Der er en række muligheder, afhængigt af hvilken type signal du vil finde. Jeg starter fra let og går op til hårdt. Jeg antager, at du bruger en FFT til at få dine spektre.

1. RFI. En tidligere plakat henviste til nogle papirer om at finde RFI. Jeg ved ikke nøjagtigt, hvordan det er defineret, men lad os antage, at det er utilsigtet RF fra ting som at skifte strømforsyning (linjespektre) og dårligt kablede automotorer (impulsiv støj). Impulsiv støj er smal i tid og bred i frekvens, hvilket antyder, at du bare skal se på din modtagerudgang. Der er sandsynligvis en eller anden statistisk test, du kunne anvende (siger, at nulhypotesen er hvid Gaussisk støj). For linjespektre skal du gøre det samme i frekvensdomænet. Måske vil de, der ved mere om RFI end jeg, sige noget andet. Jeg vil dog foreslå, at i stedet for at behandle dit signal, mens du laver, at du bruger den første behandling, som jeg diskuterer næste gang.
2. Konventionelle analoge signaler. Med dette mener jeg de AM, FM, SSB osv. Transmissioner, som du kører hele tiden. Disse lever i en mellemregion mellem impulser og linjespektre, hvilket gør tingene lidt sværere. Jeg vil foreslå, at du beregner et effektspektrum, og ud fra det autokorrelationen. Dette er let, hvis du allerede bruger en FFT: Beregn FFT, og multiplicer derefter hvert element med dets komplekse konjugat. Nu har du strømspektret. Gør derefter den inverse FFT for at få autokorrelationen. Hvis der er et signal der, vil du se en udtværet top nær $ \ tau = 0 $, hvor $ \ tau $ er forsinkelsen. Hvis det er relativt bredbånd, bliver toppen smallere; hvis det er smalbånd (sammenlignet med din FFT) bliver toppen bredere. Se efter toppe i både effektspektret og autokorrelationen. Dette fungerer bedre end statistik-indsamling, som du beskriver, fordi det udnytter sammenhængen i signalet. Hvis du bruger en stor FFT, vil du gennemsnitlig over en masse signal, som vil undertrykke støj og bedre vise dig, hvad der er. Hvis det bare er støj, ser du en meget smal top lige ved $ \ tau = 0 $ og et fladt effektspektrum.
3. Konventionelle digitale signaler. Jeg mener konventionel fra et skinradioperspektiv; tilstande som PSK31 osv. En autokorrelation / power spectrum-tilgang kan også fungere godt her. De samme fysiske principper gælder: støjgennemsnit usammenhængende, mens signalgennemsnit er kohærent. Der er dog en advarsel. Da signaler bliver mere båndbreddeeffektive, begynder de at ligne mere som hvid støj. Et AFSK-signal som dem, der ofte bruges i pakkeradio, er for eksempel frygteligt (tilgiv mig, pakkeradioentusiaster) ineffektivt. Det tager meget båndbredde at få et par bits igennem. PSK31 er meget bedre. Nogle af de mere moderne tilstande, såsom WSPR og pårørende, er virkelig gode. Du ser et fladt spektrum på tværs af hele signalbåndbredden. De prøver ikke at være luskede. Det er bare situationens fysik.
4. Bredbånds digitale signaler. Dette er en bred kategori, men inkluderer spredte spektrumsignaler såvel som meget stærkt optimerede signaler som dem, din mobiltelefon bruger. Der har været en bemærkelsesværdig mængde R&D sat i disse signaler for at gøre dem effektive, og fordi de er nødt til at skubbe mange bits på tværs, er de bredbånd, og så signal-støj-forholdet i en given frekvensbakke et par Hz på tværs bliver dårlig. De er bare svære at se, og der er et overraskende antal af dem derude. Det er her cyclostationær behandling, en form for statistik med højere ordre, kommer til sin ret. Cyklostationær behandling bruges til at udtrække bithastigheden fra et ukendt signal. Selvom du ikke kan se signalet gennem andenordens statistik (som autokorrelation), vil signalets bithastighed ofte springe lige ud af en cyklostationær tilgang. Matematikken kan være skræmmende, men hvis du virkelig er interesseret, skal du holde fast ved den, og du vil opdage, at den virkelig ikke er så hård.

