JP2842473B2 - Signal frequency tracking method - Google Patents
Signal frequency tracking methodInfo
- Publication number
- JP2842473B2 JP2842473B2 JP16727195A JP16727195A JP2842473B2 JP 2842473 B2 JP2842473 B2 JP 2842473B2 JP 16727195 A JP16727195 A JP 16727195A JP 16727195 A JP16727195 A JP 16727195A JP 2842473 B2 JP2842473 B2 JP 2842473B2
- Authority
- JP
- Japan
- Prior art keywords
- frequency
- signal
- integration
- gradient
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Landscapes
- Measuring Frequencies, Analyzing Spectra (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Description
【0001】[0001]
【産業上の利用分野】本発明は、音波等の入力信号に対
して周波数分析を行うことにより得られる入力信号強度
の周波数空間上の分布を用いて、特性が未知の狭帯域信
号の周波数を時間的に継続して測定する信号周波数追尾
方法に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an input signal such as a sound wave .
Using the distribution of the frequency space of the input signal strength that is obtained by performing frequency analysis to, characteristics relate signal frequency tracking method for measuring continuously the frequency of an unknown narrowband signal temporally is there.
【0002】[0002]
【従来の技術】図2は、従来のニューラルネットワーク
を用いて信号周波数追尾方法を実施するための信号周波
数追尾装置の機能ブロック図である。図2を参照しつ
つ、従来の信号周波数追尾方法を説明する。入力信号と
しての音波が、音響センサ1によって受波されて、その
音響信号がFFT(Fast Fourier Transformation 、 高速
フーリエ変換)装置2に送られる。FFT装置2では、
所定の時間S秒ごとに離散フーリエ変換を行い、所定の
分析幅Δfごとの信号成分を算出して、その絶対値を求
めることにより、時刻×周波数空間上の信号強度分布X
(f)を得る。そして、この信号強度分布X(f)を積
分装置10へ送る。また、周波数毎の信号強度分布X
(f)を記憶装置3によって過去一定時間分蓄積するこ
とで、時刻×周波数の2次元空間上の信号強度分布X
(t,f)が得られる。この信号強度分布X(t,f)
は、所定の時間T秒ごとに作成され、ニューラルネット
ワーク4−1〜4−3に送られる。2. Description of the Related Art FIG. 2 is a functional block diagram of a signal frequency tracking device for implementing a signal frequency tracking method using a conventional neural network. With reference to FIG. 2, theory Aquiraz Ru conventional signal frequency tracking method. A sound wave as an input signal is received by the acoustic sensor 1, and the acoustic signal is subjected to FFT (Fast Fourier Transformation , high speed).
(Fourier transform) device 2. In the FFT device 2,
A discrete Fourier transform is performed every predetermined time S seconds, a signal component for each predetermined analysis width Δf is calculated, and its absolute value is obtained.
(F) is obtained. Then, the signal intensity distribution X (f) is sent to the integrator 10. Also, the signal intensity distribution X for each frequency
By storing (f) for a fixed time in the past by the storage device 3, the signal intensity distribution X in a two-dimensional space of time × frequency
(T, f) is obtained. This signal intensity distribution X (t, f)
Are generated every predetermined time T seconds and sent to the neural networks 4-1 to 4-3.
【0003】各ニューラルネットワーク4−i(i=1
〜3)はあらかじめ、入力中に直線状のパターンがあれ
ば大きな値を出力するように学習されている。これは、
例えば誤差逆伝搬法(バックプロパゲーション法)によ
り、直線状のパターンが存在する入力に対して1、ラン
ダムな入力に対して0を教師信号として学習することで
実現できる。ニューラルネットワークと誤差逆伝搬法に
ついては、以下の文献に記載されている。 文献;麻生英樹著、「ニューラルネットワーク情報処
理」、(1988)、産業図書 ここで、信号の周波数が時間的に変化する度合を勾配と
呼ぶことにする。ニューラルネットワーク4−1〜4−
3は、それぞれ異なる範囲の勾配について分担して信号
を検出する。例えば、ニューラルネットワーク4−1は
勾配が−0.3〜−0.1(Hz/秒)の範囲内にある
信号を検出、同様にニューラルネットワーク4−2は−
0.1〜+0.1(Hz/秒)、ニューラルネットワー
ク4−3は+0.1〜+0.3(Hz/秒)の勾配を持
つ信号を検出する。Each neural network 4-i (i = 1)
3) are learned in advance so as to output a large value if there is a linear pattern in the input. this is,
For example, it can be realized by learning with an error back propagation method (back propagation method) as a teacher signal with 1 as an input for a linear pattern and 0 for a random input. The following reference describes the neural network and the error backpropagation method. Literature; Hideki Aso, "Neural Network Information Processing", (1988), Industrial Books. Here, the degree to which the frequency of a signal changes over time is called a gradient. Neural networks 4-1 to 4-
3 detects signals by sharing the gradients in different ranges. For example, the neural network 4-1 detects a signal having a gradient in the range of -0.3 to -0.1 (Hz / sec).
The neural network 4-3 detects a signal having a gradient of 0.1 to +0.1 (Hz / sec) and a gradient of +0.1 to +0.3 (Hz / sec).
【0004】さて、各ニューラルネットワーク4−1〜
4−3には、時刻×周波数空間上の信号強度分布X
(t,f)の中から、ある周波数を中心とする矩形の小
部分を切り出したものを入力する。もし、該周波数に近
い周波数を持つ狭帯域信号が存在しているならば、該小
部分中には直線状のパターンが浮かび上がるので、その
勾配に対応したニューラルネットワークが大きな値の出
力を示す。これを多数の周波数について繰り返し、その
出力値をイベント検出装置5に送る。イベント検出装置
5では、各ニューラルネットワーク4−1〜4−3の出
力の周波数軸に関する極大点を検出する。もし、いずれ
かのニューラルネットワーク4−1〜4−3の出力があ
る周波数f* について極大値を示しており、しかもその
値があらかじめ定められた閾値を越える場合、f* に近
い周波数を持つ狭帯域信号が存在すると判定する。この
周波数f* を周波数精度装置20へ送る。一方、積分装
置10では、FFT装置2から受け取った周波数ごとの
信号強度を時間的に積分する。この結果は、周波数精測
装置20へ送られる。Now, each of the neural networks 4-1 to 4-1
4-3 shows a signal intensity distribution X in the time × frequency space.
From (t, f), a cutout of a rectangular small portion centered on a certain frequency is input. If a narrow band signal having a frequency close to the frequency is present, a linear pattern emerges in the small portion, and the neural network corresponding to the gradient shows a large value output. This is repeated for many frequencies, and the output value is sent to the event detection device 5. The event detection device 5 detects a local maximum point on the frequency axis of the output of each of the neural networks 4-1 to 4-3. If the output of any of the neural networks 4-1 to 4-3 shows a local maximum value at a certain frequency f * , and if the value exceeds a predetermined threshold, a narrow frequency having a frequency close to f * is obtained. It is determined that a band signal exists. This frequency f * is sent to the frequency precision device 20. On the other hand, the integrator 10 temporally integrates the signal strength for each frequency received from the FFT device 2. This result is sent to the frequency measurement device 20.
【0005】周波数精測装置20では、イベント検出装
置5から周波数f* を受取り、積分装置10から受け取
った信号強度の積分値の該周波数f* を中心とし所定の
幅を持つ区間について最大値を検出する。この最大値を
示す周波数をもって信号周波数の精密な推定値(これを
精測周波数と呼ぶ)f**として、トラッキング装置30
へ送る。トラッキング装置30では、所定の時間T秒ご
とに周波数精測装置20から精測周波数f**を受け取
り、これを追尾する。追尾の方法としては、例えば、精
測周波数f **を観測値としてカルマンフィルタに入力
し、信号の周波数を推定する方法がある。カルマンフィ
ルタによる状態推定については、以下の文献に記載され
ている。 文献;谷萩著、「ディジタル信号処理の理論 3 推定
・適応信号処理」、1986、コロナ社、P.97〜1
14[0005] The frequency precise measuring device 20 receives the frequency f * from the event detecting device 5 and sets the maximum value of the integral value of the signal strength received from the integrating device 10 in a section having a predetermined width around the frequency f *. To detect. The frequency indicating the maximum value is used as a precise estimated value of the signal frequency ( this is called a precisely measured frequency) f ** , and the tracking device 30
Send to The tracking device 30 receives the precise measurement frequency f ** from the frequency precise measurement device 20 every predetermined time T seconds, and tracks this. As a tracking method, for example, there is a method of inputting a precise measurement frequency f ** as an observation value to a Kalman filter and estimating a signal frequency. The state estimation using the Kalman filter is described in the following literature. Literature: Tanihagi, "Theory of Digital Signal Processing 3 Estimation and Adaptive Signal Processing", 1986, Corona, P.S. 97-1
14
【0006】[0006]
【発明が解決しようとする課題】しかしながら、従来の
信号周波数追尾方法では、以下に説明するように、積分
装置10で用いる積分時間の長さをさまざまな勾配を持
つ信号に対しては適切に定めることができないという課
題があった。図3(a),(b)は、従来の信号周波数
追尾方法の問題点を示す図であり、同図(a)は信号が
勾配を持たない場合を示し、及び同図(b)は信号が勾
配を持つ場合を示している。図3(a),(b)中の
(ア)は時刻×周波数空間上の信号強度分布、(イ)は
積分時間長が短い場合の積分結果、及び(ウ)は積分時
間長が長い場合の積分結果である。図3(a)に示すよ
うに、雑音は長時間にわたって積分するほど平均化する
という性質をもつので、積分時間の短い(イ)よりも積
分時間の長い(ウ)の方が雑音の影響が低減される。す
なわち、長い積分時間を用いた方が、信号周波数の推定
精度が高い。しかし、信号強度が雑音強度に比して十分
大きい場合、すなわちS/N(信号対雑音比)が高い場
合は積分時間を長くしても精度が上がらず、かえって信
号の追随性が劣化する場合があるが、信号の検出及び追
尾にニューラルネットワークを用いるのは微弱な信号を
捕らえることを目的とするものであるから、ここではS
/Nは十分低いものと考える。However, in the conventional signal frequency tracking method , as described below, the length of the integration time used in the integrator 10 is appropriately determined for signals having various gradients. There was a problem that it was not possible. 3 (a) and 3 (b) are diagrams showing a problem of the conventional signal frequency tracking method , FIG. 3 (a) shows a case where the signal has no gradient, and FIG. Has a gradient. Figure 3 (a), (b) in the (A) the time × signal intensity distribution on the frequency space, (b) the integration results of the integration time length is short, and (c) if the integration time is long This is the integration result of. As shown in FIG. 3 (a), since the noise has the property that averages more integrating over long time, the effect it is noise short integration time (a) a long integration time than (c) Reduced. That is, the use of a longer integration time results in higher signal frequency estimation accuracy. However, when the signal strength is sufficiently large compared to the noise strength, that is, when the S / N (signal-to-noise ratio) is high, the accuracy cannot be improved even if the integration time is lengthened, and the signal tracking ability is rather deteriorated. However, since the purpose of using a neural network for signal detection and tracking is to catch a weak signal, here S
/ N is considered to be sufficiently low.
