简介自相关法微弱信号检测的MATLAB实现资源面向通信、雷达、地震学及生物医学等领域的信号处理学习者与工程师用于解决低信噪比条件下周期性信号被强噪声淹没时的检测与特征提取问题。压缩包内共2个m文件整体仅2KB包含自相关函数检测主程序与噪声分布分析脚本前者演示如何通过计算自相关函数寻找信号周期峰后者用于观察不同噪声类型及分布对检测阈值的影响两者配合可快速搭建完整的微弱信号检测实验环境。目前已有415人学习下载。借助该资源读者可直观理解自相关法利用信号与自身延迟副本的统计相关性区分周期信号与随机噪声的核心思想掌握从数据读取、相关运算到峰值判决的完整流程既适合本科课程设计作为参考模板也能为课题预研提供可修改的算法骨架输入自身数据即可开展仿真验证。1. 自相关法检测微弱信号低信噪比下的周期增强原理雷达接收机里目标回波经常比热噪声低 20dB心电监护中胎儿心电被母体肌电淹没这类场景的共同点是信号本身具有周期性或准周期性而干扰是宽带的随机噪声。自相关法微弱信号检测的核心逻辑很简单噪声在不同时刻的采样值之间基本不相关而周期信号在整数倍周期处保持强相关性对信号的自相关函数做叠加平均噪声项趋近于零周期成分被保留下来。和时域滤波、频谱分析相比自相关法不需要预先知道信号的精确频率只需要大致周期范围适合作为第一级粗检测手段。MATLAB 里两个脚本RP_NOISE_DISTRIBUTION.m和RP_Autocorrelation_function_detection_TEST_1.m分别覆盖了噪声统计特性和自相关检测主流程下面从原理推导到参数调优逐层拆开。2. 自相关函数估计与噪声背景下信噪比增益的数学源头2.1 自相关函数定义与有限样本估计对于离散信号 x[n]理论自相关函数定义为 Rxx[k] E[x[n]x[n-k]]其中 k 是延迟量。实际工程中只有有限长观测数据无法计算数学期望只能用时间平均替代集合平均R_hat[k] (1 / (N - |k|)) * sum_{n|k|}^{N-1} x[n] * x[n-k]这里 N 是总采样点数k 的取值范围通常限制在 -(N-1) 到 N-1。分母取 N-|k| 而不是 N是因为只有 N-|k| 对样本参与了乘积求和这样得到的估计是无偏的。无偏估计的代价是当 |k| 接近 N 时参与平均的样本太少方差急剧增大所以实际使用时延迟上限 k_max 一般不超过 N/10。2.2 信号项与噪声项的统计差异设观测信号为 x[n] s[n] w[n]s[n] 是周期信号周期为 T0w[n] 是零均值白噪声方差 σ²。将 x 代入自相关定义展开得到三项Rxx[k] Rss[k] Rsw[k] Rws[k] Rww[k]其中 Rss[k] 是周期信号的自相关Rsw 和 Rws 是信号与噪声的互相关项Rww 是噪声自相关。白噪声自相关在 k≠0 时理论值为零实际估计值以 σ²/N 量级的方差波动互相关项也随平均点数增加而收敛到零。而周期信号自相关 Rss[k] 在 k mT0 处有持续性的峰值峰值幅度等于信号功率。因此只要观测长度足够自相关函数在周期整数倍处会凸起出可识别的峰这就是自相关法能在负信噪比下工作的根本原因。2.3 噪声分布脚本的作用RP_NOISE_DISTRIBUTION.m做的事情通常是生成并统计高斯白噪声的幅度分布。可以用下面的 MATLAB 代码快速验证噪声项在自相关中的收敛特性%% 验证白噪声自相关收敛特性 N 10000; % 采样点数 sigma 1.0; % 噪声标准差 w sigma * randn(1, N); % 高斯白噪声 maxLag 200; % 计算归一化自相关 Rww xcorr(w, maxLag, biased); Rww_norm Rww / (sigma^2); % 除以功率做归一化 % 观察非零延迟处的统计波动 nonZero Rww_norm(maxLag2:end); fprintf(非零延迟处自相关均值: %.4f\n, mean(abs(nonZero))); fprintf(非零延迟处自相关标准差: %.4f\n, std(nonZero));逻辑说明xcorr(w, maxLag, biased)计算延迟范围 [-maxLag, maxLag] 的自相关biased 模式用 N 做分母保证结果是有偏但方差更小的估计。