着频谱图的每次更新而更新它。在所有 FFT 运行期间，此估计跟踪每个 FFT bin 获得的最大和最小级别，使用它们来估计该 bin 中的 PSD 并丢弃异常值（即通道、杂散...）。该算法将每隔固定数量的样本执行一次。更正式地说：
算法参数：
int N /* spectrogram length (FFT bins) */
complex x[N] /* last N samples */
float alpha /* spectrogram smoothing factor between 0 (infinite smoothing,
spectrogram will never be updated) and 1 (no smoothing at all) */
float beta /* level decay factor between 0 (levels will never decay) and 1
(levels will be equal to the spectrogram). */
float gamma /* smooth factor applied to updates of the current noise estimation
between 0 (no updates allowed) and 1 /* no smoothing */
float SNR /* detection threshold above noise, in dB */
和的推荐值alpha分别是beta和。gamma1e-21e-3.5
变量：
complex dft[N] /* Fourier transform of the last N samples */
float spect[N] /* smoothed spectrogram */
float spmin[N] /* lower levels for spectrogram bins */
float spmax[N] /* upper levels for spectrogram bins */
int runs /* FFT run counter (initially zero) */
float N0 /* Current noise level estimation */
float new_N0 /* New noise level estimation */
float min_pwr /* Minimum power density found */
int min_pwr_bin /* FFT bin where min_pwr is */
int valid /* Number of valid bins for noise estimation */
int min_runs /* Minimum number of runs required to detect channels */
算法：
min_runs = max(2. / alpha, 1. / beta)
dft = FFT(x);
++runs;
if (runs == 1) then /* First FFT run */
spect = dft * conj(dft) /* |FFT(x)|^2 */
spmin = spect /* Copy spect to spmin */
spmax = spect /* Copy spect to spmax */
N0 = min(spect); /* First noise estimation */
else
/* Smooth spectrogram w.r.t the previous run */
spect += alpha * (dft * conj(dft) - spect)
/* Update levels. This has to be performed element-wise */
new_N0 = 0
valid = 0
min_pwr = INFINITY
min_pwr_bin = -1
for (int i = 0; i < N; ++i)
/* Update current lower levels or raise them */
if (spect[i] < spmin[i]) then
spmin[i] = spect[i]
else
spmin[i] += beta * (spect[i] - spmin[i]);
end
/* Update current upper levels or decrease them */
if (spect[i] > spmax[i]) then
spmax[i] = spect[i]
else
spmax[i] += beta * (spect[i] - spmax[i]);
end
if (runs > min_runs) then
/* Use previous N0 estimation to detect outliers */
if (spmin[i] < N0 or N0 < spmax[i]) then
new_N0 += spect[i]
++valid
end
/* Update current minimum power */
if (spect[i] < min_pwr) then
min_pwr = spect[i]
min_pwr_bin = i
end
end
end
/*
* Check whether levels have stabilized and update noise
* estimation accordingly
*/
if (runs > min_runs) then
/*
* This is a key step: if the number of valid bins is
* 0 this means that our previous estimation was
* absolutely wrong. We reset it with a cruder estimation
* based on where the minimum value of the current
* spectrogram was found
*/
if (valid == 0) then
N0 = .5 * (spmin[min_pwr_bin] + spmax[min_pwr_bin])
else
N0 += gamma * (new_N0 / valid - N0)
end
/*
* Detect channels based on this threshold (trivial,
* not detailed)
*/
detect_channels(spect, 10^(SNR / 10) * N0)
end
end
尽管该算法强烈假设本底噪声是平坦的（这在大多数情况下是错误的，因为在现实世界的收音机中，调谐器输出通过响应不平坦的低通滤波器），即使在这种情况下它仍然有效不成立。这些是不同 alpha 值和 的一些算法N = 4096结果SNR = 3 dB。噪声估计用黄色标记，通道阈值用绿色标记，高电平用红色标记，频谱图用白色标记，低电平用青色标记。我还提供了N0每次 FFT 运行后估计的演变：
结果alpha = 1e-1：
结果为alpha = 1e-2。请注意，随着频谱图变得更加清晰，有效 bin 的数量是如何减少的：
结果为alpha = 1e-3。在这种情况下，电平非常紧凑，本底噪声非常明显不平坦，以至于从一个 FFT 运行到另一个 FFT 存在无效的 bin。在这种情况下，我们回退到寻找具有最低功率密度的 bin 的粗略估计：
计算min_runs很关键。为了防止噪声电平上升（即跟随通道而不是本底噪声），我们必须至少等待2. / alphaFFT 运行，然后才能信任信号电平。这个值是通过实验找到的：在我之前的实现中，我直观地使用1. / alphawhich 惨遭失败alpha = 1e-3：
我还没有在其他场景（如突发传输）上对此进行测试，由于最小/最大级别的持久性，该算法可能无法像连续通道那样执行，并且它可能无法将突发传输检测为异常值。但是，鉴于我正在使用的渠道类型，目前这不是优先事项。
您的平滑方法似乎有点适得其反：为什么足够长的 DFT 中的噪声会形成类似“尖锐”形状的东西？您很可能会以这种方式抑制窄带载波。
然后：确实有很多信号检测器，许多只是基于频谱中的能量检测（就像您的方法一样）。
但是，估算器必须越好，您需要拥有的有关您正在寻找的信号的信息就越多。您是在寻找 20 kHz 宽窄带信道，还是寻找数十兆赫的高速 QPSK 卫星下行链路？你对通道/脉冲形状有什么了解吗？自相关？
这是一个有点广泛的领域，所以我建议你看看一些已经有效的东西：
gr-inspectorSebastian Müller 是一个经过验证且非常棒的自动通道检测器，对于某些类型的传输，还可以推断调制参数。
观看演示视频（dubstep 警告！）；你似乎在素描看起来像这样：
但是：这只是它可以做的事情之一。
更重要的是：基于 DFT 的能带检测实际上只是检测信号的众多方法之一。例如，它不会检测像 GPS 那样的扩频传输。为此，您需要了解传播技术或至少需要大型基于自相关的检测器。