Her er et par eksempler til at illustrere autokorrelationen / magt spektrum tilgang. På billederne plotter jeg først signalet, derefter effektspektret og derefter autokorrelationen. Disse er simulerede signaler med samplingsinterval $ \ Delta t = 1 $.

Hvid gaussisk støj

Fladt effektspektrum, autokorrelation har en top ved nul forsinkelse, flad overalt ellers.

Barkerkodet puls

Radarer bruger disse til at reducere deres maksimale effektbehov, mens de opretholder rækkeviddeopløsningen. $ \ sin ^ 2 \ omega / \ omega ^ 2 $ struktur på grund af pulsformen. Autokorrelation viser en smal top ved nul forsinkelse. I naturen er disse impulser meget kortere, end jeg viser her, hvilket fører til fladere bredere spektre. De kan være vanskelige at skelne fra støj, medmindre du har en eller anden uafhængig måde at beregne SNR i kanalen (hvilket er svært, hvis du ikke rigtig ved, at der er et signal i kanalen). Bedst at bare se direkte i tidsdomænet.

FM med sinusformet modulering

Let at se i begge energispektret og autokorrelationen.

Summen af ​​alle tre

Her har jeg indstillet støj $ $ sigma = 1/4 $, impulsens maksimale amplitude til $ 2 $ og FM-signalets maksimale amplitude til $ 1/4 $. Det fjerde plot er et nærbillede af autokorrelationen nær nul forsinkelse.

Nå, dette er et velstuderet felt (detektion og afbødning af radiofrekvensinterferens). Der er masser af litteratur om det.

Den støj, du modtager, er teoretisk Additive White Gaussian Noise (AWGN). Det betyder, at dens sandsynlighedsdensitetsfunktion (PDF) er Gaussisk, og pdf'en af ​​dens samples magt er eksponentiel. Ved at indstille en falsk alarmsandsynlighed i henhold til signalets styrke kan du let registrere prøver, der potentielt ikke er støj. Tjek f.eks. Punkt 2.2 i dette papir. Denne tærskelmetode anvendes i frekvensdomænet i teknikker til frekvensblankering og spektrogramblanking.

Normalitetstest bruges også til at evaluere, om et signal er AWGN. Jeg har læst mange omtaler til Anderson-Darling-testen, men jeg arbejdede aldrig med den.

Du kan bruge Kurtosis til at se, om et signal er Gaussisk eller ej (men vær forsigtig, fordi Kurtosis er svag mod visse sinusformede signaler). Hvis det ikke er Gaussisk, er det sandsynligt, at det er menneskeskabt (dog kan nogle frekvente Jammere udsende Gaussiske signaler). Kurtosis er også blevet brugt til at detektere RFI i frekvensdomænet, ikke kun i tidsdomænet (se efter spektral kurtose).

Her har du en anden interessant (og åben! ) papir om RFI-detektion.

Jeg er ikke sikker på, om der er AWGN-lignende signaler fra mennesker, der adskiller sig fra støj til jamming. Spektret af signaler krypteret med koder (såsom GPS-signaler, der bruger Pseudo-tilfældig støjkoder) er synkroniserede, og de er kun flade i en lille brøkdel af dens båndbredde. Selvom du prøver denne lille brøkdel, er jeg ikke sikker på, om signalet i tide vil virke gaussisk.

Du kan prøve at tage en billedoptagelse af spektrumvandfaldet i nogen varighed og føre billedet til en maskinlæringsinferensemotor, måske et DNN.

Inferensmotoren kunne trænes i et stort billede database med masser af vandfald af masser af kendte eller formodede signaltyper, svarende til disse signal-ID-databaser:

https://www.sigidwiki.com/wiki/Signal_Identification_Guide

http://qrznow.com/signal-identification-guide/