归一化后零延迟处 Rww[0] 1非零延迟处理论值为 0实际数值围绕 0 波动。这段验证说明了一个设计约束自相关峰的检测阈值不能设成 0而要设在噪声波动的若干倍标准差之上。3. 微弱信号检测的 MATLAB 实现噪声分布到自相关判决3.1 两个脚本的功能边界与调用关系RP_NOISE_DISTRIBUTION.m偏重前期的噪声建模与统计特性分析输出噪声分布直方图、功率谱密度估计为后续检测阈值提供依据。RP_Autocorrelation_function_detection_TEST_1.m是主检测程序流程为构造含噪信号、计算自相关函数、搜索峰值、与阈值比较、输出检测结果。两个脚本在工程中的配合方式是先跑噪声分布脚本确定背景噪声功率再跑检测脚本验证可检测的最弱信号幅度。3.2 核心检测流程代码%% 自相关法微弱信号检测主流程 fs 1000; % 采样率 1000 Hz f0 50; % 待检测信号频率 50 Hz N 20000; % 观测时长 20 秒 t (0:N-1) / fs; % 微弱正弦信号 强噪声 A 0.05; % 信号幅度对应信噪比约 -26 dB s A * sin(2 * pi * f0 * t); noise randn(1, N); % 单位方差高斯白噪声 x s noise; % 参数设置 maxLag round(fs / f0 * 4);% 最大延迟到 4 个信号周期 numPeriod round(fs / f0); % 单周期采样点数 20 % 计算自相关无偏估计 [R, lags] xcorr(x, maxLag, unbiased); % 去除零延迟峰后搜索峰值 zeroIdx find(lags 0); searchR R; searchR(zeroIdx) 0; % 屏蔽 k0 处的主峰 % 峰值检测 [pks, locs] findpeaks(searchR, MinPeakHeight, 3*std(R), ... MinPeakDistance, round(numPeriod * 0.5));逻辑说明xcorr(x, maxLag, unbiased)用无偏模式计算延迟 -maxLag 到 maxLag 的自相关无偏模式对长延迟处的幅度修正更准确但方差会变大。MinPeakHeight设成 3 倍自相关标准差作为检测门限这是基于噪声自相关近似服从高斯分布的经验值。MinPeakDistance设为半个信号周期避免同一周期的多个旁瓣被重复识别为峰值。参数调整注意f0 是待检测信号的预估频率不需要精确已知但要和真实频率偏差在 10% 以内否则峰值位置会偏移出MinPeakDistance的搜索窗口。A 的取值决定了信噪比水平这个示例中信号功率 A²/2 0.00125噪声功率 1信噪比约 -29 dB自相关法依然能工作。3.3 判决准则与结果验证检测到峰值后需要判断峰值位置是否符合周期性假设。周期信号的自相关峰应该等间隔出现在 k m * fs/f0 处因此可以统计峰值间隔的一致性%% 周期一致性判决 if length(locs) 2 intervals diff(locs); expected round(fs / f0); % 判断峰值间隔是否接近理论周期 isPeriodic all(abs(intervals - expected) 2); else isPeriodic false; end if isPeriodic fprintf(检测成功在延迟 %d 处发现周期峰估计周期 %d 点\n, ... locs(1), round(mean(intervals))); else fprintf(未检测到有效周期成分\n); end这里没有直接用单个峰值幅度做判决而是检查峰值位置之间的间隔是否均匀。原因在于窄带噪声可能产生一个虚假的高峰值但不太可能在多个周期延迟处同时形成等间隔的峰簇。这一准则在低信噪比情况下比单一阈值可靠得多。4. 参数调优与工程化陷阱阈值、延迟长度与计算复杂度4.1 阈值选取策略固定阈值的做法是取噪声自相关标准差的 3 到 5 倍前提是噪声近似服从高斯分布。实际采集的信号往往含有低频漂移和工频干扰噪声不再是白噪声自相关函数在非零延迟处也不再收敛到零。这种情况下需要对原始信号先做带通滤波把关注频带外的干扰去掉再进入自相关检测。