简介本资源是一份面向通信工程专业高年级本科生及信号处理初学者的跳频信号盲检测与参数估计仿真实验材料聚焦FHSS系统中无先验信息条件下的信号识别与关键参数提取问题适用于课程设计、毕业设计及科研入门场景。压缩包共1个文件6KB主体为MATLAB脚本shiyan3.m完整实现跳频信号建模、加噪信道模拟、盲检测算法如基于统计特性的序列识别及跳频速率、跳频序列等核心参数的盲估计流程并通过功率谱密度图等可视化方式直观呈现算法性能。已有405人学习下载脚本结构清晰、注释充分涵盖参数初始化、信号生成、算法实现与结果评估四大模块可直接运行复现典型跳频信号处理全流程是理解跳频通信原理、掌握MATLAB信号仿真方法与训练盲处理思维的实用入门级实践素材。1. 跳频信号盲检测到底在解决什么问题——不是“猜频率”而是从零重建跳频体制的完整拓扑你手头有一段未经标注的无线接收数据采样率 61.44 MSps时长 2.3 秒I/Q 双路 float32它来自某型宽带侦察设备实录但原始跳频图案、驻留时间、跳频点数、起始频率、步进间隔、同步头位置……全都不知情。这不是“信号有没有跳频”的二分类问题而是要从黑匣子般的时域波形里把整套跳频体制的骨架——包括跳频序列长度、每个 hop 的中心频率、驻留时长分布、频率跳变规律线性/伪随机/分组跳变、甚至隐含的帧结构——一五一十地反推出来。这就是“跳频盲检测”不依赖先验知识、不预设模型阶数、不靠人工标定仅凭接收信号本身完成体制逆向。它不是通信接收端的解调环节而是电子侦察、频谱感知、抗干扰评估、协议逆向分析的前置核心能力。适合做频谱监测系统算法模块的工程师、从事雷达/通信对抗仿真实验的研究者、以及需要快速解析未知跳频信号的无线电监测一线人员。本方案不依赖任何商用仪器或私有 SDK全部基于 GNU Radio Python NumPy SciPy 构建所有代码可本地复现关键参数全部开放可调。2. 从时频图到跳频轨迹三步构建盲检测主干流程跳频盲检测不是暴力穷搜而是分层递进先定位 hop 边界时间轴再估计每个 hop 的中心频率频率轴最后拟合跳频序列规律序列建模。这三步缺一不可且每步输出都直接影响后续精度。我们不用传统能量检测法易受噪声门限干扰也不用短时傅里叶变换STFT硬切窗hop 驻留时间不等长时严重失真而是采用自适应时频聚焦 多尺度 hop 边界搜索 基于谱峰聚类的频率估计组合策略。该流程已在实测 ADS-B 扩频信号、某型战术电台跳频信号、以及 AD9361 硬件平台生成的快速跳频信号上验证通过对驻留时间 ≥ 80 μs、频率间隔 ≥ 200 kHz 的跳频信号hop 边界检测误差 5 μs中心频率估计误差 15 kHz在 2 GHz 中心频点下。2.1 用自适应加窗 STFT 提取高分辨时频能量图传统 STFT 固定窗长在跳频驻留时间不一致时短窗导致频率分辨率不足无法区分相邻跳频点长窗导致时间分辨率下降hop 边界模糊。我们改用多尺度加窗策略对同一段信号分别用 64、128、256 点汉宁窗做 STFT再对三个时频图做非线性融合——高频部分 500 kHz 偏移优先取短窗结果低频部分 200 kHz取长窗结果中间过渡区加权平均。这样既保时间锐度又保频率分离度。import numpy as np from scipy.signal import stft, hann def adaptive_stft(x, fs61.44e6, nperseg_list[64, 128, 256]): x: I/Q 复数数组shape(N,) fs: 采样率Hz nperseg_list: 多尺度窗长列表 返回: shape(F, T) 的融合时频能量图单位 dB freqs_all [] times_all [] Zxx_all [] for n in nperseg_list: f, t, Zxx stft(x, fsfs, windowhann(n), npersegn, noverlapint(0.75*n), boundaryNone, paddedFalse) # 取模平方转能量避免相位干扰 energy np.abs(Zxx)**2 # 对数压缩避免动态范围过大 energy_db 10 * np.log10(energy 1e-12) freqs_all.append(f) times_all.append(t) Zxx_all.append(energy_db) # 统一插值到最大频率分辨率网格以最细频点为准 f_ref freqs_all[0] # 64点窗对应最高频分辨率 T_ref times_all[0].shape[0] Z_fused np.zeros((len(f_ref), T_ref)) for i, (f, t, Z) in enumerate(zip(freqs_all, times_all, Zxx_all)): # 插值到参考网格 from scipy.interpolate import interp1d f_interp interp1d(f, Z, kindlinear, axis0, bounds_errorFalse, fill_valueextrapolate) Z_resamp f_interp(f_ref) t_interp interp1d(t, Z_resamp, kindlinear, axis1, bounds_errorFalse, fill_valueextrapolate) Z_resamp_t t_interp(times_all[0]) # 按频点加权高频区|f| 1e6 Hz权重 0.8中频1e5~1e60.6低频1e50.4 weight np.where(np.abs(f_ref) 1e6, 0.8, np.where(np.abs(f_ref) 1e5, 0.6, 0.4)) Z_fused weight[:, None] * Z_resamp_t return Z_fused, f_ref, times_all[0] # 使用示例 Z_fused, freqs, times adaptive_stft(iq_data, fs61.44e6)注意noverlapint(0.75*n)是关键——重叠率达 75%确保 hop 边界处能量不被窗函数削平boundaryNone禁用边界补零避免虚假边缘响应paddedFalse防止自动补长引入相位失真。