CN115102643A - 噪声基底跟踪方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了噪声基底跟踪方法、装置、设备及存储介质，该方法包括：S100：获取宽带信号的功率谱，通过迭代形态学滤波将宽带信号的噪声基底状态初始化，得到各频点已经收敛的噪声基底；S200：对初始化后的噪声基底进行预测更新；S300：对噪声基底观测值进行高斯平滑处理；S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除；S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整；S600：对观测值噪声方差调整后的噪声基底滤波更新；S700：重复执行步骤S200‑S600对噪声基底实时跟踪。本发明实现了对噪声基底的实时跟踪。

Description

噪声基底跟踪方法、装置、设备及存储介质

技术领域

本发明属于信号处理技术领域，尤其涉及噪声基底跟踪方法、装置、设备及存储介质。

背景技术

宽带信号检测是指从频率和时间两个维度检测截获信号的过程。在非合作通信中，信号的截获一般基于频谱或功率谱，即通过比较目标频点功率与门限值的大小来发现带内信号。信号检测门限值一般需要根据频谱或功率谱中的噪声基底大小设置，而实际中外界环境和系统硬件等各种因素会导致接收机输出有色噪声，体现在频谱上就是噪声功率在不同频点上的分布不均，即不平坦的噪声基底。噪声基底的起伏经常能够达到5dB以上，会严重干扰弱信号的检测，因此，噪声基底估计是宽带信号检测中的关键步骤。

基于形态学的非线性滤波是噪声基底估计和信号检测中的常用方法，形态学开运算能够滤除波峰，闭运算能够滤除波谷，一般通过开运算实现噪声基底的估计。结构元素形状及其大小的确定是决定形态学滤波和噪声基底估计效果的关键。在宽带盲信号检测中，由于带内信号的带宽大小及其变化范围未知，因此往往需要基于形态学运算对噪声基底进行迭代估计，在完成所有信号和干扰的滤除后得到噪声基底估计。传统的基于迭代形态学运算的噪声基底估计方法有如下缺点：

1.计算效率低，形态学滤波和迭代运算导致算法非常耗时，实时性难以保证。

2.时间维度连续性差，上述方法是基于单帧频谱的静态估计，没有考虑各频点噪声基底在时间维度的相关性，因此相同频点在不同时间点上的噪声基底估计会产生突变，容易导致检测信号在时间维度的错误断开。

3.分辨率差，在迭代运算中为了滤除较宽的信号会逐步增加结构元素的大小，从而导致噪声基底的细节部分被滤除，分辨率降低，估计结果在频率维度不够平滑。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了一种噪声基底跟踪方法、装置、设备及存储介质,利用迭代形态学运算对初始时刻噪声基底进行静态估计，实现噪声基底的初始化；然后基于卡尔曼滤波，按照一阶高斯-马尔科夫过程建立各频点噪声基底的状态空间模型，进行系统状态和方差矩阵的一步预测；最后将功率谱作为观测值，经过高斯平滑、粗差探测和剔除、观测噪声方差膨胀之后进行量测更新，从而实现对噪声基底的实时跟踪。

本发明目的通过下述技术方案来实现：

一种噪声基底跟踪方法，所述方法包括：

S100：获取宽带信号的功率谱，通过迭代形态学滤波将所述宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底；

S200：对初始化后的噪声基底进行预测更新；

S300：对噪声基底观测值进行高斯平滑处理；

S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除；

S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整；

S600：对观测值噪声方差调整后的噪声基底滤波更新；

S700：重复执行步骤S200-S600对噪声基底实时跟踪。

进一步的，所述通过迭代形态学滤波将所述宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底具体包括：

定义k时刻的N点功率谱估计为Z_k＝[z_1,k,z_2,k,…z_N,k]^T，定义X_k＝[x_1,k,x_2,k,…x_N,k]^T为k时刻系统状态向量，其中z_i,k(i＝1,2,…,N)表示k时刻第i个频点功率，x_i,k(i＝1,2,…,N)表示k时刻第i个频点的噪声基底；

用

表示零时刻第m次迭代后得到的噪声基底估计，则有

形态学滤波的过程可以表示为：

其中，K表示长度为L的形态学结构元素，

表示开运算；

相邻两次迭代系统状态的差异为

当满足

时，各频点的噪声基底估计都已经收敛，迭代停止，初始化系统状态X₀完成，其中，th表示固定门限。

进一步的，所述对初始化后的噪声基底进行预测更新具体包括：

利用一阶高斯-马尔科夫模型对噪声基底的时变特性进行描述，可以得到卡尔曼滤波的预测模型表示为：

X_k＝Φ_k,k-1X_k-1+w_k

其中，w表示过程白噪声序列，Δt表示离散化采样间隔，即两帧功率谱估计之间的时间间隔，T表示高斯-马尔科夫过程中的相关时间，I_N为N阶方阵，P,Q分别表示系统状态协方差矩阵和过程噪声协方差矩阵；