【0007】一方、図3(b)は、信号が勾配を持つ場
合について例示したものである。この場合は、信号の周
波数が時間とともに変化することから、積分時間が長い
と現在の時刻での信号の強度のピークの周波数と過去の
信号のピークの周波数が勾配によりずれるために、現在
の時刻のピークの周波数の近傍の周波数では、過去の信
号のピークが反映されるようになる。そのため、信号の
局限性が低下する。よって、短い積分時間を用いる
(イ)の方が、長い積分時間を用いる(ウ)よりも信号
周波数の推定精度が高い。さて、従来の方法において、
信号が勾配を持つ場合と持たない場合のどちらにも対応
するには積分時間をどれほどに設定すればよいかを考え
る。長い積分時間を用いるなら、勾配のない信号につい
ては精度よく周波数が得られる。しかし、勾配のある信
号については、局限性の低下により精度が劣化する。逆
に、もし短い積分時間を用いるならば、勾配のある信号
については精度の劣化を防ぐことができるが、勾配のな
い信号については(より長い積分時間を用いれば向上す
るにもかかわらず)精度が抑えられる。以上のように、
従来の信号周波数追尾方法では、信号周波数を精測する
ための積分時間を、ある特定の勾配信号に対してのみ最
適に定めるほかなく、あるゆる勾配の信号に対して満足
な精度が得られなかった。On the other hand, FIG. 3 (b), those exemplified for the case where the signal has a slope. In this case, since the frequency of the signal changes with time, if the integration time is long, the peak frequency of the signal strength at the current time and the frequency of the peak of the past signal are shifted by a gradient, so that the current time In the frequency near the frequency of the peak, the peak of the past signal is reflected. Therefore, the localization of the signal is reduced. Therefore, the estimation accuracy of the signal frequency is higher in the case of using the short integration time (a) than in the case of using the long integration time (c). Well, Oite to the conventional method,
Consider how much the integration time should be set in order to cope with both the case where the signal has a gradient and the case where the signal does not have a gradient. If a long integration time is used , the frequency can be accurately obtained for a signal having no gradient. However, the accuracy of a signal having a gradient deteriorates due to a decrease in localization. Conversely, if a shorter integration time is used, the degradation of accuracy can be prevented for signals with gradients, but the accuracy is improved for signals without gradients (although longer integration times will improve). Is suppressed. As mentioned above,
In the conventional signal frequency tracking method, the integration time for precisely measuring the signal frequency must be optimally determined only for a specific gradient signal, and satisfactory accuracy cannot be obtained for a signal having a certain gradient. Was.
【0008】[0008]
【課題を解決するための手段】前記課題を解決するため
に、本発明のうちの第1の発明は、信号周波数追尾方法
において、入力信号に対して周波数分析を行って信号強
度分布を求める周波数分析処理と、前記信号強度分布を
一定の時間にわたって蓄積する記憶処理と、前記周波数
分析処理により分析される各周波数毎に、該周波数の近
傍に限った小部分の前記記憶処理により蓄積された信号
強度分布を複数のニューラルネットワークに入力し、こ
れらニューラルネットワークのおのおのが信号の時間に
対する周波数の異なる勾配を担当し、これらの各ニュー
ラルネットワークにより、入力中に時間に対する特定の
周波数の勾配を持つ信号が示す直線状のパターンが存在
するときに大きな数値を出力するパターン検出処理とを
実行する。そして、前記複数のニューラルネットワーク
の出力について、各周波数に対する出力の中で極大点と
なっており、かつ出力値が所定の閾値を越える値を持つ
点を検出することで信号の存在を判定して、このような
極大点の周波数を信号の周波数のおおまかな推定値とす
るとともに、該推定値とする周波数に対して最も大きな
値を出力するニューラルネットワークの担当の勾配から
信号の時間に対する周波数の勾配を算出するイベント検
出処理を実行する。さらに、所定の複数の積分時間につ
いて、前記記憶処理により記憶された信号強度分布の周
波数毎に積分して積分値を求める積分処理と、前記イベ
ント検出処理により算出された勾配に基づいて、前記積
分処理により複数の積分時間でした積分値のうちいずれ
の積分値を採用するかを選択する積分時間選択処理と、
前記積分時間選択処理により採用された積分時間で積分
された積分値に対して、前記イベント検出処理により検
出された信号の周波数のおおまかな推定値の近傍におけ
る極大点を探して、信号の周波数のより精密な推定値で
ある精測周波数を求める周波数精測処理と、前記周波数
分析処理から前記周波数精測処理を所定の時間毎に繰り
返し、該周波数精測処理により求められた精測周波数を
時間的に追尾するトラッキング処理とを実行する。To solve the previous SL problems SUMMARY OF THE INVENTION The first aspect of the present invention, the signal frequency tracking method
In, a frequency analysis process of performing a frequency analysis on the input signal to obtain a signal intensity distribution, a storage process of accumulating the signal intensity distribution over a certain period of time, and for each frequency analyzed by the frequency analysis process, The signal intensity distribution accumulated by the storage processing of a small portion limited to the vicinity of the frequency is input to a plurality of neural networks, and each of these neural networks is used for signal time.
Responsible for the different gradients frequency against by each of these neural networks, and a pattern detecting process of outputting large numbers when a linear pattern indicated by the signal with a gradient of a particular frequency is present for the time in the input Execute. Then, regarding the outputs of the plurality of neural networks, the presence of a signal is determined by detecting a point that has a maximum point in the output for each frequency and that has a value whose output value exceeds a predetermined threshold. The frequency of the signal with respect to time is changed from the gradient of the neural network in charge of outputting the largest value for the frequency to be used as the rough estimate of the frequency of the signal with the frequency of the local maximum point as the rough estimate of the frequency of the signal. Is executed. Further, for a plurality of predetermined integration times, an integration process for obtaining an integrated value by integrating for each frequency of the signal intensity distribution stored by the storage process, and the integration based on a gradient calculated by the event detection process. An integration time selection process of selecting which integration value is to be adopted among the integration values of a plurality of integration times by the process;
With respect to the integrated value integrated by the integration time adopted by the integration time selection processing, a local maximum point near a rough estimated value of the frequency of the signal detected by the event detection processing is searched for, and the frequency of the signal is calculated. The frequency precise measurement process for obtaining a precise frequency that is a more accurate estimation value, and the frequency precise measurement process from the frequency analysis process are repeated at predetermined time intervals, and the precise frequency obtained by the frequency precise measurement process is calculated based on the time. And a tracking process for sequentially tracking.
【0009】第2の発明は、信号周波数追尾方法におい
て、入力信号に対して周波数分析を行って信号強度分布
を求める周波数分析処理と、前記信号強度分布を一定の
時間にわたって蓄積する記憶処理と、前記周波数分析処
理により分析される各周波数毎に、該周波数の近傍に限
った小部分の前記記憶処理により蓄積された信号強度分
布を複数のニューラルネットワークに入力し、これらニ
ューラルネットワークのおのおのが信号の時間に対する
周波数の異なる勾配を担当し、これらの各ニューラルネ
ットワークにより、入力中に時間に対する特定の周波数
の勾配を持つ信号が示す直線状のパターンが存在すると
きに大きな数値を出力するパターン検出処理とを実行す
る。そして、前記複数のニューラルネットワークの出力
について、各周波数に対する出力の中で極大点となって
おり、かつ出力値が所定の閾値を越える値を持つ点を検
出することで信号の存在を判定して、このような極大点
の周波数を信号の周波数のおおまかな推定値とするとと
もに、該推定値とする周波数に対して最も大きな値を出
力するニューラルネットワークの担当の勾配から信号の
時間に対する周波数の勾配を算出するイベント検出処理
と、時間に対する所定の複数の周波数の勾配について、
前記信号強度分布の周波数毎に、過去の時間から現在の
時間までの前記勾配分の周波数の変化量だけ現在の周波
数からずらした過去の周波数の信号強度に基づいて、所
定の時間で積分して積分値を求める積分処理とを実行す
る。さらに、前記積分処理で用いる複数の勾配のうち前
記イベント検出処理による勾配の推定値に最も近いもの
を選択し、該選択された勾配に対応する前記積分処理に
よる積分値を採用する積分勾配選択処理と、前記積分勾
配選択処理により選択された積分値に対して、前記イベ
ント検出処理により検出された信号の周波数のおおまか
な推定値の近傍における極大点を探し、信号の周波数の
より精密な推定値である精測周波数を求める周波数精測
処理と、前記周波数分析処理から前記周波数精測処理を
所定の時間毎に繰り返し、該周波数精測処理により求め
られた精測周波数を時間的に追尾するトラッキング処理
とを実行する。A second invention relates to a signal frequency tracking method.