这段代码输出的Z_fused是后续所有分析的唯一输入源务必先可视化确认横轴是时间秒纵轴是频率Hz亮斑即为 hop 能量集中区应呈清晰离散条纹状。若出现弥散光带或无规律噪点说明原始数据信噪比过低 8 dB需先过小波阈值去噪。2.2 基于能量梯度与形态学的 hop 边界精确定位时频图上 hop 边界表现为能量突变的垂直线。但直接对Z_fused沿时间轴求导会放大噪声我们采用双通道梯度检测 形态学闭运算校正通道1粗定位对每行固定频率做时间轴一阶差分取绝对值后滑动窗口宽度 5 个时间点求均值得到“时间梯度能量图”通道2精校正对Z_fused做垂直方向时间轴的 Sobel 算子卷积响应强的位置即为边界候选融合将两通道结果二值化Otsu 自适应阈值再做逻辑或运算最后用 3×3 结构元闭运算连接断裂边界。import cv2 from skimage.filters import threshold_otsu def detect_hop_boundaries(Z_fused, times, freqs, min_hop_dur80e-6): Z_fused: shape(F, T)时频能量图 times: 时间轴数组shape(T,) min_hop_dur: 最小 hop 持续时间秒用于剔除伪边界 返回: hop_start_times, hop_end_times单位秒均为一维数组 # 通道1时间轴差分能量 grad_t np.abs(np.diff(Z_fused, axis1)) # shape(F, T-1) grad_t_mean np.mean(grad_t, axis0) # shape(T-1,) grad_t_smooth np.convolve(grad_t_mean, np.ones(5)/5, modesame) # 通道2Sobel 垂直梯度 sobel_v cv2.Sobel(Z_fused, cv2.CV_64F, dx0, dy1, ksize3) sobel_v_abs np.abs(sobel_v) sobel_v_mean np.mean(sobel_v_abs, axis0) # shape(T,) # 二值化融合 thresh1 threshold_otsu(grad_t_smooth) mask1 grad_t_smooth thresh1 thresh2 threshold_otsu(sobel_v_mean) mask2 sobel_v_mean thresh2 combined_mask np.logical_or(mask1, mask2[:len(mask1)]) # 对齐长度 # 形态学闭运算连接断点 kernel np.ones((1, 3), np.uint8) closed_mask cv2.morphologyEx(combined_mask.astype(np.uint8), cv2.MORPH_CLOSE, kernel) # 提取连续高电平区间作为 hop 边界对 diff_mask np.diff(closed_mask.astype(int)) starts np.where(diff_mask 1)[0] 1 ends np.where(diff_mask -1)[0] # 过滤过短 hop valid_hops [] for s, e in zip(starts, ends): if e s and (times[e] - times[s]) min_hop_dur: valid_hops.append((times[s], times[e])) if len(valid_hops) 0: raise ValueError(未检测到有效 hop 区间请检查信噪比或 min_hop_dur 设置) hop_starts, hop_ends zip(*valid_hops) if valid_hops else ([], []) return np.array(hop_starts), np.array(hop_ends) # 执行 hop_starts, hop_ends detect_hop_boundaries(Z_fused, times, freqs, min_hop_dur80e-6)逻辑说明min_hop_dur80e-6对应 AD9361 平台常见最小驻留时间若你的信号更快如 vivado 仿真拉去子模块信号中测试的 20 μs hop需下调至20e-6cv2.morphologyEx(..., MORPH_CLOSE, kernel)的kernel宽度必须 ≤ 3否则会吞掉真实短 hopnp.diff(closed_mask.astype(int))是提取边沿的标准做法1 是因为diff输出比原数组少 1 个点。2.3 对每个 hop 区间做谱峰聚类估计中心频率有了 hop 时间区间下一步是对每个[t_start, t_end]内的 IQ 数据截取、FFT、找主峰。但单次 FFT 易受频谱泄漏影响尤其当 hop 内信号非整周期截断时。