FSK信号解调故障：频率检测异常导致解调比特流错误

看起来你在FSK信号的频率估计和解码环节都遇到了问题，咱们一步步梳理可能的核心原因和改进方向：

先揪出最可能的致命错误 #

你代码里的采样率设置有严重问题！注释写着fs = 46242 # I use the bandwith of my signal——fs必须是采集IQ信号时的实际采样率（比如软件无线电设备的采样率，如1MSPS、2.4MSPS），不是信号的带宽。采样率错误会导致所有频率计算、符号时长的采样点步长完全失真，这大概率是你解调失败的核心原因之一。

频率估计函数的问题与改进 #

你的频率检测逻辑存在频谱泄漏、峰值阈值不合理等问题，导致无法准确捕获FSK的目标频率：

问题点 #

1. 未加窗处理：FFT前没有加汉宁窗/汉明窗，导致FSK信号的频谱旁瓣过高，可能让峰值检测到错误的频率位置。
2. 峰值阈值过松：用np.max(...) /10作为高度阈值，容易把噪声峰误判为信号峰，尤其是当信号有较强旁瓣时。
3. 正频率过滤逻辑冗余：先找峰再过滤正频率，不如先只保留正频率频谱再找峰，逻辑更清晰。

改进后的频率估计函数 #

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import find_peaks, butter, filtfilt
from tkinter import filedialog

def estimate_frequencies(signal, fs, niveau_fsk):
    # 加汉宁窗减少频谱泄漏
    window = np.hanning(len(signal))
    windowed_signal = signal * window
    
    fft_result = np.fft.fft(windowed_signal)
    fft_freq = np.fft.fftfreq(len(windowed_signal), 1/fs)

    # 仅保留正频率部分的频谱和频率轴
    positive_mask = fft_freq > 0
    half_spectrum = fft_result[positive_mask]
    half_freqs = fft_freq[positive_mask]
    spectrum_amp = np.abs(half_spectrum)

    # 调整峰高阈值为最大幅度的30%（可根据实际信号调整）
    peak_height = np.max(spectrum_amp) * 0.3
    peaks, _ = find_peaks(spectrum_amp, height=peak_height)

    # 按幅度从大到小排序，取前niveau_fsk个峰
    peak_amps = spectrum_amp[peaks]
    sorted_peak_indices = np.argsort(-peak_amps)[:niveau_fsk]
    estimated_freqs = half_freqs[peaks[sorted_peak_indices]]

    # 返回排序后的频率，方便后续解码匹配
    return np.sort(estimated_freqs)

解调函数的核心问题与修复 #

你的解码逻辑忽略了相位解缠绕，这会导致瞬时频率出现大量异常值，完全无法代表真实的信号频率：

问题点 #

1. 未做相位解缠绕：np.angle(signal)得到的相位会在±π之间跳变，np.diff计算的瞬时频率会出现巨大的跳变（比如从fs/2跳到-fs/2），导致每个符号段的均值频率完全错误。
2. 瞬时频率未平滑：没有做低通滤波，噪声会干扰均值频率的计算。
3. 循环越界风险：instantaneous_frequency比原信号短1个点（因为np.diff），循环时可能会取到越界的片段。

改进后的解调函数 #

def demodulate_fsk(signal, fs, freqs, symbol_duration):
    # 对相位做解缠绕，消除±π的跳变
    instantaneous_phase = np.unwrap(np.angle(signal))
    # 计算瞬时频率
    instantaneous_frequency = np.diff(instantaneous_phase) * fs / (2.0 * np.pi)

    # 低通滤波平滑瞬时频率，过滤噪声
    symbol_rate = 1 / symbol_duration
    # 截止频率设为符号速率的2倍，保留信号成分的同时过滤高频噪声
    def butter_lowpass(cutoff, fs, order=3):
        nyq = 0.5 * fs
        normal_cutoff = cutoff / nyq
        b, a = butter(order, normal_cutoff, btype='low', analog=False)
        return b, a
    b, a = butter_lowpass(symbol_rate * 2, fs)
    instantaneous_frequency_smoothed = filtfilt(b, a, instantaneous_frequency)

    decoded_bits = []
    step_size = int(symbol_duration * fs)
    max_idx = len(instantaneous_frequency_smoothed)

    # 循环处理每个符号段，避免越界
    for i in range(0, max_idx, step_size):
        segment_end = min(i + step_size, max_idx)
        segment = instantaneous_frequency_smoothed[i:segment_end]
        mean_freq = np.mean(segment)
        # 找到与均值频率最接近的目标频率
        decoded_bit = np.argmin(np.abs(mean_freq - freqs))
        decoded_bits.append(decoded_bit)
    
    return np.array(decoded_bits)

主程序的补充优化 #

# 关键：修改为采集IQ信号时的实际采样率，不是带宽！
# 比如如果用RTL-SDR采集，可能是1e6（1MSPS），请确认后修改
fs = 46242  # 这里务必替换为正确的实际采样率！
niveau_fsk = 2
symbol_duration = 1 / 19608.5  # 符号周期=1/符号速率，确认符号速率是否正确

filename = filedialog.askopenfilename(title="Selection d'un fichier IQ")
# 读取int16格式的IQ数据，转换为complex64
signal = np.fromfile(filename, dtype=np.int16).astype(np.float32).view(np.complex64)
# 归一化IQ信号到[-1, 1]区间，避免数值范围问题
signal = signal / 32767.0

# 估计FSK频率
freqs = estimate_frequencies(signal, fs, niveau_fsk)
print("Fréquences estimées :", freqs)

# 解调FSK信号
decoded_bits = demodulate_fsk(signal, fs, freqs, symbol_duration)
print(decoded_bits)

调试建议 #

1. 验证采样率：先确认fs的正确值，这是所有计算的基础，采样率错误后续优化都无意义。
2. 可视化频谱：在estimate_frequencies函数末尾添加绘图代码，看看检测到的峰值是否是真实的FSK频率：

   plt.plot(half_freqs, spectrum_amp)
   plt.scatter(estimated_freqs, spectrum_amp[np.where(np.in1d(half_freqs, estimated_freqs))], color='red', s=100)
   plt.xlabel("Frequency (Hz)")
   plt.ylabel("Amplitude")
   plt.show()
   

3. 查看瞬时频率：在解调函数里绘制平滑后的瞬时频率，确认没有异常跳变：

   plt.plot(instantaneous_frequency_smoothed)
   plt.xlabel("Sample Index")
   plt.ylabel("Instantaneous Frequency (Hz)")
   plt.show()
   

备注：内容来源于stack exchange，提问作者Bast38