A frequency analysis process of performing a frequency analysis on an input signal to obtain a signal intensity distribution, a storage process of accumulating the signal intensity distribution over a certain period of time, and for each frequency analyzed by the frequency analysis process, A signal intensity distribution accumulated by the storage processing of a small portion limited to the vicinity of the frequency is input to a plurality of neural networks, and each of the neural networks is responsible for a different gradient of the frequency of the signal with respect to time. Each of these neural networks executes a pattern detection process of outputting a large numerical value when a linear pattern represented by a signal having a specific frequency gradient with respect to time during input exists. Then, regarding the outputs of the plurality of neural networks, the presence of a signal is determined by detecting a point that has a maximum point in the output for each frequency and that has a value whose output value exceeds a predetermined threshold. The frequency of such a local maximum is used as a rough estimate of the frequency of the signal, and the maximum value for the frequency used as the estimate is output from the gradient of the neural network in charge of the signal.
For an event detection process of calculating a frequency gradient with respect to time, and for a plurality of predetermined frequency gradients with respect to time,
For each frequency of the signal strength distribution, based on the signal strength of the past frequency shifted from the current frequency by the amount of change in the frequency of the gradient from the past time to the current time, integrating at a predetermined time And an integration process for obtaining an integral value. Further, an integration gradient selection process of selecting a gradient closest to an estimated value of the gradient by the event detection process from among a plurality of gradients used in the integration process and employing an integration value by the integration process corresponding to the selected gradient. Searching for a local maximum point near a rough estimate of the frequency of the signal detected by the event detection process with respect to the integration value selected by the integration gradient selection process, and obtaining a more accurate estimate of the frequency of the signal. A frequency precise measurement process for obtaining a precise frequency, and a frequency tracking process for repeating the frequency precise measurement process from the frequency analysis process at predetermined time intervals, and temporally tracking the precise frequency obtained by the frequency precise measurement process. And processing.
【0010】[0010]
【作用】第1の発明によれば、以上のように信号周波数
追尾方法を構成したので、複数のそれぞれ異なる信号の
勾配を担当するニューラルネットワークにより、入力中
に特定の周波数の勾配を持つ信号が示す直線状のパター
ンが存在するときに大きな数値を出力する。そして、イ
ベント検出処理により複数のニューラルネットワークの
出力について、各周波数に対する出力の中で極大点とな
っており、かつ出力値が所定の閾値を越える値を持つ点
を検出することで信号の存在を判定して、このような極
大点の周波数を信号の周波数のおおまかな推定値とする
とともに、該推定値とする周波数に対して最も大きな値
を出力するニューラルネットワークの担当の勾配から信
号の周波数の勾配を算出する。積分処理により、所定の
複数の積分時間について、記憶処理により記憶された信
号強度分布周波数毎に積分して積分値を求め、積分時間
選択処理により、イベント検出処理により算出された勾
配に基づいて、積分処理により複数の積分時間で求めた
積分値のうちいずれの積分値を採用するかを選択するこ
とによって、雑音の影響と信号の局限性とを考慮した最
適な積分時間で積分された積分値が選択される。According to the first aspect of the present invention, since the signal frequency tracking method is configured as described above, a signal having a gradient of a specific frequency is input during input by a neural network which is responsible for a plurality of different signal gradients. A large numerical value is output when the linear pattern shown exists. The event detection process detects the presence of a signal by detecting the point of the output of each of the plurality of neural networks which is the maximum point in the output for each frequency and whose output value has a value exceeding a predetermined threshold value. It is determined that the frequency of the local maximum is used as a rough estimate of the frequency of the signal, and the frequency of the signal is calculated from the gradient of the neural network that outputs the largest value with respect to the frequency used as the estimate. Calculate the gradient. By the integration process, for a plurality of predetermined integration times, an integration value is obtained by integrating for each signal intensity distribution frequency stored by the storage process, and based on the gradient calculated by the event detection process by the integration time selection process, By selecting which one of the integration values obtained in a plurality of integration times by the integration process is to be adopted, the integration value integrated at the optimum integration time considering the influence of noise and the locality of the signal Is selected.
【0011】第2の発明によれば、積分処理により、周
波数の複数の勾配のそれぞれについて、信号強度分布の
周波数毎に、過去の時間から現在の時間までの勾配分の
周波数の変化量だけ現在の周波数からずらした過去の周
波数の信号強度に基づいて、所定の時間の積分時間で積
分値を求める。これにより、現在と過去の信号のピーク
を合わせることができて、信号の局限性が保たれる。そ
して、トラッキンク処理により算出した信号の勾配に応
じて、最適な勾配で積分した積分値を選択する。従っ
て、前記課題を解決できるのである。According to the second aspect of the present invention, by the integration process, for each of the plurality of frequency gradients, for each frequency of the signal intensity distribution, the current amount of change in frequency corresponding to the gradient from the past time to the current time is used. An integrated value is obtained in an integration time of a predetermined time based on the signal intensity of the past frequency shifted from the frequency. As a result, the peaks of the current and past signals can be matched, and signal localization is maintained. Then, according to the gradient of the signal calculated by the tracking processing, an integrated value integrated with the optimal gradient is selected. Therefore, the above problem can be solved.
【0012】[0012]
【実施例】第1の実施例 図1は、本発明の第1の実施例を示す信号周波数追尾方
法を実施するための信号周波数追尾装置の機能ブロック
図であり、図2中の要素と共通の要素には共通の符号が
付されている。本第1の実施例の信号周波数追尾方法が
従来の方法と異なる点は、積分時間の異なる複数の積分
装置の出力から、信号の勾配に応じてその最適な積分時
間で積分した積分装置の出力を周波数精測装置により精
測周波数を求めるようにしたことである。この信号周波
数追尾装置は、入力信号を受波する音響センサ1を有し
ている。音響センサ1の出力側には、FFT装置2が接
続されている。FFT装置2の出力側には、記憶装置3
と、長時間にわたって積分する積分装置50−1と、短
い時間にわたって積分する積分装置50−2とが接続さ
れている。記憶装置3の出力側には、時間に対する周波
数の勾配に応じたニューラルネットワーク4−1〜4−
3が接続されている。各ニューラルネットワーク4−1
〜4−3の出力側にはイベント検出装置5が接続されて
いる。イベント検出装置5及び積分装置50−1,50
−2の出力側には、積分時間選択装置51が接続されて
いる。イベント検出装置5及び積分時間選択装置51の
出力側には、周波数精測装置20が接続されている。周
波数精測装置20の出力側には、トラッキング装置30
が接続されている。次に、図1を参照しつつ、本第1の
実施例の信号周波数追尾方法の処理(I)〜(VIII)の内
容を説明する。EXAMPLES First Embodiment FIG. 1 is a functional block diagram of a signal frequency tracking apparatus for carrying out a signal frequency tracking method of a first embodiment of the present invention, common to elements in Figure 2 the elements that have been with common reference numerals are <br/>. The difference between the signal frequency tracking method of the first embodiment and the conventional method is that the output of the integrator integrated at the optimum integration time according to the gradient of the signal from the outputs of the plurality of integrators having different integration times. Is determined by the frequency measuring device. This signal frequency tracking device has an acoustic sensor 1 that receives an input signal. The output side of the acoustic sensor 1, FF T equipment 2 is connected. On the output side of the FFT device 2, a storage device 3
And an integrator 50-1 for integrating over a long time, and an integrator 50-2 for integrating over a short time. At the output side of the storage device 3, neural networks 4-1 to 4- corresponding to the frequency gradient with respect to time are provided.
3 are connected. Each neural network 4-1
The event detection device 5 is connected to the output side of 4−4-3. Event detection device 5及 beauty integrator 50-1, 50
The -2 output side is connected to an integration time selection device 51. The output side of the event detection device 5及 beauty integration time selection unit 51, the frequency Seihaka device 20 is connected. On the output side of the frequency measuring device 20, a tracking device 30 is provided.
Is connected. Next , with reference to FIG. 1 , among the processing (I) to (VIII) of the signal frequency tracking method of the first embodiment .
The contents will be described.
【0013】(I)周波数分析処理 音響センサ1によって音響信号を受波して、FFT装置
2に送る。FFT装置2では、所定の時間間隔(S秒と
する)ごとに、所定の周波数分析幅(Δf Hzとする)
で高速離散フーリエ変換を行い、周波数ごとに絶対値を
とることで信号強度分布を得る。これを{X(f)|f
=f1 ,f2 ,…,fN }とする。 (I) Frequency Analysis Processing An acoustic signal is received by the acoustic sensor 1 and sent to the FFT device 2. In the FFT apparatus 2, at a predetermined time interval (S seconds), a predetermined frequency analysis width (Δf Hz)
Performs a fast discrete Fourier transform, and obtains an absolute value for each frequency to obtain a signal intensity distribution. This is expressed as {X (f) | f
= F 1 , f 2 , ..., f N }.
【0014】(II)記憶処理 記憶装置3は、FFT装置2から受け取った信号強度分
布の過去一定回数(r回とする)分を記憶する。これに
より、時間×周波数空間上の信号強度分布{X(t,
f)|t=t0 −(r−1)S,…,t0 −S,t0 ;
f=f1 ,f2 …,fN }が得られる。この信号強度分
布から、各周波数fn =f1 ,…,fN について、fn
を中心とする小区画{X(t,f)|t=t0 −(r−
1)S,…,t0 −S,f=fn-ω,…,fn+ω}(こ
こでは、小区間の大きさを周波数分析幅の2ω+1倍と
した)をニューラルネットワーク4−1〜4−3に送
る。 (II) Storage Process The storage device 3 stores a predetermined number (r times) of past times of the signal intensity distribution received from the FFT device 2. Thereby, the signal intensity distribution on the time × frequency space 上 の X (t,
f) | t = t 0 − (r−1) S,..., t 0 −S, t 0 ;
f = f 1 , f 2 ..., f N } are obtained. From this signal intensity distribution, each frequency f n = f 1, ..., for f N, f n
と す る X (t, f) | t = t 0 − (r−
1) S,..., T 0 −S, f = f n−ω ,..., F n + ω } (here, the size of the small section is set to 2ω + 1 times the frequency analysis width) and the neural network 4-1 Send to ~ 4-3.