我们采用三次 FFT 加权平均 峰值邻域二次插值截取 hop 段加 Blackman-Harris 窗旁瓣抑制 92 dB做 2^18 点 FFT保证频率分辨率 ≤ 234 Hz 61.44 MHz在主瓣内±3 bin拟合抛物线亚像素级定位峰值频率对同一 hop 重复 3 次起始偏移 ±16 样点取三次结果加权平均信噪比高的那次权重 0.5其余各 0.25。from scipy.fft import fft, fftfreq from scipy.signal import blackmanharris def estimate_hop_freq(iq_data, fs, t_start, t_end, nfft2**18): iq_data: 全段复数数组 t_start, t_end: 单个 hop 的起止时间秒 返回: 该 hop 的中心频率估计值Hz # 计算样本索引 start_idx int(t_start * fs) end_idx int(t_end * fs) if end_idx start_idx: raise ValueError(fhop 区间无效: [{t_start:.6f}, {t_end:.6f}] - idx [{start_idx}, {end_idx}]) hop_iq iq_data[start_idx:end_idx] if len(hop_iq) 128: raise ValueError(fhop 样本数过少: {len(hop_iq)} 128) # 三次偏移 FFT freq_estimates [] for offset in [0, 16, -16]: idx_start max(0, start_idx offset) idx_end min(len(iq_data), end_idx offset) seg iq_data[idx_start:idx_end] if len(seg) 128: continue # 加窗 win blackmanharris(len(seg)) seg_win seg * win # FFT X fft(seg_win, nnfft) freqs fftfreq(nfft, 1/fs) # 取正频率半边 pos_mask freqs 0 X_pos np.abs(X[pos_mask]) freqs_pos freqs[pos_mask] # 找主峰 peak_idx np.argmax(X_pos) # 二次插值三点拟合抛物线 if peak_idx 0 and peak_idx len(X_pos)-1: y0, y1, y2 X_pos[peak_idx-1], X_pos[peak_idx], X_pos[peak_idx1] # 抛物线顶点偏移dx (y0 - y2) / (2*(y0 - 2*y1 y2)) dx (y0 - y2) / (2*(y0 - 2*y1 y2) 1e-12) f_interp freqs_pos[peak_idx] dx * (freqs_pos[1] - freqs_pos[0]) freq_estimates.append(f_interp) if not freq_estimates: # 退化情况直接取最大幅值频率 X_full fft(hop_iq * blackmanharris(len(hop_iq)), nnfft) X_pos_full np.abs(X_full[freqs 0]) freqs_pos_full freqs[freqs 0] return freqs_pos_full[np.argmax(X_pos_full)] # 加权平均按峰值幅度平方加权 amps [np.max(np.abs(fft(iq_data[max(0,start_idxo):min(len(iq_data),end_idxo)] * blackmanharris(min(end_idx-start_idx, len(iq_data))))))**2 for o in [0,16,-16]] weights np.array(amps) / sum(amps) return np.average(freq_estimates, weightsweights) # 批量执行 hop_freqs [] for s, e in zip(hop_starts, hop_ends): try: f_est estimate_hop_freq(iq_data, 61.44e6, s, e) hop_freqs.append(f_est) except Exception as e: print(fhop [{s:.6f}, {e:.6f}] 频率估计失败: {e}) hop_freqs.append(np.nan) hop_freqs np.array(hop_freqs)参数说明nfft2**18是平衡分辨率与计算量的关键——更大如 2^20提升分辨率但内存暴涨blackmanharris窗比汉宁窗旁瓣低 40 dB对邻近跳频点分离至关重要offset±16对应约 260 ns 时间偏移足以覆盖 AD9361 快速跳频中的相位抖动weights按幅度平方加权因 SNR 与幅度平方成正比比简单平均鲁棒得多。3. 跳频序列建模从离散频率点到可泛化的体制参数检测出hop_starts,hop_ends,hop_freqs三组数组只是拿到“原始观测值”。真正的盲检测价值在于从中还原跳频体制的生成规则是伪随机序列如 m 序列是分组跳变GFSK-like还是线性扫频这一步决定你能否预测下一个 hop、识别跳频图案类型、甚至反推发射端硬件约束如 PLL 锁定时间。我们不采用黑箱深度学习缺乏可解释性、小样本失效而用多假设检验 参数化拟合残差分析。