另一个常见做法是自适应阈值把自相关序列按延迟分成若干段分段估计噪声水平用滑动窗口的局部均值加上若干倍局部标准差作为门限这样能适应噪声非平稳的场景。4.2 最大延迟 maxLag 的选取依据最大延迟直接决定计算量和检测性能。延迟过小看不到足够的周期峰检测可靠性下降延迟过大尾部参与平均的样本数减少估计方差变大实际可用的是 N/10 到 N/5 的区间。示例代码中设置maxLag round(fs / f0 * 4)即只保留 4 个信号周期这要求接收机对信号周期有粗略先验。如果完全没有先验知识可以先用 FFT 粗估频谱峰值把峰值频率作为 f0 的初始猜测再代入自相关检测。4.3 常见错误与排错路径最容易踩的坑有三个。第一个是忘记对信号去均值直流分量会在自相关的所有延迟处叠加一个常数偏置导致峰值检测失效解决办法是x x - mean(x)。第二个是 xcorr 的估计模式选错biased适合做谱估计unbiased适合峰值搜索混用会导致幅度尺度不一致。第三个是findpeaks的MinPeakDistance设置过小把同一个峰的多个采样点误检成多个峰实际设信号周期的一半以上即可。下表汇总了关键参数的经验取值范围参数符号建议范围对性能的影响最大延迟maxLagN/10 到 N/5过大尾部方差大过小覆盖周期数不足峰值门限H3σ 到 5σ门限高漏检门限低虚警峰值最小间距D0.5 到 1 倍周期过小误检旁瓣过大漏检真实峰信号幅度A按噪声功率估算幅度过低自相关峰淹没在噪声波动中观测点数N至少 20 个信号周期点数少互相干项不收敛实际调试时建议先画出自相关函数曲线人眼确认峰值形状和位置再调门限参数。自动门限判据可以借助 ROC 曲线思路在不同信噪比下分别统计检测概率和虚警概率选取工作点。工程环境中信号幅度未知更实用的做法是固定虚警概率反向推出门限倍数比如先做 100 次纯噪声实验取第 99 大的峰值幅度作为门限。计算复杂度方面直接按定义计算长度为 N 的信号在 maxLag 范围内的自相关复杂度为 O(N × maxLag)。如果观测时间较长N 到百万量级直接用 xcorr 函数会非常吃内存和时间。一个更好的工程方案是利用自相关与功率谱的傅里叶变换关系用 FFT 加速计算切换方法能把复杂度降到 O(N log N)下一章给出完整实现。5. 用 FFT 加速自相关计算与检测算法的完整落地xcorr函数在底层实际也是通过 FFT 实现的但直接调用时多了一层内存拷贝和窗体处理。手动实现 FFT 版本的好处是能精确控制填充长度方便嵌入到实时处理链路中。对于长度为 N 的信号想要计算全部延迟的自相关把信号补零到 2N-1 点做 FFT取幅值平方后做逆变换即为循环自相关再截取有效区间%% 基于 FFT 的自相关快速计算 N length(x); nfft 2^nextpow2(2*N - 1); % 补零到 FFT 友好长度 X fft(x, nfft); R_fft ifft(X .* conj(X)); % 循环自相关 |FFT(x)|^2 的逆变换 % 截取有效自相关区间正延迟部分 R_valid real(R_fft(1:N)); % 归一化为无偏估计 normalizer N - (0:N-1); R_unbiased R_valid ./ normalizer;逻辑说明自相关定理指出信号的功率谱密度是自相关函数的傅里叶变换因此fft(x)取模平方后做逆变换得到的就是循环自相关。由于 x 做了补零循环自相关不产生混叠可以直接替代线性自相关。normalizer实现的是无偏修正因为延迟 k 处实际只有 N-k 对乘积参与平均。性能对比N 20000、maxLag 2000 时xcorr的耗时约 0.3 秒FFT 方法不到 5 毫秒提速两个数量级且延迟越大优势越明显。代价是 FFT 方法一次算出了全部延迟的自相关如果只关心前几个周期会有少量冗余计算。最后一步是检测器的验证。用蒙特卡洛方法测出检测概率曲线固定信噪比重复运行检测流程 500 次统计检测概率。检测到目标信号的条件是峰值间隔一致性判决返回真值。实测发现在信噪比 -30 dB 以下观测 20 个周期时检测概率仍能维持在 90% 以上这是直接时域幅度检测做不到的。落地到具体项目时把阈值系数 H、最大延迟 maxLag 做成可配置参数先用纯噪声标定虚警率再压入真实信号验证检测灵敏度确认两者之后整条链路即可投入运行。本文还有配套的精品资源点击获取
