信號搜索是指多維空間和多取值中對信號進行尋找。對于空間某一點存在的信號研究表明，一個信號完全可以用時間域、頻率域、極化域和來波方向域確定，由于通信信號以占有不同信道為其突出特點，因此大多數情況下，信號搜索是在頻率域中進行的，即在一個較寬的觀測頻帶內，在信號個數及其載波頻率、帶寬、信噪比等參數均未知的情況下對信號進行的盲檢測。

　　目前信號搜索方法大致有兩種:種是基于頻率步進式搜索方法，對每一信道內的信號進行搜索，直至完成所有信道信號的檢測，這種方法通常采用自適應門限以適應不同信道背景噪聲，但自適應門限的計算仍受背景噪聲的影響。當色噪聲起伏較大時，檢測概率降低，同時由于門限差別較大，對同一信號搜索得到的載頻、帶寬估計值偏差較大，給后續(xù)處理帶來較大困難。第二種是基于全景譜的搜索方法，通過信道拼接得到搜索頻段的完整頻譜，再進行信號檢測，這種方法一般采用單一門限，設置直觀簡單，搜索速度較快，但只適合信道底部噪聲較平坦的情況，這在實際中是很難滿足的。這兩種搜索方法都受信道背景色噪聲影響，特別是第二種方法，由于色噪聲的存在，使得方法在實際中基本上不適用，本文就此問題展開相關研究，同時受在碼元速率譜線檢測時色噪聲抑制算法的啟發(fā)，提出了一種基于信道色噪聲抑制的信號搜索方法，該方法在搜索前對全景搜索譜進行色噪聲邊緣提取與差值預處理，抑制了信道色噪聲，從而提高了搜索方法的適用性及搜索性能，具有較好的抗色噪聲干擾能力。

　　1 色噪聲邊緣提取

　　高斯白噪聲中的高斯是指概率分布是正態(tài)函數，而白噪聲是指它的二階矩不相關，一階矩為常數，是指先后信號在時間上的相關性。這是考查一個信號的兩個不同方面的問題。

　　高斯白噪聲功率譜平坦，而色噪聲功率譜起伏很大，這在全景譜中表現更為明顯，圖1是由8 MHz帶寬濾波器拼接成的100 MHz~200 MHz頻段信號功率譜，總共8 192個樣點，頻率分辨率為12 207 Hz,從圖中能看到色噪聲引起的"臺階"現象。拼接譜中信道底部電平起伏，一方面是由于不同頻段噪聲電平差異較大，另一方面是由于接收機濾波器在不同電平值下的增益非線性變化所致，這對于實際信號搜索是十分不利的因素，搜索門限將很難合理設置，偏高會使一些相對較弱的信號漏檢，偏低會使噪聲誤判為信號。本文采用差值的方法對色噪聲進行抑制，首先要提取色噪聲邊緣序列。

　　對輸入頻譜序列p（n）進行分段，一般以實際拼接物理帶寬為每段數據長度，設為N,算法步驟如下：

　　重復（2）~（6），直到提取本段數據的邊緣序列。對圖1所示全景譜進行色噪聲邊緣序列提取實驗得到圖2所示結果，可以看出提取的色噪聲邊緣序列已去除了所有的信號包絡，只保留了底部噪聲的變化趨勢。為減少運算量，在提取之前本文使用了10階中值濾波去除多數脈沖噪聲。

　　2 基于色噪聲抑制的搜索算法設計

　　數字調制信號符號速率估計的依據是循環(huán)平穩(wěn)理論，由于信號的符號速率就是其基本循環(huán)頻率，因此可以通過提取信號非線性變換（例如循環(huán)自相關函數）的循環(huán)頻率獲知符號速率。但是，非線性變換不僅能產生對應于符號速率的正弦分量及其各次諧波，還會將信號自身轉變成不利于譜線提取的連續(xù)有色噪聲（其能量主要分布在低頻部分）。當觀察數據長度有，自噪聲對譜線提取的影響尤其明顯。

　　本文設計的搜索算法是基于中頻采樣數據實現的，算法流程如圖3,關鍵步驟是差值預處理與頻譜分離。

　　2.1 差值預處理

　　3 算法驗證

　　驗證算法在實際信號搜索中的性能。實驗分別使用步進搜索方法、原全景譜搜索方法和本文搜索方法，對選定的5個信號（如表1所示，分別對應于圖4中1~5箭頭所指信號，信噪比為一段時間內統(tǒng)計均值，一般存在3~5 dB的信號抖動）進行搜索概率測試，概率以檢測到的信號次數與總共檢測次數比值計算，為使測試結果具有可比性，三種方法均采用式（7）自適應門限計算方法，經10 000次Monte Carlo實驗后得圖5所示的結果。從圖5中可以看出，在相同門限計算方法條件下，基于抑制色噪聲的全景譜搜索方法對于相對較弱信號的搜索檢測概率明顯高于另外二種，這與前面的分析相符，從而驗證了算法的有效性。

　　本文針對信號搜索中存在的嚴重色噪聲影響問題，提出了一種抑制色噪聲的信號搜索算法，解決了搜索譜中的"臺階"現象。該算法只需知道作拼接頻譜的FFT點數，而未對信道等作任何假設條件，因此可適用于各種信道條件下信號搜索。實驗表明算法抑制色噪聲效果明顯，搜索信號正確率高，抗噪聲能力強，整體性能優(yōu)越，有較好的實際應用價值。