【0015】(III)パターン検出処理 ニューラルネットワーク4−1〜4−3は、おのおのが
異なる勾配の入力信号を分担する。たとえば、ニューラ
ルネットワーク4−1は勾配が−0.3〜−0.1(H
z/秒)の範囲の信号を検出するようにあらかじめ学習
を施しておく。同様に、ニューラルネットワーク4−2
は−0.1〜+0.1、ニューラルネットワーク4−3
は+0.1〜+0.3の勾配の信号を担当する。学習方
法しては、例えば、バックプロパゲーション法を用い
て、担当する勾配の信号が入力中にあれば(入力中に直
線状のパターンがある場合)1、そうでなければ0を出
力するように学習を行う。これらのニューラルネットワ
ーク4−1〜4−3に記憶装置3から送られる時間×周
波数空間上の信号強度分布の小区画を入力する。ニュー
ラルネットワーク4−1〜4−3では、入力中に信号が
存在して、しかも勾配がニューラルネットワーク担当範
囲内である場合に、出力値が大きな値を示す。もし、あ
る周波数f * に近い周波数を持つ狭帯域信号が存在して
いるならば、小区分中には直線状のパターンが浮かび上
がるので、その勾配に対応したニューラルネットワーク
が大きな値の出力を示す。これを多数の周波数について
繰り返し、その全てのニューラルネットワーク4−1〜
4−3の出力をイベント検出装置5に送る。 (III) Pattern Detection Processing The neural networks 4-1 to 4-3 share input signals having different gradients. For example, the neural network 4-1 has a gradient of -0.3 to -0.1 (H
(z / sec) in advance. Similarly, the neural network 4-2
Is -0.1 to +0.1, neural network 4-3
Is responsible for signals with a gradient of +0.1 to +0.3. As a learning method, for example, a back propagation method is used to output 1 if a signal of a gradient in charge is being input (if there is a linear pattern in the input), and 0 if not. To learn. Small sections of the signal intensity distribution on the time × frequency space sent from the storage device 3 are input to these neural networks 4-1 to 4-3. In the neural networks 4-1 to 4-3, when a signal is present in the input and the gradient is within the range of the neural network, the output value shows a large value. If, Oh
If a narrow band signal having a frequency close to a certain frequency f * exists, a linear pattern emerges in the small section, and the neural network corresponding to the gradient shows a large value output. This is repeated for many frequencies, and all of the neural networks 4-1 to 4-1
The output of 4-3 is sent to the event detection device 5.
【0016】(IV)イベント検出処理 イベント検出装置5では、各ニューラルネットワーク4
−1〜4−3の出力の周波数軸に関する極大点を検出す
る。もし、いずれかのニューラルネットワーク4−1〜
4−3の出力がある周波数f* について極大値を示して
おり、しかもその値があらかじめ定められた閾値を越え
る場合、f* に近い周波数を持つ狭帯域信号が存在する
と判定する。この周波数f* を信号のおおまかな推定周
波数とし、これを周波数精度装置20へ送る。また、こ
の信号の勾配を各ニューラルネットワーク4−1〜4−
3の出力値を比較することにより推定する。この方法と
しては、おおまかな推定周波数f* に対して、最も大き
な値を出力するニューラルネットワーク4−kを探し
て、該ニューラルネットワーク4−kが担当する勾配の
区間[dfk-1 〜dfk ]の中心値(dfk-1 +d
fk ,/2をもって、勾配ψ0 の推定値とする。勾配の
推定値ψ0 は積分時間選択装置51へ送られる。 (IV) Event Detection Processing In the event detection device 5, each neural network 4
A local maximum point on the frequency axis of the output of -1 to 4-3 is detected. If any of the neural networks 4-1 to 4-1
If the output of 4-3 shows a local maximum value for a certain frequency f * and the value exceeds a predetermined threshold value, it is determined that there is a narrow band signal having a frequency close to f * . This frequency f * is set as a rough estimated frequency of the signal, and is sent to the frequency precision device 20. In addition, the gradient of this signal is calculated for each of the neural networks 4-1 to 4-
3 is estimated by comparing the output values. As the method for approximate estimation frequency f *, the most significant value searching for neural network 4-k to be output, the interval [df k-1 ~df k gradients said neural network 4-k is responsible ] (Df k-1 + d
Let f k , / 2 be the estimated value of the gradient ψ 0 . The estimated value ψ 0 of the gradient is sent to the integration time selection device 51.
【0017】(V)積分処理 一方、積分装置50−1,50−2では、周波数ごとの
信号強度X(f)をFFT装置2から受け取り、各周波
数ごとに時間的に積分を行う。例えば、積分時間U
(秒)で積分を行うには、v=int(U/S)(Sは
高速フーリエ変換の時間間隔、int()は四捨五入に
よる整数化を表す)として、過去v回分の信号強度を加
算する。すなわち、時刻tにおける出力{YU (t,
f)|f=f1,…,fN }を次式(1)により算出す
る。 YU (t,f) =X(t,f) +X(t-1,f) +…+X(t-(v-1)S,f) ・・・(1) ここで、積分時間Uを適切に定める方法について述べ
る。勾配の絶対値がψ(Hz/秒)の信号は、時間Uが
経過する間にψ・U(Hz)の周波数変化を示す。よっ
て、ψ・Uを周波数分析幅Δfと比べて、ψ・U<Δf
である限りはUが増加するにつれて雑音が抑制され信号
の測定精度が向上するが、ψ・U>Δfであると信号の
局極性が低下する。すなわち、最適な積分時間UはΔf
/ψである。 (V) Integral Processing On the other hand, the integrators 50-1 and 50-2 receive the signal strength X (f) for each frequency from the FFT apparatus 2 and temporally integrate each frequency. For example, the integration time U
In order to perform integration in (seconds), the signal intensities for the past v times are added as v = int (U / S) (S is a time interval of fast Fourier transform, int () represents an integer by rounding). . That is, the output {Y U (t,
f) | f = f 1 ,..., f N } is calculated by the following equation (1). Y U (t, f) = X (t, f) + X (t-1, f) +... + X (t− (v−1) S, f) (1) Here, integration time U is Describe the method to determine properly. A signal whose absolute value of the gradient is ψ (Hz / sec) indicates a frequency change of ψ · U (Hz) while the time U elapses. Therefore, ψ · U is compared with 分析 · U <Δf
As far as U increases, noise is suppressed and the measurement accuracy of the signal is improved, but if ψ · U> Δf, the locality of the signal is reduced. That is, the optimal integration time U is Δf
/ Ψ.
【0018】本第1の実施例では、積分装置50−1に
おける積分時間U1 をニューラルネットワーク4−2の
担当する信号の勾配の最大絶対値0.1(Hz/秒)に
合わせてU1 =Δf/0.1(秒)と定める。また、ニ
ューラルネットワーク4−1及び4−3の担当する信号
の勾配の絶対値は最大0.3(Hz/秒)であるので、
積分装置50−2における積分時間U 2 をU2 =Δf/
0.3(秒)と定める。[0018] In the first embodiment, charge signals of the gradient of the maximum absolute value 0.1 of the integration time in the integrator 50-1 U 1 the neural networks 4-2 (Hz / sec) in accordance with U 1 = Δf / 0.1 (second). Further, since the absolute value of the gradient of the signal handled by the neural networks 4-1 and 4-3 is a maximum of 0.3 (Hz / sec),
The integration time U 2 in the integrator 50-2 is calculated as U 2 = Δf /
0.3 (second).
【0019】(VI)積分時間選択処理 積分時間選択装置51では、イベント検出装置5で検出
された信号の勾配ψ0を受け取り、該勾配ψ0 を持つ信
号の測定に適した積分時間を選択する。具体的には、も
し該勾配ψ0 がニューラルネットワーク4−2の担当範
囲−0.1〜+0.1(Hz/秒)の内部にあれば、積
分装置50−1の結果を採用し、そうでなければ積分装
置50−2の結果を採用する。採用されたほうの信号強
度分布が周波数精測装置20へ送られる。[0019] In (VI) integration time selection process integration time selection unit 51 takes accept a gradient [psi 0 of the signal detected by the event detection unit 5, the integration time which is suitable for the measurement of the signal with the gradient [psi 0 select. Specifically, if the gradient ψ 0 is within the range of responsibility −0.1 to +0.1 (Hz / sec) of the neural network 4-2, the result of the integrator 50-1 is adopted, and so on. If not, the result of the integrator 50-2 is adopted. The adopted signal intensity distribution is sent to the frequency precise measurement device 20.
【0020】(VII) 周波数精測処理 周波数精測装置20では、イベント検出装置5から信号
のおおまかな推定周波数f* を受け取り、積分時間選択
装置51で選択された信号強度分布{YUi0 (f) |f=
f0-ε,…,f0+ε}(ここでは、範囲の幅を2ε+1
倍とした)においてYUi0 (f) に最大値を与える周波数
f**を、該信号の精測周波数とする。精測周波数f**は
トラッキング装置30へ送られる。[0020] (VII) Frequency Seihaka processing frequency Seihaka apparatus at 20 takes accept a rough estimated frequency f * of the signal from the event detection unit 5, selected by the integration time selected device 51 signal strength distribution {Y Ui0 (f) | f =
f 0−ε ,..., f 0 + ε } (here, the width of the range is 2ε + 1
In this case, the frequency f ** giving the maximum value to Y Ui0 (f) is defined as the precise measurement frequency of the signal. The measured frequency f ** is sent to the tracking device 30.