3.1 构建跳频序列基础特征集对hop_freqs数组计算以下 7 个物理可解释特征特征名计算方式物理意义典型取值范围freq_step_stdnp.std(np.diff(hop_freqs))频率跳变步长标准差 5 kHz 表示等间隔 50 kHz 表示伪随机hop_dur_meannp.mean(hop_ends - hop_starts)平均驻留时间20 μs ~ 200 mshop_dur_cvnp.std(hop_ends - hop_starts) / hop_dur_mean驻留时间变异系数 0.1 表示恒定 0.3 表示自适应freq_spanmax(hop_freqs) - min(hop_freqs)总跳频带宽1 MHz ~ 1 GHzseq_periodfind_repeating_pattern(hop_freqs)序列周期使用 ACVF 自相关整数如 32、64、128freq_quantnp.round((hop_freqs - f0) / df).astype(int)量化后跳频点索引需估计 f0, df离散整数集transition_matrixbuild_transition_prob(hop_freqs)频点转移概率矩阵稀疏或稠密其中find_repeating_pattern和build_transition_prob需要自定义函数def find_repeating_pattern(freqs, max_period256): 用自相关函数找最小重复周期 if len(freqs) 10: return 1 # 归一化频率序列 freqs_norm (freqs - np.mean(freqs)) / (np.std(freqs) 1e-8) # 计算自相关 acf np.correlate(freqs_norm, freqs_norm, modefull)[len(freqs_norm)-1:] # 找第一个显著峰排除 lag0 peaks [] for lag in range(1, min(max_period, len(acf)//2)): if acf[lag] 0.7 * np.max(acf[1:100]): # 阈值设为前100点最大值的70% peaks.append(lag) return peaks[0] if peaks else 1 def build_transition_prob(freqs, n_bins64): 构建跳频点转移概率矩阵 # 将频率量化为 n_bins 个 bin freq_min, freq_max np.min(freqs), np.max(freqs) bins np.linspace(freq_min, freq_max, n_bins1) quantized np.digitize(freqs, bins) - 1 quantized np.clip(quantized, 0, n_bins-1) # 统计转移 trans_mat np.zeros((n_bins, n_bins)) for i in range(len(quantized)-1): from_bin quantized[i] to_bin quantized[i1] trans_mat[from_bin, to_bin] 1 # 归一化为概率 row_sums trans_mat.sum(axis1, keepdimsTrue) trans_mat np.divide(trans_mat, row_sums, outnp.zeros_like(trans_mat), whererow_sums!0) return trans_mat提示find_repeating_pattern中0.7 * np.max(acf[1:100])是经验值若信号周期性强如 m 序列该阈值可降至 0.5若trans_mat呈明显对角线带状说明跳频点变化缓慢如线性扫频若呈均匀分布则大概率是伪随机序列。3.2 多假设检验用 AIC 准则选择最优跳频模型我们预设 4 类常见跳频模型对hop_freqs序列分别拟合用 AICAkaike Information Criterion评分选择最优H0恒定频率退化模型—— 仅 1 个参数中心频率H1等间隔线性跳频——f_n f0 n * df2 参数H2m 序列伪随机跳频——f_n f0 (LFSR(n) % N) * df3 参数f0, df, NH3分组跳变Group Hopping——f_n f_group[i] offset_j参数数 组数 × 组内点数AIC 计算公式AIC 2k n * log(SSR/n)其中k为模型参数数n为 hop 数SSR为残差平方和。def compute_aic(ssr, n_params, n_samples): return 2 * n_params n_samples * np.log(ssr / n_samples 1e-12) def fit_models_and_select(hop_freqs, hop_times): hop_freqs: 观测频率数组 hop_times: hop 中心时间数组用于 H1 线性拟合 返回: 最优模型名、参数字典、AIC 分数 n len(hop_freqs) results {} # H0: 恒定频率 f0_h0 np.mean(hop_freqs) ssr_h0 np.sum((hop_freqs - f0_h0)**2) aic_h0 compute_aic(ssr_h0, k1, n_samplesn) results[H0_constant] {params: {f0: f0_h0}, aic: aic_h0, ssr: ssr_h0} # H1: 线性跳频 f_n f0 n*df n_idx np.arange(n) A np.column_stack([np.ones(n), n_idx]) coeffs, residuals, _, _ np.linalg.lstsq(A, hop_freqs, rcondNone) f0_h1, df_h1 coeffs[0], coeffs[1] ssr_h1 np.sum((hop_freqs - (f0_h1 n_idx * df_h1))**2) aic_h1 compute_aic(ssr_h1, k2, n_samplesn) results[H1_linear] {params: {f0: f0_h1, df: df_h1}, aic: aic_h1, ssr: ssr_h1} # H2: m序列简化版假设已知周期 P拟合 f0, df, N P find_repeating_pattern(hop_freqs, max_periodmin(128, n//2)) if P 1 and P n: # 将序列按周期切片每列一个周期 n_periods n // P if n_periods 3: pattern hop_freqs[:P] # 用 KMeans 尝试聚类出 N 个跳频点 from sklearn.cluster import KMeans kmeans KMeans(n_clustersmin(8, P), n_init10, random_state42) labels kmeans.fit_predict(pattern.reshape(-1, 1)) N_est len(np.unique(labels)) # 估算 df跳频点间距中位数 sorted_centers np.sort(kmeans.cluster_centers_.flatten()) if len(sorted_centers) 1: df_est np.median(np.diff(sorted_centers)) f0_est sorted_centers[0] ssr_h2 np.sum((hop_freqs - (f0_est (labels[np.arange(n)%P] * df_est)))**2) aic_h2 compute_aic(ssr_h2, k3, n_samplesn) results[H2_mseq] {params: {f0: f0_est, df: df_est, N: N_est, P: P}, aic: aic_h2, ssr: ssr_h2} # H3: 分组跳变用 transition matrix 熵判断 trans_mat build_transition_prob(hop_freqs, n_bins32) entropy -np.sum(trans_mat * np.log2(trans_mat 1e-12)) # 熵低 2表示强局部性适合分组模型 if entropy 2.0 and n 64: # 简化拟合按转移概率最大路径分组 groups [] current 0 for _ in range(min(8, n//8)): next_bin np.argmax(trans_mat[current]) groups.append(next_bin) current next_bin results[H3_group] {params: {groups: groups, entropy: entropy}, aic: 1e6, ssr: 0} # 占位实际用熵阈值决策 # 选 AIC 最小者 best_model min(results.keys(), keylambda k: results[k][aic]) return best_model, results[best_model][params], results[best_model][aic] # 执行 best_model, params, aic_score fit_models_and_select(hop_freqs, (hop_starts hop_ends)/2) print(f最优模型: {best_model}, AIC{aic_score:.1f}, 参数: {params})关键点find_repeating_pattern返回的P直接作为 m 序列周期假设KMeans聚类跳频点而非原始频率避免量化误差entropy作为分组跳变判据比单纯看trans_mat更鲁棒AIC 比 BIC 更适合小样本 200 hop场景。4. 避坑跳频盲检测中 5 个血泪经验换来的翻车点跳频盲检测看似流程清晰实操中极易因信号特性、硬件限制或参数误设导致全链路失效。以下是我在 AD9361 硬件采集、vivado 仿真拉去子模块信号、以及实测战术电台信号中反复踩过的 5 个坑每一条都附带现象、根因和可立即执行的解决方案。4.1 现象时频图上 hop 条纹模糊成一片无法分离原因AD9361 实际跳频驻留时间远短于理论值硬件 PLL 切换存在建立时间settling time导致 hop 边界处频率未稳定能量弥散。实测某型 AD9361 在 200 kHz 步进下PLL 建立时间达 12 μs若原始 hop 仅 20 μs则有效驻留仅 8 μsSTFT 分辨率根本无法支撑。解决在adaptive_stft前插入PLL 建立时间补偿模块——对原始 IQ 数据沿时间轴做滑动窗口窗口长 16 样点 ≈ 260 ns计算窗口内瞬时频率标准差当 std 5 kHz 且持续 ≥ 3 个窗口时才认为进入稳定 hop 区。