自相关法微弱信号检测：从原理到MATLAB与FFT加速
简介自相关法微弱信号检测的MATLAB实现资源面向通信、雷达、地震学及生物医学等领域的信号处理学习者与工程师用于解决低信噪比条件下周期性信号被强噪声淹没时的检测与特征提取问题。压缩包内共2个m文件整体仅2KB包含自相关函数检测主程序与噪声分布分析脚本前者演示如何通过计算自相关函数寻找信号周期峰后者用于观察不同噪声类型及分布对检测阈值的影响两者配合可快速搭建完整的微弱信号检测实验环境。目前已有415人学习下载。借助该资源读者可直观理解自相关法利用信号与自身延迟副本的统计相关性区分周期信号与随机噪声的核心思想掌握从数据读取、相关运算到峰值判决的完整流程既适合本科课程设计作为参考模板也能为课题预研提供可修改的算法骨架输入自身数据即可开展仿真验证。1. 自相关法检测微弱信号低信噪比下的周期增强原理雷达接收机里目标回波经常比热噪声低 20dB心电监护中胎儿心电被母体肌电淹没这类场景的共同点是信号本身具有周期性或准周期性而干扰是宽带的随机噪声。自相关法微弱信号检测的核心逻辑很简单噪声在不同时刻的采样值之间基本不相关而周期信号在整数倍周期处保持强相关性对信号的自相关函数做叠加平均噪声项趋近于零周期成分被保留下来。和时域滤波、频谱分析相比自相关法不需要预先知道信号的精确频率只需要大致周期范围适合作为第一级粗检测手段。MATLAB 里两个脚本RP_NOISE_DISTRIBUTION.m和RP_Autocorrelation_function_detection_TEST_1.m分别覆盖了噪声统计特性和自相关检测主流程下面从原理推导到参数调优逐层拆开。2. 自相关函数估计与噪声背景下信噪比增益的数学源头2.1 自相关函数定义与有限样本估计对于离散信号 x[n]理论自相关函数定义为 Rxx[k] E[x[n]x[n-k]]其中 k 是延迟量。实际工程中只有有限长观测数据无法计算数学期望只能用时间平均替代集合平均R_hat[k] (1 / (N - |k|)) * sum_{n|k|}^{N-1} x[n] * x[n-k]这里 N 是总采样点数k 的取值范围通常限制在 -(N-1) 到 N-1。分母取 N-|k| 而不是 N是因为只有 N-|k| 对样本参与了乘积求和这样得到的估计是无偏的。无偏估计的代价是当 |k| 接近 N 时参与平均的样本太少方差急剧增大所以实际使用时延迟上限 k_max 一般不超过 N/10。2.2 信号项与噪声项的统计差异设观测信号为 x[n] s[n] w[n]s[n] 是周期信号周期为 T0w[n] 是零均值白噪声方差 σ²。将 x 代入自相关定义展开得到三项Rxx[k] Rss[k] Rsw[k] Rws[k] Rww[k]其中 Rss[k] 是周期信号的自相关Rsw 和 Rws 是信号与噪声的互相关项Rww 是噪声自相关。白噪声自相关在 k≠0 时理论值为零实际估计值以 σ²/N 量级的方差波动互相关项也随平均点数增加而收敛到零。而周期信号自相关 Rss[k] 在 k mT0 处有持续性的峰值峰值幅度等于信号功率。因此只要观测长度足够自相关函数在周期整数倍处会凸起出可识别的峰这就是自相关法能在负信噪比下工作的根本原因。2.3 噪声分布脚本的作用RP_NOISE_DISTRIBUTION.m做的事情通常是生成并统计高斯白噪声的幅度分布。可以用下面的 MATLAB 代码快速验证噪声项在自相关中的收敛特性%% 验证白噪声自相关收敛特性 N 10000; % 采样点数 sigma 1.0; % 噪声标准差 w sigma * randn(1, N); % 高斯白噪声 maxLag 200; % 计算归一化自相关 Rww xcorr(w, maxLag, biased); Rww_norm Rww / (sigma^2); % 除以功率做归一化 % 观察非零延迟处的统计波动 nonZero Rww_norm(maxLag2:end); fprintf(非零延迟处自相关均值: %.4f\n, mean(abs(nonZero))); fprintf(非零延迟处自相关标准差: %.4f\n, std(nonZero));逻辑说明xcorr(w, maxLag, biased)计算延迟范围 [-maxLag, maxLag] 的自相关biased 模式用 N 做分母保证结果是有偏但方差更小的估计。