【0021】(VIII)トラッキング処理 トラッキング装置30では、周波数精測装置20から送
られる精測周波数f**を時間的に追尾する。以上のよう
に、本第1の実施例では、長短の積分時間を用いて信号
強度分布を積分した結果を積分時間選択装置51で選択
して用いるので、勾配の小さな信号は長い積分時間を、
勾配の大きな信号は短い積分時間を用いた積分の結果に
基づいて、周波数精測することができる。したがって、
精度良く周波数を推定することができる。 (VIII) Tracking Process The tracking device 30 temporally tracks the precise measurement frequency f ** sent from the frequency precise measurement device 20 . As described above, in the first embodiment, the result obtained by integrating the signal intensity distribution using the long and short integration times is selected and used by the integration time selection device 51. Therefore, a signal having a small gradient requires a long integration time.
The frequency of a signal having a large gradient can be precisely measured based on the result of integration using a short integration time. Therefore,
The frequency can be accurately estimated.
【0022】第2の実施例 図4は、本発明の第2の実施例を示す信号周波数追尾方
法を実施するための信号周波数追尾装置の機能ブロック
図であり、図1中の要素と共通の要素には共通の符号が
付されている。本第2の実施例の信号周波数追尾方法が
第1の実施例と異なる点は、勾配付けた積分を複数通り
行い、検出した信号の勾配に応じて積分結果を選択する
ようにしたことである。この信号周波数追尾装置は、音
響センサ1を有している。音響センサ1の出力側には、
FFT装置2が接続され、さらにそのFFT装置2の出
力側には、記憶装置3及び勾配付き積分装置60−1〜
60−3が接続されている。記憶装置3の出力側には、
時間に対する周波数の勾配に応じたニューラルネットワ
ーク4−1〜4−3が接続されている。各ニューラルネ
ットワーク4−1〜4−3の出力側には、イベント検出
装置5が接続されている。イベント検出装置5及び勾配
付き積分装置60−1〜60−3の出力側には、積分勾
配選択装置61が接続されている。イベント検出装置5
及び積分勾配選択装置61の出力側には、周波数精測装
置20が接続されている。周波数精測装置20の出力側
には、トラッキング装置30が接続されている。[0022] Second Embodiment FIG. 4 is a functional block diagram of a signal frequency tracking apparatus for carrying out a signal frequency tracking method of a second embodiment of the present invention, in common with the elements in the figures 1 the element that is with common reference numerals are <br/>. The signal frequency tracking method of the second embodiment is
The difference from the first embodiment is that a plurality of integrations with gradients are performed, and the integration result is selected according to the gradient of the detected signal. This signal frequency tracking device has an acoustic sensor 1. On the output side of the acoustic sensor 1,
FFT unit 2 is connected to the further output of the FFT unit 2, a storage device 3及 beauty beveled integrator 60-1~
60-3 are connected. On the output side of the storage device 3,
Neural networks 4-1 to 4-3 according to the frequency gradient with respect to time are connected. The output side of the neural network 4-1 to 4-3, the event detector 5 is connected. The output side of the event detection device 5及 beauty beveled integrator 60-1 to 60-3, the integration slope selection unit 61 is connected. Event detection device 5
The output side of the 及 beauty integral gradient selection unit 61, the frequency Seihaka device 20 is connected. A tracking device 30 is connected to an output side of the frequency precise measurement device 20.
【0023】次に、図4を参照しつつ、本第2の実施例
の信号周波数追尾方法を説明する。第1の実施例と同様
に、音響センサ1によって音響信号を受波してから、F
FT装置2により高速フーリエ変換を行い、絶対値に変
換し、記憶装置3によりFFT装置2から受け取った信
号強度分布の過去一定回数(r回とする)分を記憶す
る。さらに、第1の実施例と同様に、ニューラルネット
ワーク4−1〜4−3及びイベント検出装置5によって
信号の存在を検出する。その後、以下の処理(i)〜
(iv)が行われる。 Next, referring to FIG. 4, the signal frequency tracking method of the present second embodiment Ru theory Aquiraz. As in the first embodiment, after the acoustic signal is received by the acoustic sensor 1, F
The fast Fourier transform is performed by the FT device 2, converted into an absolute value, and the storage device 3 stores the signal intensity distribution received from the FFT device 2 for a certain number of past times (r times). Further, similarly to the first embodiment, the presence of a signal is detected by the neural networks 4-1 to 4-3 and the event detection device 5. Then, the following processes (i) to
(Iv) is performed.
【0024】(i)積分処理 勾配付き積分装置60−1〜60−3では、周波数ごと
の信号強度X(f)をFFT装置2から受け取り、各周
波数ごとに時間的に積分を行う。積分時間Uとしては、
長い積分時間を用い、例えば第1の実施例で述べたU1
(秒)を使用する。各勾配付き積分装置60−1〜60
−3はそれぞれ異なる勾配を担当し、過去の信号強度を
周波数軸上で担当する勾配によりずらしながら積分す
る。例えば、勾配φ(Hz/秒)の信号を担当する勾配
付き積分装置で、時刻tにおける出力{Zφ(t,f)
|f=f1 ,f2 ,…,fN }を次式(2)ようにして
算出する。 Zφ(t,f)=X(t,f) +X(t-S,f-Sφ)+…+X(t-(v-1)S,f-(v-1)Sφ) ・・・(2) ここで、フーリエ変換を行う時間間隔S(秒)と累加回
数v=U/Sは、第1の実施例と同様のものである。本
第2の実施例においては3個のニューラルネットワーク
4−1〜4−3を用いて、勾配を3区間[−0.3,−
0.1]、[−0.1,+0.1]、[+0.1,+
0.3]に分けて分担することにしたので、3個の勾配
付き積分装置60−1〜60−3では、それぞれ該3区
間の中心−0.2、0.0、+0.2(Hz/秒) を勾
配φとして用いることにする。 (I) Integral Processing The integrators with gradients 60-1 to 60-3 receive the signal intensity X (f) for each frequency from the FFT device 2 and perform temporal integration for each frequency. As the integration time U,
Using a long integration time, for example, U 1 described in the first embodiment
(Seconds). Integrators 60-1 to 60 with gradients
-3 is responsible for different gradients, and integrates past signal strengths while shifting them on the frequency axis by the gradients in charge. For example, in the integrator with a gradient in charge of the signal of the gradient φ (Hz / sec), the output 時刻 Z φ (t, f) at time t
| F = f 1 , f 2 ,..., F N } is calculated by the following equation (2). Zφ (t, f) = X (t, f) + X (tS, f−Sφ) +... + X (t− (v−1) S, f− (v−1) Sφ) (2) here The time interval S (seconds) for performing the Fourier transform and the cumulative number v = U / S are the same as in the first embodiment. In the second embodiment, the gradient is set to three sections [−0.3, −−] using three neural networks 4-1 to 4-3.
0.1], [-0.1, +0.1] , [+0.1, +
0.3], and the three gradient integrators 60-1 to 60-3 respectively use the center of the three sections -0.2, 0.0, and +0.2 (Hz). / Sec) is used as the gradient φ.
【0025】(ii)積分時間勾配選択処理積分勾配選択装置 61では、イベント検出装置5からの
信号の勾配φ0 を受け取り、該勾配φ0 に最も近い勾配
で積分を行った結果を勾配付き積分装置60−1〜60
−3から選択する。例えば、もしこの勾配φ0 がニュー
ラルネットワーク4−1の担当範囲−0.3〜−0.1
(Hz/秒)に入っていれば、−0.2(Hz/秒)の
勾配を持って積分を行った結果を採用する。採用された
信号強度分布が周波数精測装置20へ送られる。 (Ii) Integration Time Gradient Selection Process The integration gradient selection device 61 receives the gradient φ 0 of the signal from the event detection device 5 and performs integration with the gradient closest to the gradient φ 0 to obtain a gradient integrated. Apparatus 60-1 to 60
Select from -3. For example, if the assigned range -0.3 to 0.1 in this gradient phi 0 neural networks 4-1
(Hz / sec), the result of integration with a slope of -0.2 (Hz / sec) is adopted. The adopted signal strength distribution is sent to the frequency precise measurement device 20.
【0026】(iii) 周波数精測処理 周波数精測装置20では、第1の実施例と同様に、イベ
ント検出装置5から信号のおおまかな推定周波数f* を
受け取り、積分時間勾配選択装置61で選択された信号
強度分布に最大値を与える周波数f**を、該信号の精測
周波数とする。精測周波数f**はトラッキング装置30
へ送られる。The (iii) The the frequency Seihaka processing frequency Seihaka device 20, as in the first embodiment, taken only <br/> receive a rough estimate frequency f * of the signal from the event detection unit 5, the integration time The frequency f ** that gives the maximum value to the signal intensity distribution selected by the gradient selection device 61 is defined as the precise measurement frequency of the signal. The measurement frequency f ** is the tracking device 30
Sent to
【0027】(iv)トラッキング処理 トラッキング装置30では、周波数精測装置20から送
られる精測周波数f**を時間的に追尾する。以上説明し
たように、本第2の実施例によれば、長い積分時間で周
波数軸上を勾配によってずらしながら信号強度分布を積
分し、その結果を積分勾配選択装置61で選択して用い
るので、勾配を持った信号に対しても信号周波数の極限
性を劣化させることなく長い積分時間を用いることがで
きる。そのため、精測周波数を精度良く求めることがで
きる。 (Iv) Tracking Process The tracking device 30 temporally tracks the precise measurement frequency f ** sent from the frequency precise measurement device 20 . As described above, according to this second embodiment, a long with the integration time integrating the signal intensity distribution while shifting by the slope on the frequency axis, so selected and used that results in the integration gradient selection unit 61, Even for a signal having a gradient, a long integration time can be used without deteriorating the limit of the signal frequency. Therefore, the precise measurement frequency can be obtained with high accuracy.