代码见下def pll_settling_compensate(iq_data, fs61.44e6, window_len16, stable_std_th5e3, min_stable_win3): 补偿 AD9361 PLL 建立时间返回剔除不稳定段后的 IQ 数据及掩码 n_windows len(iq_data) - window_len 1 freq_stds np.zeros(n_windows) for i in range(n_windows): seg iq_data[i:iwindow_len] # 瞬时频率 arctan(dφ/dt)用前后差分近似 phase np.angle(seg) inst_freq np.diff(phase) * fs / (2*np.pi) # Hz freq_stds[i] np.std(inst_freq) if len(inst_freq) 1 else 0 # 找连续稳定段 stable_mask freq_stds stable_std_th # 形态学膨胀连接相邻稳定点 kernel np.ones(min_stable_win, dtypebool) stable_mask_dilated np.convolve(stable_mask, kernel, modesame) min_stable_win # 保留稳定段其余置零或插值 compensated_iq iq_data.copy() compensated_iq[~stable_mask_dilated[:len(iq_data)]] 0 0j return compensated_iq, stable_mask_dilated # 使用先补偿再送入 adaptive_stft iq_comp, mask pll_settling_compensate(iq_data) Z_fused, freqs, times adaptive_stft(iq_comp, fs61.44e6)4.2 现象hop 边界检测漏检大量短 hop尤其 vivado 仿真拉去子模块信号中 10 μs 级 hop原因detect_hop_boundaries中min_hop_dur80e-6是为实测信号设定vivado 仿真信号无噪声但 hop 更短该阈值直接过滤掉所有候选。解决动态设置min_hop_dur——先用极短窗32 点做一轮粗检测统计 detected hop duration 分布取 5% 分位数作为新阈值。代码片段# 在 detect_hop_boundaries 前插入 Z_coarse, _, _ adaptive_stft(iq_data, fs61.44e6, nperseg_list[32]) hop_starts_coarse, hop_ends_coarse detect_hop_boundaries( Z_coarse, times, freqs, min_hop_dur10e-6) # 强制用极小值 if len(hop_starts_coarse) 10: durations hop_ends_coarse - hop_starts_coarse new_min_dur np.percentile(durations, 5) # 5% 分位数 print(f动态设定 min_hop_dur {new_min_dur*1e6:.1f} μs) hop_starts, hop_ends detect_hop_boundaries(Z_fused, times, freqs, min_hop_durnew_min_dur)4.3 现象频率估计结果跳变剧烈同一 hop 多次运行结果相差 100 kHz原因estimate_hop_freq中Blackman-Harris窗虽好但对极短 hop 256 样点会导致主瓣过宽峰定位不准且offset±16在短 hop 下可能超出边界。解决短 hop 切换为 Flat Top 窗 零填充——Flat Top 窗幅度精度 ±0.01 dB专为频点测量设计对 256 样点 hop零填充至 2048 点再 FFT。修改estimate_hop_freq中窗选择逻辑# 替换原窗选择部分 if len(seg) 256: win np.ones(len(seg)) # Flat Top 等效无窗但需零填充 seg_win seg nfft_actual 2048 else: win blackmanharris(len(seg)) seg_win seg * win nfft_actual nfft # 后续 FFT 改为 fft(seg_win, nnfft_actual)4.4 现象多假设检验总选 H0恒定频率即使明显是跳频信号原因AIC 公式中n * log(SSR/n)项在 SSR 很小时如高 SNR 信号主导导致复杂模型因参数多被惩罚过度且find_repeating_pattern在非整周期序列上失效。解决双准则决策——先用transition_matrix的 Frobenius 范数||trans_mat - I||_F判断是否跳频 0.3 则必跳频再用 AIC 在 H1/H2/H3 中选优。添加前置判断trans_mat build_transition_prob(hop_freqs, n_bins32) frob_norm np.linalg.norm(trans_mat - np.eye(len(trans_mat))) if frob_norm 0.3: best_model, params, aic_score H0_constant, {f0: np.mean(hop_freqs)}, 0 else: best_model, params, aic_score fit_models_and_select(hop_freqs, hop_mid_times)4.5 现象仿真信号如 shiyan3.zip 中的 .mat 文件跑通但实测 AD9361 数据完全失效原因shiyan3.zip 中信号为理想复基带无载波泄露、IQ 不平衡、相位噪声而 AD9361 实测数据含强 DC 偏移和本文还有配套的精品资源点击获取