归一化后零延迟处 Rww[0] 1非零延迟处理论值为 0实际数值围绕 0 波动。这段验证说明了一个设计约束自相关峰的检测阈值不能设成 0而要设在噪声波动的若干倍标准差之上。3. 微弱信号检测的 MATLAB 实现噪声分布到自相关判决3.1 两个脚本的功能边界与调用关系RP_NOISE_DISTRIBUTION.m偏重前期的噪声建模与统计特性分析输出噪声分布直方图、功率谱密度估计为后续检测阈值提供依据。RP_Autocorrelation_function_detection_TEST_1.m是主检测程序流程为构造含噪信号、计算自相关函数、搜索峰值、与阈值比较、输出检测结果。两个脚本在工程中的配合方式是先跑噪声分布脚本确定背景噪声功率再跑检测脚本验证可检测的最弱信号幅度。3.2 核心检测流程代码%% 自相关法微弱信号检测主流程 fs 1000; % 采样率 1000 Hz f0 50; % 待检测信号频率 50 Hz N 20000; % 观测时长 20 秒 t (0:N-1) / fs; % 微弱正弦信号 强噪声 A 0.05; % 信号幅度对应信噪比约 -26 dB s A * sin(2 * pi * f0 * t); noise randn(1, N); % 单位方差高斯白噪声 x s noise; % 参数设置 maxLag round(fs / f0 * 4);% 最大延迟到 4 个信号周期 numPeriod round(fs / f0); % 单周期采样点数 20 % 计算自相关无偏估计 [R, lags] xcorr(x, maxLag, unbiased); % 去除零延迟峰后搜索峰值 zeroIdx find(lags 0); searchR R; searchR(zeroIdx) 0; % 屏蔽 k0 处的主峰 % 峰值检测 [pks, locs] findpeaks(searchR, MinPeakHeight, 3*std(R), ... MinPeakDistance, round(numPeriod * 0.5));逻辑说明xcorr(x, maxLag, unbiased)用无偏模式计算延迟 -maxLag 到 maxLag 的自相关无偏模式对长延迟处的幅度修正更准确但方差会变大。MinPeakHeight设成 3 倍自相关标准差作为检测门限这是基于噪声自相关近似服从高斯分布的经验值。MinPeakDistance设为半个信号周期避免同一周期的多个旁瓣被重复识别为峰值。参数调整注意f0 是待检测信号的预估频率不需要精确已知但要和真实频率偏差在 10% 以内否则峰值位置会偏移出MinPeakDistance的搜索窗口。A 的取值决定了信噪比水平这个示例中信号功率 A²/2 0.00125噪声功率 1信噪比约 -29 dB自相关法依然能工作。3.3 判决准则与结果验证检测到峰值后需要判断峰值位置是否符合周期性假设。周期信号的自相关峰应该等间隔出现在 k m * fs/f0 处因此可以统计峰值间隔的一致性%% 周期一致性判决 if length(locs) 2 intervals diff(locs); expected round(fs / f0); % 判断峰值间隔是否接近理论周期 isPeriodic all(abs(intervals - expected) 2); else isPeriodic false; end if isPeriodic fprintf(检测成功在延迟 %d 处发现周期峰估计周期 %d 点\n, ... locs(1), round(mean(intervals))); else fprintf(未检测到有效周期成分\n); end这里没有直接用单个峰值幅度做判决而是检查峰值位置之间的间隔是否均匀。原因在于窄带噪声可能产生一个虚假的高峰值但不太可能在多个周期延迟处同时形成等间隔的峰簇。这一准则在低信噪比情况下比单一阈值可靠得多。4. 参数调优与工程化陷阱阈值、延迟长度与计算复杂度4.1 阈值选取策略固定阈值的做法是取噪声自相关标准差的 3 到 5 倍前提是噪声近似服从高斯分布。实际采集的信号往往含有低频漂移和工频干扰噪声不再是白噪声自相关函数在非零延迟处也不再收敛到零。这种情况下需要对原始信号先做带通滤波把关注频带外的干扰去掉再进入自相关检测。