【0028】第3の実施例 図5は、本発明の第3の実施例を示す信号周波数追尾方
法を実施するための信号周波数追尾装置の機能ブロック
図であり、図1中の要素と共通の要素には共通の符号が
付されている。本第3の実施例の信号周波数追尾方法が
第1の実施例と異なる点は、信号強度分布を長い積分時
間と短い積分時間でそれぞれ積分し、その積分結果をト
ラッキング装置30により予測された周波数の勾配によ
り選択するようにしたことである。この信号周波数追尾
装置は、音響センサ1を有している。音響センサ1の出
力側には、FFT装置2が接続されている。FFT装置
2の出力側には、記憶装置3と、長時間にわたって積分
する積分装置50−1と、短い時間にわたって積分する
積分装置50−2とが接続されている。記憶装置3の出
力側には、時間に対する周波数の勾配に応じたニューラ
ルネットワーク4−1〜4−3が接続されている。各ニ
ューラルネットワーク4−1〜4−3の出力側には、イ
ベント検出装置5が接続されている。イベント検出装置
5の出力側には、トラッキング装置30が接続されてい
る。トラッキング装置30及び積分装置50−1,50
−2の出力側には、積分時間選択装置51が接続されて
いる。積分時間選択装置51の出力側には、周波数精測
装置20が接続されている。次に、図5を参照しつつ、
本第3の実施例の信号周波数追尾方法を説明する。第1
の実施例と同様に、音響センサ1によって音響信号を受
波してから、イベント検出装置5によって信号の存在を
検出し、積分装置50−1,50−2によって長短の積
分時間を用いて信号強度分布をそれぞれ積分する。その
後、以下の処理(a)〜(c)が行われる。 Third Embodiment FIG. 5 is a functional block diagram of a signal frequency tracking device for performing a signal frequency tracking method according to a third embodiment of the present invention, which is common to the elements in FIG. the element that is with common reference numerals are <br/>. The signal frequency tracking method of the third embodiment is
The difference from the first embodiment is that the signal intensity distribution is integrated with a long integration time and a short integration time, respectively, and the integration result is selected based on the frequency gradient predicted by the tracking device 30. This signal frequency tracking device has an acoustic sensor 1. An FFT device 2 is connected to an output side of the acoustic sensor 1. The output side of the FFT device 2 is connected to the storage device 3 , an integrator 50-1 for integrating over a long time, and an integrator 50-2 for integrating over a short time. Neural networks 4-1 to 4-3 according to the frequency gradient with respect to time are connected to the output side of the storage device 3. The output side of the neural network 4-1 to 4-3, the event detector 5 is connected. The tracking device 30 is connected to the output side of the event detection device 5. Tracking device 3 0及 beauty integrator 50-1, 50
The -2 output side is connected to an integration time selection device 51. The output side of the integration time selection device 51 is connected to the frequency precise measurement device 20. Next, referring to FIG. 5,
The signal frequency tracking method of the third embodiment Ru theory Aquiraz. First
Similarly to the embodiment, after the acoustic signal is received by the acoustic sensor 1, the presence of the signal is detected by the event detecting device 5, and the signals are integrated by the integrating devices 50-1 and 50-2 using the long and short integration time. Integrate the respective intensity distributions. That
Thereafter, the following processes (a) to (c) are performed.
【0029】(a)トラッキング処理 トラッキング装置30では、イベント検出装置5から受
け取った信号のおおまかな周波数を観測値としたカルマ
ンフィルタを用いて、信号の周波数fと勾配ψ1 とを推
定する。求めた周波数の推定値fを周波数精測装置20
へ送るとともに、勾配の推定値ψ1 を積分時間選択装置
51へ送る。 (A) Tracking Process The tracking device 30 estimates the frequency f and the gradient ψ 1 of the signal using a Kalman filter that uses the approximate frequency of the signal received from the event detection device 5 as an observed value. The estimated value f of the obtained frequency is
And the gradient estimated value ψ 1 is sent to the integration time selection device 51.
【0030】(b)積分時間選択処理 積分時間選択装置51では、トラッキング装置30から
勾配の推定値ψ1 を受け取り、該勾配ψ1 を持つ信号の
測定に適した積分時間を選択して、信号強度分布を周波
数精測装置20へ送る。[0030] In (b) integration time selection process integration time selection unit 51, the estimated value [psi 1 gradient from the tracking device 30 takes accept, select the integration time which is suitable for the measurement of the signal with the gradient [psi 1 , And sends the signal intensity distribution to the frequency measurement device 20.
【0031】(c)周波数精測処理 周波数精測装置20では、トラッキング装置30から周
波数の推定値fを受け取るとともに、積分時間選択装置
51で選択された信号強度分布を受け取り、第1の実施
例と同様に、該周波数fの推定値を中心とする所定の範
囲において信号強度分布が最大値を示す周波数を精測周
波数とする。以上説明したように、本第3の実施例によ
れば、追尾の後に周波数精測を行う場合であっても、第
1の実施例と同様に、長短の積分時間を用いて信号強度
分布を積分した結果を選択して精測に用いることができ
るので、追尾中の信号の各時点での周波数を精度良く得
ることができる。なお、本発明は、上記実施例に限定さ
れず種々の変形が可能である。その変形例としては、例
えば次のようなものがある。[0031] In (c) Frequency Seihaka processing frequency Seihaka device 20, along with receiving the estimated value f of the frequency from the tracking device 30 takes accept the selected signal intensity distribution integration time selection unit 51, a first As in the embodiment , the frequency at which the signal intensity distribution has the maximum value in a predetermined range centered on the estimated value of the frequency f is defined as the precise measurement frequency. As described above, according to the third embodiment, even in the case where frequency fine measurement is performed after tracking, as in the first embodiment, the signal intensity distribution is calculated using long and short integration times. Since the integration result can be selected and used for precise measurement, the frequency at each time point of the signal being tracked can be obtained with high accuracy. The present invention is not limited to the above-described embodiment, and various modifications are possible. For example, there are the following modifications.
【0032】(1) 図1、図4及び図5中の音響セン
サ1を除く各ブロックは、それぞれ電気回路で実現して
もよいし、あるいはそれらの一部または全部をコンピュ
ータプログラムで実現してもよい。 (2) 第1〜第3の実施例では、入力信号を音波とし
たが、本発明はそれに限定されない。例えば、入力信号
を電波とした場合、図1、図4及び図5のいずれにおい
ても音響センサ1の代わりに受信アンテナを用いること
で同様に機能する。 (3) 第1〜第3の実施例で示したニューラルネット
ワーク4−1〜4−3の個数は一例である。第1の実施
例におけるニューラルネットワークは3個以上(2個の
ニューラルネットワークで「正の勾配]、「負の勾配」
を担当する場合は、絶対値は変わらないから積分時間が
一定でよく、分担する勾配の絶対値に大小の差がある時
に3個以上が必要となる)、第2の実施例におけるニュ
ーラルネットワークは2個以上(分担する勾配が複数通
りある場合に有効となるため)、第3の実施例における
ニューラルネットワークは1個以上(トラッキング装置
30により過去のイベヘントの履歴から勾配が推定され
るので、ニューラルネットワークが勾配を分担しなくて
も複数通りの勾配が推定される)であれば、何個であっ
てもよい。 (4) 図4中のトラッキング装置30をイベント検出
装置5の出力側に接続し、該トラッキング装置30の出
力側に、積分勾配選択装置61と周波数精測装置20を
接続するような構成にしてもよい。この場合、積分勾配
選択装置61は、トラッキング装置30によって追尾さ
れた周波数の勾配によって勾配付き積分装置60−1〜
60−3の積分値を選択し、周波数精測装置20は、ト
ラッキング装置30により追尾した周波数の推定値と勾
配付き積分装置60−1〜60−3の積分値とにより精
測周波数を求めて、この精測周波数を精測な周波数の追
尾結果とする。(1) Each block other than the acoustic sensor 1 in FIGS . 1 , 4 and 5 may be realized by an electric circuit, or a part or all of them may be realized by a computer program. Is also good. (2) In the first to third embodiments, the input signal is a sound wave, but the present invention is not limited to this. For example, when the input signal electric wave, FIG. 1, functions similarly by using a receiving antenna instead of the acoustic sensors 1 in any of FIGS. (3) The number of neural networks 4-1 to 4-3 shown in the first to third embodiments is an example. In the first embodiment, three or more neural networks (“positive gradient” and “negative gradient” in two neural networks)
If the absolute value does not change, the integration time may be constant, and three or more are required when there is a difference between the absolute values of the shared gradients.) The neural network in the second embodiment is Two or more neural networks (because this is effective when there are a plurality of shared gradients), one or more neural networks in the third embodiment (the tracking device
Since the slope from the history of past Ibehento it is estimated by 30, if the neural network is the gradient of the plurality of types is estimated without sharing gradient), or may be any number. (4) the tracking device 30 in FIG. 4 is connected to the output side of the event detection device 5, the output side of the tracking device 30, in the configuration to connect the integrated gradient selection unit 61 and the frequency Seihaka device 20 Is also good. In this case , the integration gradient selection device 61 uses the gradient integration devices 60-1 to 60-1 based on the frequency gradient tracked by the tracking device 30.
The integrated value of 60-3 is selected, and the frequency precise measurement device 20 obtains the precisely measured frequency from the estimated value of the frequency tracked by the tracking device 30 and the integrated values of the gradient integrated devices 60-1 to 60-3. , to the precise measurement frequency and tracking the results of precise measurement, such frequency.
【0033】[0033]
【発明の効果】以上詳細に説明したように、第1及び第
3の発明によれば、積分時間を信号周波数の勾配に応じ
て選択するようにしたので、信号の周波数の追尾の精度
が向上する。第2及び第4の発明によれば、信号周波数
の勾配に応じてずらして積分するようにしたので、信号
の周波数の追尾の精度が向上する。As described in detail above, according to the first and third aspects, the integration time is selected according to the gradient of the signal frequency, so that the accuracy of tracking the frequency of the signal is improved. I do. According to the second and fourth aspects of the present invention, since the integration is performed while being shifted according to the gradient of the signal frequency, the accuracy of tracking the frequency of the signal is improved.
