内容：
（免责声明：这不是通信问题）。
我正在尝试估计真实的周期性信号的基本频率。通过将原始信号与脉冲信号进行匹配滤波来构造此信号。（匹配的过滤器）。结果信号具有以下特征：
这是周期性的。（基本为1 /周期），这就是我试图估计的值。
它是不固定的时间。具体地，周期脉冲的幅度可以在幅度上变化。（例如，一个脉冲可以为低，而另一个脉冲可以为高，而下一个脉冲又可以为低，并且在该介质之后一个，等等）。
我相信它的频率是固定的（只要您接受变化的幅度，但不改变频带）。
它具有谐波失真。我的意思是，（如果我错了，请纠正我），但是信号中的单个脉冲不是正弦波，而是像高斯，三角形，半抛物线等“笨拙”的形状。 。
我正在尝试估计该信号的基本频率。
当然，有时原始信号不过是噪声而已，但它仍会通过路径并得到匹配滤波。（稍后会详细介绍）。
我尝试过的
现在，我知道许多基本的频率估算器，例如
- 自相关方法
- YIN及其所有依赖项
- FFT方法。
等等，
尹：我还没有尝试过尹。
FFT方法：FFT方法将为您提供所有谐波和基波，但是我注意到，由于基波并不总是最高峰，因此它特别挑剔，特别是对于这种非平稳业务。很快，您会发现自己试图确定多个峰中的哪个峰是基本峰，这成为一个难题。
自相关：自相关方法似乎比FFT方法要好，但是它仍然对时域信号的幅度不规则敏感。自相关方法测量中心波瓣到下一个最高波瓣之间的距离。该距离对应于基本距离。但是，在非平稳情况下，此副瓣可能太低，您可能会在某些阈值方案中错过它。
然后我想到也许可以使用像MUSIC这样的子空间方法来估计基本面。经过测试，我发现它确实确实给出了一些非常不错的结果-它在与信号基频相对应的频率处稳健地（甚至在非平稳情况下）达到峰值。（将您要查找的信号数设置为2，它将检索基本信号-即，选择信号协方差矩阵的2个最高特征向量（对应于特征值的最大值），丢弃它们，然后构造从剩余的噪声子空间中，将您的假设复杂正弦曲线投射到它们上，进行倒数运算，瞧，这是一个很好的伪频谱）。
问题与解答：
- 话虽如此，我仍然想理解为什么它会更好。
- 在MUSIC中，我们丢弃信号子空间并使用噪声子空间。在我看来，信号子空间的特征向量实际上是某种“最适合”的-实际上它们是最佳匹配滤波器。因此：为什么不直接使用信号子空间特征向量呢？（我知道它不再是MUSIC了，但是为什么使用噪声子空间更好呢？）
- 最后，最后一个问题是，尽管这种方法对于非平稳信号（如上所定义）似乎更健壮，但问题在于，即使系统中只有噪声，我现在总是会得到答案！（如上所述，当您没有周期性信号时，原始的预匹配滤波信号有时可能只是白噪声）。
可能存在什么方法来抵消这种情况？我尝试查看特征值，在只有信号的噪声与有信号的情况下，它们的衰减还有更多的“曲率”，但我担心它可能不够鲁棒。
奖金：
- 协方差矩阵的特征向量何时正弦于VS？是什么决定它们是否是正弦曲线？他们为什么不摆正呢？还是在此处插入其他形状的信号？