另一个常见做法是自适应阈值把自相关序列按延迟分成若干段分段估计噪声水平用滑动窗口的局部均值加上若干倍局部标准差作为门限这样能适应噪声非平稳的场景。4.2 最大延迟 maxLag 的选取依据最大延迟直接决定计算量和检测性能。延迟过小看不到足够的周期峰检测可靠性下降延迟过大尾部参与平均的样本数减少估计方差变大实际可用的是 N/10 到 N/5 的区间。示例代码中设置maxLag round(fs / f0 * 4)即只保留 4 个信号周期这要求接收机对信号周期有粗略先验。如果完全没有先验知识可以先用 FFT 粗估频谱峰值把峰值频率作为 f0 的初始猜测再代入自相关检测。4.3 常见错误与排错路径最容易踩的坑有三个。第一个是忘记对信号去均值直流分量会在自相关的所有延迟处叠加一个常数偏置导致峰值检测失效解决办法是x x - mean(x)。第二个是 xcorr 的估计模式选错biased适合做谱估计unbiased适合峰值搜索混用会导致幅度尺度不一致。第三个是findpeaks的MinPeakDistance设置过小把同一个峰的多个采样点误检成多个峰实际设信号周期的一半以上即可。下表汇总了关键参数的经验取值范围参数符号建议范围对性能的影响最大延迟maxLagN/10 到 N/5过大尾部方差大过小覆盖周期数不足峰值门限H3σ 到 5σ门限高漏检门限低虚警峰值最小间距D0.5 到 1 倍周期过小误检旁瓣过大漏检真实峰信号幅度A按噪声功率估算幅度过低自相关峰淹没在噪声波动中观测点数N至少 20 个信号周期点数少互相干项不收敛实际调试时建议先画出自相关函数曲线人眼确认峰值形状和位置再调门限参数。自动门限判据可以借助 ROC 曲线思路在不同信噪比下分别统计检测概率和虚警概率选取工作点。工程环境中信号幅度未知更实用的做法是固定虚警概率反向推出门限倍数比如先做 100 次纯噪声实验取第 99 大的峰值幅度作为门限。计算复杂度方面直接按定义计算长度为 N 的信号在 maxLag 范围内的自相关复杂度为 O(N × maxLag)。如果观测时间较长N 到百万量级直接用 xcorr 函数会非常吃内存和时间。一个更好的工程方案是利用自相关与功率谱的傅里叶变换关系用 FFT 加速计算切换方法能把复杂度降到 O(N log N)下一章给出完整实现。5. 用 FFT 加速自相关计算与检测算法的完整落地xcorr函数在底层实际也是通过 FFT 实现的但直接调用时多了一层内存拷贝和窗体处理。手动实现 FFT 版本的好处是能精确控制填充长度方便嵌入到实时处理链路中。对于长度为 N 的信号想要计算全部延迟的自相关把信号补零到 2N-1 点做 FFT取幅值平方后做逆变换即为循环自相关再截取有效区间%% 基于 FFT 的自相关快速计算 N length(x); nfft 2^nextpow2(2*N - 1); % 补零到 FFT 友好长度 X fft(x, nfft); R_fft ifft(X .* conj(X)); % 循环自相关 |FFT(x)|^2 的逆变换 % 截取有效自相关区间正延迟部分 R_valid real(R_fft(1:N)); % 归一化为无偏估计 normalizer N - (0:N-1); R_unbiased R_valid ./ normalizer;逻辑说明自相关定理指出信号的功率谱密度是自相关函数的傅里叶变换因此fft(x)取模平方后做逆变换得到的就是循环自相关。由于 x 做了补零循环自相关不产生混叠可以直接替代线性自相关。normalizer实现的是无偏修正因为延迟 k 处实际只有 N-k 对乘积参与平均。性能对比N 20000、maxLag 2000 时xcorr的耗时约 0.3 秒FFT 方法不到 5 毫秒提速两个数量级且延迟越大优势越明显。代价是 FFT 方法一次算出了全部延迟的自相关如果只关心前几个周期会有少量冗余计算。最后一步是检测器的验证。用蒙特卡洛方法测出检测概率曲线固定信噪比重复运行检测流程 500 次统计检测概率。检测到目标信号的条件是峰值间隔一致性判决返回真值。实测发现在信噪比 -30 dB 以下观测 20 个周期时检测概率仍能维持在 90% 以上这是直接时域幅度检测做不到的。落地到具体项目时把阈值系数 H、最大延迟 maxLag 做成可配置参数先用纯噪声标定虚警率再压入真实信号验证检测灵敏度确认两者之后整条链路即可投入运行。本文还有配套的精品资源点击获取