【図1】本発明の第1の実施例の信号周波数追尾方法を
実施するための信号周波数追尾装置の機能ブロック図で
ある。FIG. 1 is a functional block diagram of a signal frequency tracking device for implementing a signal frequency tracking method according to a first embodiment of the present invention.
【図2】従来の信号周波数追尾方法を実施するための信
号周波数追尾装置の機能ブロック図である。FIG. 2 is a functional block diagram of a signal frequency tracking device for implementing a conventional signal frequency tracking method.
【図3】従来の信号周波数追尾方法の問題点を示す図で
ある。FIG. 3 is a diagram showing a problem of a conventional signal frequency tracking method.
【図4】本発明の第2の実施例の信号周波数追尾方法を
実施するための信号周波数追尾装置の機能ブロック図で
ある。FIG. 4 is a functional block diagram of a signal frequency tracking device for implementing a signal frequency tracking method according to a second embodiment of the present invention.
【図5】本発明の第3の実施例の信号周波数追尾方法を
実施するための信号周波数追尾装置の機能ブロック図で
ある。FIG. 5 is a functional block diagram of a signal frequency tracking device for implementing a signal frequency tracking method according to a third embodiment of the present invention.
1 音響センサ 2 FFT装置 3 記憶装置 4−1,4−2,4−3 ニューラルネット
ワーク 5 イベント検出装置 20 周波数精測装置 30 トラッキング装置 50−1,50−2 積分装置 51 積分時間選択装置 60−1,60−2,60−3 積分装置 61 積分勾配選択装置Reference Signs List 1 acoustic sensor 2 FFT device 3 storage device 4-1 4-2, 4-3 neural network 5 event detecting device 20 frequency measuring device 30 tracking device 50-1, 50-2 integrating device 51 integration time selecting device 60- 1,60-2,60-3 Integrator 61 Integral gradient selector
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭58−139084(JP,A) 特開 平2−205790(JP,A) 特開 平4−276523(JP,A) 特開 平5−273326(JP,A) (58)調査した分野(Int.Cl.6,DB名) G01H 3/08 G01R 23/02 G01R 23/16 G01S 3/80──────────────────────────────────────────────────続 き Continuation of the front page (56) References JP-A-58-139084 (JP, A) JP-A-2-205790 (JP, A) JP-A-4-276523 (JP, A) JP-A-5-205 273326 (JP, A) (58) Fields investigated (Int. Cl. 6 , DB name) G01H 3/08 G01R 23/02 G01R 23/16 G01S 3/80
Claims (4)
号強度分布を求める周波数分析処理と、 前記信号強度分布を一定の時間にわたって蓄積する記憶
処理と、 前記周波数分析処理により分析される各周波数毎に、該
周波数の近傍に限った小部分の前記記憶処理により蓄積
された信号強度分布を複数のニューラルネットワークに
入力し、これらニューラルネットワークのおのおのが信
号の時間に対する周波数の異なる勾配を担当し、これら
の各ニューラルネットワークにより、入力中に時間に対
する特定の周波数の勾配を持つ信号が示す直線状のパタ
ーンが存在するときに大きな数値を出力するパターン検
出処理と、 前記複数のニューラルネットワークの出力について、各
周波数に対する出力の中で極大点となっており、かつ出
力値が所定の閾値を越える値を持つ点を検出することで
信号の存在を判定して、このような極大点の周波数を信
号の周波数のおおまかな推定値とするとともに、該推定
値とする周波数に対して最も大きな値を出力するニュー
ラルネットワークの担当の勾配から信号の時間に対する
周波数の勾配を算出するイベント検出処理と、 所定の複数の積分時間について、前記信号強度分布の周
波数毎に積分して積分値を求める積分処理と、 前記イベント検出処理により算出された勾配に基づい
て、前記積分処理により複数の積分時間でした積分値の
うちいずれの積分値を採用するかを選択する積分時間選
択処理と、 前記積分時間選択処理により採用された積分時間で積分
された積分値に対して、前記イベント検出処理により検
出された信号の周波数のおおまかな推定値の近傍におけ
る極大点を探して、信号の周波数のより精密な推定値で
ある精測周波数を求める周波数精測処理と、 前記周波数分析処理から前記周波数精測処理を所定の時
間毎に繰り返し、該周波数精測処理により求められた精
測周波数を時間的に追尾するトラッキング処理とを、 実行することを特徴とする信号周波数追尾方法。1. A frequency analysis process for obtaining a signal intensity distribution by performing frequency analysis on an input signal; a storage process for accumulating the signal intensity distribution over a predetermined time; and each frequency analyzed by the frequency analysis process. Each time, a small portion limited to the vicinity of the frequency is stored by the storage process.
The input signal strength distributions are input to a plurality of neural networks, each of which is responsible for a different gradient of the frequency of the signal with respect to time , and each of these neural networks has a function of time versus time during input .
A pattern detection process of outputting a large numerical value when a linear pattern indicated by a signal having a gradient of a specific frequency is present, and for the outputs of the plurality of neural networks, a maximum point is obtained in the output for each frequency. The presence of a signal is determined by detecting a point having a value whose output value exceeds a predetermined threshold, and the frequency of such a local maximum point is used as a rough estimate of the frequency of the signal, An event detection process for calculating a frequency gradient with respect to the time of the signal from a gradient in charge of the neural network that outputs the largest value with respect to the frequency to be the estimated value; An integration process for obtaining an integrated value by integrating for each frequency of the intensity distribution; and an integration process based on the gradient calculated by the event detection process. An integration time selection process of selecting which integration value is to be used among the integration values obtained by the plurality of integration times, and an integration value integrated by the integration time adopted by the integration time selection process. Searching for a local maximum in the vicinity of a rough estimate of the frequency of the signal detected by the event detection process, and determining a precise frequency that is a more accurate estimate of the frequency of the signal; It said frequency Seihaka processing repeatedly at a predetermined time, the signal frequency tracking method, characterized in that the tracking process temporally tracking the precise measurement frequency determined by the frequency Seihaka process, run from.
号強度分布を求める周波数分析処理と、 前記信号強度分布を一定の時間にわたって蓄積する記憶
処理と、 前記周波数分析処理により分析される各周波数毎に、該
周波数の近傍に限った小部分の前記記憶処理により蓄積
された信号強度分布を複数のニューラルネットワークに
入力し、これらニューラルネットワークのおのおのが信
号の時間に対する周波数の異なる勾配を担当し、これら
の各ニューラルネットワークにより、入力中に時間に対
する特定の周波数の勾配を持つ信号が示す直線状のパタ
ーンが存在するときに大きな数値を出力するパターン検
出処理と、 前記複数のニューラルネットワークの出力について、各
周波数に対する出力の中で極大点となっており、かつ出
力値が所定の閾値を越える値を持つ点を検出することで
信号の存在を判定して、このような極大点の周波数を信
号の周波数のおおまかな推定値とするとともに、該推定
値とする周波数に対して最も大きな値を出力するニュー
ラルネットワークの担当の勾配から信号の時間に対する
周波数の勾配を算出するイベント検出処理と、時間に対する 所定の複数の周波数の勾配について、前記
信号強度分布の周波数毎に、過去の時間から現在の時間
までの前記勾配分の周波数の変化量だけ現在の周波数か
らずらした過去の周波数の信号強度に基づいて、所定の
時間で積分して積分値を求める積分処理と、 前記積分処理で用いる複数の勾配のうち前記イベント検
出処理による勾配の推定値に最も近いものを選択し、該
選択された勾配に対応する前記積分処理による積分値を
採用する積分勾配選択処理と、 前記積分勾配選択処理により選択された積分値に対し
て、前記イベント検出処理により検出された信号の周波
数のおおまかな推定値の近傍における極大点を探し、信
号の周波数のより精密な推定値である精測周波数を求め
る周波数精測処理と、 前記周波数分析処理から前記周波数精測処理を所定の時
間毎に繰り返し、該周波数精測処理により求められた精
測周波数を時間的に追尾するトラッキング処理とを、 実行することを特徴とする信号周波数追尾方法。2. A frequency analysis process for obtaining a signal intensity distribution by performing frequency analysis on an input signal; a storage process for accumulating the signal intensity distribution for a predetermined time; and each frequency analyzed by the frequency analysis process. Each time, a small portion limited to the vicinity of the frequency is stored by the storage process.
The input signal strength distributions are input to a plurality of neural networks, each of which is responsible for a different gradient of the frequency of the signal with respect to time , and each of these neural networks has a function of time versus time during input .
A pattern detection process of outputting a large numerical value when a linear pattern indicated by a signal having a gradient of a specific frequency is present, and for the outputs of the plurality of neural networks, a maximum point is obtained in the output for each frequency. The presence of a signal is determined by detecting a point having a value whose output value exceeds a predetermined threshold, and the frequency of such a local maximum point is used as a rough estimate of the frequency of the signal, Event detection processing for calculating the gradient of the frequency with respect to the time of the signal from the gradient in charge of the neural network that outputs the largest value with respect to the frequency to be the estimated value, and the gradient of a plurality of predetermined frequencies with respect to the time For each frequency of the signal intensity distribution, the frequency is shifted from the current frequency by the amount of change in the frequency of the gradient from the past time to the current time. Based on the signal strength of the previous frequency, integrating processing for integrating at a predetermined time to obtain an integrated value; and selecting a gradient closest to an estimated value of the gradient by the event detection process from among a plurality of gradients used in the integration process. And an integration gradient selection process that employs an integration value obtained by the integration process corresponding to the selected gradient, and an integration value that is detected by the event detection process with respect to the integration value selected by the integration gradient selection process. Searching for a local maximum point in the vicinity of the rough estimated value of the frequency, a frequency precise measurement process for obtaining a precise frequency that is a more accurate estimate of the frequency of the signal, and performing the frequency precise measurement process from the frequency analysis process for a predetermined time. repeated every, a tracking process temporally tracking the precise measurement frequency determined by the frequency Seihaka processing, signal frequency tracking direction, characterized in that to perform .
号強度分布を求める周波数分析処理と、 前記信号強度分布を一定の時間にわたって蓄積する記憶
処理と、 前記周波数分析処理により分析される各周波数毎に、該
周波数の近傍に限った小部分の前記記憶処理により蓄積
された信号強度分布をニューラルネットワークに入力
し、該ニューラルネットワークにより、入力中に信号が
示す直線状のパターンが存在するときに大きな数値を出
力するパターン検出処理と、 前記ニューラルネットワークの出力について、各周波数
に対する出力中で極大点となっており、かつ出力値が所
定の閾値を越える値を持つ点を検出することで信号の存
在を判定して、このような極大点の周波数を信号の周波
数のおおまかな推定値とするイベント検出処理と、 前記周波数分析処理から前記イベント検出処理を所定の
時間毎に繰り返し、該イベント検出処理により求められ
た信号の周波数の推定値を時間的に追尾するとともに、
信号の時間に対する周波数の勾配を算出するトラッキン
グ処理と、 所定の複数の積分時間についてそれぞれ前記信号強度分
布の周波数毎に積分して積分値を求める積分処理と、 前記トラッキング処理により算出された勾配に基づい
て、前記積分処理による複数の積分時間で求めた積分値
のうちいずれの積分値を採用するかを選択する積分時間
選択処理と、 前記積分時間選択処理により採用された積分値に対し
て、前記トラッキング処理による追尾の結果として得ら
れる周波数の推定値の近傍における極大点を探し、信号
の周波数のより精密な推定値である精測周波数を求める
周波数精測処理とを、 実行することを特徴とする信号周波数追尾方法。3. A frequency analysis process for obtaining a signal intensity distribution by performing frequency analysis on an input signal; a storage process for accumulating the signal intensity distribution for a predetermined time; and each frequency analyzed by the frequency analysis process. Each time, a small portion limited to the vicinity of the frequency is stored by the storage process.
The signal strength distribution is input to a neural network, and the neural network outputs a large numerical value when a linear pattern indicated by a signal is present during the input.Pattern detection processing, and for the output of the neural network, The presence of a signal is determined by detecting a point where the maximum value is present in the output for the frequency and the output value has a value exceeding a predetermined threshold value, and the frequency of such a maximum point is determined as the frequency of the signal. and event detection process to rough estimates, the repetition from the frequency analysis process for each of the event detection process for a predetermined time, as well as temporally track an estimate of the frequency of the obtained signals by the event detection process,
A tracking process of calculating the frequency slope of the relative time of the signal, and the integration process of obtaining the integrated and the integrated value for each frequency of their respective pre-serial signal intensity distribution for a plurality of predetermined integration time, calculated by the tracking processing was based on the slope, the the integration time selection process for selecting whether to employ any of the integral value of the integration values obtained in a plurality of integration times by integration processing, the integration value adopted by the integration time selected process On the other hand, a frequency precise measurement process of searching for a local maximum point near the estimated value of the frequency obtained as a result of the tracking by the tracking process and obtaining a precise frequency which is a more accurate estimate of the frequency of the signal is executed. A signal frequency tracking method, characterized in that:
号強度分布を求める周波数分析処理と、 前記信号強度分布を一定の時間にわたって蓄積する記憶
処理と、 前記周波数分析処理により分析される各周波数毎に、該
周波数の近傍に限った小部分の前記記憶処理により蓄積
された信号強度分布をニューラルネットワークに入力
し、該ニューラルネットワークにより、入力中に信号が
示す直線状のパターンが存在するときに大きな数値を出
力するパターン検出処理と、 前記ニューラルネットワークの出力について、各周波数
に対する出力の中で極大点となっており、かつ出力値が
所定の閾値を越える値を持つ点を検出することで信号の
存在を判定して、このような極大点の周波数を信号の周
波数のおおまかな推定値とするイベント検出処理と、 前記周波数分析処理から前記イベント検出処理を所定の
時間毎に繰り返し、該イベント検出処理により求められ
た信号の周波数の推定値を時間的に追尾するとともに、
信号の時間に対する周波数の勾配を算出するトラッキン
グ処理と、時間に対する 所定の複数の周波数の勾配について、前記
信号強度分布の周波数毎に、過去の時間から現在の時間
までの前記勾配分の周波数の変化量だけ現在の周波数か
らずらした過去の周波数の信号強度に基づいて、所定の
時間で積分して積分値を求める積分処理と、 前記積分処理で用いる複数の勾配のうち前記トラッキン
グ処理により算出された勾配に最も近いものを選択し、
該選択された勾配に対応する前記積分処理による積分値
を採用する積分勾配選択処理と、 前記積分勾配選択処理により採用された積分値に対し
て、前記トラッキング処理による追尾の結果として得ら
れる周波数の推定値の近傍における極大点を探し、信号
の周波数のより精密な推定値である精測周波数を求める
周波数精測処理とを、 実行することを特徴とする信号周波数追尾方法。4. A frequency analysis process for performing a frequency analysis on an input signal to obtain a signal intensity distribution, a storage process for accumulating the signal intensity distribution over a certain period of time, and each frequency analyzed by the frequency analysis process Each time, a small portion limited to the vicinity of the frequency is stored by the storage process.
The signal strength distribution is input to a neural network, and the neural network outputs a large numerical value when a linear pattern indicated by a signal is present during the input.Pattern detection processing, and for the output of the neural network, The presence of a signal is determined by detecting a point that has a maximum point in the output with respect to the frequency and the output value has a value exceeding a predetermined threshold, and the frequency of such a maximum point is determined by the frequency of the signal. and event detection process to rough estimate of the repetition from the frequency analysis process for each of the event detection process for a predetermined time, as well as temporally track an estimate of the frequency of the obtained signals by the event detection process ,
A tracking process of calculating a frequency gradient of a signal with respect to time; and, for a predetermined plurality of frequency gradients with respect to time, for each frequency of the signal intensity distribution, a change in frequency of the gradient from a past time to a current time. Based on the signal intensity of the past frequency shifted from the current frequency by an amount, integrating in a predetermined time to obtain an integral value, and calculating by the tracking process among a plurality of gradients used in the integration process. Select the one that is closest to the gradient,
An integration gradient selection process that employs an integration value obtained by the integration process corresponding to the selected gradient, and an integration value that is obtained as a result of tracking by the tracking process with respect to the integration value that is adopted by the integration gradient selection process. A signal frequency tracking method comprising: searching for a local maximum point in the vicinity of an estimated value; and performing a frequency precise measurement process for obtaining a precise frequency that is a more accurate estimated value of the frequency of the signal.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16727195A JP2842473B2 (en) | 1995-07-03 | 1995-07-03 | Signal frequency tracking method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16727195A JP2842473B2 (en) | 1995-07-03 | 1995-07-03 | Signal frequency tracking method |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0915032A JPH0915032A (en) | 1997-01-17 |
JP2842473B2 true JP2842473B2 (en) | 1999-01-06 |
Family
ID=15846654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP16727195A Expired - Lifetime JP2842473B2 (en) | 1995-07-03 | 1995-07-03 | Signal frequency tracking method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2842473B2 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007251354A (en) * | 2006-03-14 | 2007-09-27 | Saitama Univ | Microphone and sound generation method |
CN102692540A (en) * | 2012-03-20 | 2012-09-26 | 乐清共拓电气科技有限公司 | Frequency tracking alternating-current sampling method |
JP6598308B2 (en) * | 2017-03-03 | 2019-10-30 | Necネットワーク・センサ株式会社 | Sonar device, acoustic signal processing system, acoustic signal processing method, and acoustic signal processing program |
-
1995
- 1995-07-03 JP JP16727195A patent/JP2842473B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH0915032A (en) | 1997-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A recursive multiple model approach to noise identification | |
US6771723B1 (en) | Normalized parametric adaptive matched filter receiver | |
JP2003185728A (en) | Relative-positioning system for carrier phase | |
WO1998002760A1 (en) | Improved fast fourier transform sensor processor using enhanced frequency domain principles | |
WO1998002760A9 (en) | Improved fast fourier transform sensor processor using enhanced frequency domain principles | |
Özkan et al. | Ground multiple target tracking with a network of acoustic sensor arrays using PHD and CPHD filters | |
JP2842473B2 (en) | Signal frequency tracking method | |
Ballal et al. | Phase-difference ambiguity resolution for a single-frequency signal | |
Reddy et al. | MST radar signal processing using cepstral thresholding | |
Wang et al. | Automated weak signal frequency estimation method based on Duffing oscillator and particle swarm optimization | |
EP1198757B1 (en) | Correlation analysis in the phase domain | |
RU2563889C1 (en) | Digital radio signal detector in noise conditions with unknown intensity | |
JP2784400B2 (en) | Signal frequency tracking method | |
JPH1082812A (en) | S/n power ratio measuring device | |
JP3365312B2 (en) | Method for detecting paint film damage position on buried steel pipe | |
JP2607854B2 (en) | Signal tracking method | |
RU2117954C1 (en) | Signal-to-noise ratio meter | |
RU2154837C1 (en) | Method of detection of linear frequency-modulated signal with unspecified parameters | |
JP2823045B2 (en) | Target motion analysis method | |
JP2011102733A (en) | Measuring device | |
US7415063B1 (en) | Method to estimate noise in data | |
JP2654793B2 (en) | Partial discharge detection device | |
Swift et al. | Tracking weak targets with a grid search approach using spatially distributed sensors | |
CN116736255A (en) | Weak target line spectrum multi-frame coherent detection pre-tracking method | |
RU2237261C2 (en) | Method for detection of narrow-band radio signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19981006 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
EXPY | Cancellation because of completion of term |