预测更新过程包括：

进一步的，所述对噪声基底观测值进行高斯平滑处理具体包括：

使用高斯滤波器从频率维度对噪声基底观测值进行平滑：

其中，

表示卷积运算，g为高斯平滑滤波器系数，可以通过如下一维高斯函数按照一定滤波器长度截断得到：

进一步的，所述对观测值平滑处理后的噪声基底进行粗差探测和剔除具体包括：

系统的观测模型表示为：

Z_k＝H_kX_k+n_k；

其中R表示观测噪声协方差矩阵，H表示观测方程系数矩阵，其中元素h_i,k代表了k时刻在频点i噪声基底观测值的可用性，即：

其中v_i,k+1表k时刻在频点i的新息，新息序列为：

通过新息序列探测粗差，从而将噪声基底观测误差较大的频点去掉。

进一步的，所述引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整具体包括：

引入渐消因子λ>1，将各频点的观测噪声方差调整为：

其中f_i,k表示在当前时刻为k时，频点i的新息v_i,k+1连续为正或者连续为负的次数。

进一步的，所述对观测值噪声方差调整后的噪声基底滤波更新具体包括：

根据下式计算k时刻的卡尔曼增益：

然后求得k时刻对于系统状态预测X_k,k-1的修正量dX_k＝G_kV_k，最终k时刻的状态估计为：

X_k,k＝X_k,k-1+dX_k；

完成系统状态的更新后，还需要对预测得到的方差矩阵进行更新：

P_k,k＝(I_N-G_kH_k)P_k,k-1；

输出当前时刻的噪声基底估计X_k,k。

另一方面，本发明还提供了一种噪声基底跟踪装置，所述装置包括：

状态初始化模块，用于执行步骤S100：获取宽带信号的功率谱，通过迭代形态学滤波将所述宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底；

预测更新模块，用于执行步骤S200：对初始化后的噪声基底进行预测更新；

观测值平滑模块，用于执行步骤S300：对噪声基底观测值进行高斯平滑处理；

粗差探测模块，用于执行步骤S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除；

观测值方差调整模块，用于执行步骤S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整；

滤波更新模块，用于执行步骤S600：对观测值噪声方差调整后的噪声基底滤波更新；

实时跟踪模块，用于执行步骤S700：重复执行步骤S200-S600对噪声基底实时跟踪。

另一方面，本发明还提供了一种计算机设备，计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述的任意一种噪声基底跟踪方法。

另一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述的任意一种噪声基底跟踪方法。

本发明的有益效果在于：

(1)本发明除初始化阶段以外无需进行迭代形态学运算，本发明中的线性滤波跟踪方法相比传统形态学方法能够显著提高计算效率，更有利于实时系统中的应用。

(2)本发明实现了时间-频率两个维度的连续估计。时间维度通过预测模型建立了相邻时刻对应频点噪声基底状态的相关性，频率维度通过高斯滤波实现了对观测值的平滑，最后得到了在时频两个维度上都连续平滑的噪声基底估计，解决了传统方法在时间上不连续和易突变的问题。

(3)本发明实现了噪声基底估计分辨率的提高。传统形态学运算在频率维度有明显的分辨率限制。实时跟踪的方法相比传统方法能更多更有效地利用观测值信息，得到的噪声基底估计分辨率相比传统方法有明显提高。

附图说明

图1是本发明实施例提供的噪声基底跟踪方法流程框图；

图2是本发明实施例提供的噪声基底跟踪方法流程示意图；

图3是本发明实施例提供的噪声基底跟踪装置结构框图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

传统的基于迭代形态学运算的噪声基底估计方法有如下缺点：

1.计算效率低，形态学滤波和迭代运算导致算法非常耗时，实时性难以保证。

2.时间维度连续性差，上述方法是基于单帧频谱的静态估计，没有考虑各频点噪声基底在时间维度的相关性，因此相同频点在不同时间点上的噪声基底估计会产生突变，容易导致检测信号在时间维度的错误断开。

3.分辨率差，在迭代运算中为了滤除较宽的信号会逐步增加结构元素的大小，从而导致噪声基底的细节部分被滤除，分辨率降低，估计结果在频率维度不够平滑。

为了解决上述技术问题了，提出了本发明噪声基底跟踪方法、装置、设备及存储介质的下述各个实施例。

实施例1

参照图1和图2，如图1所示是本实施例提供的噪声基底跟踪方法流程框图，如图2所示是本实施例提供的噪声基底跟踪方法流程示意图。

本实施例提供的噪声基底跟踪方法具体包括以下步骤：

S100：获取宽带信号的功率谱，通过迭代形态学滤波将宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底。

定义k时刻的N点功率谱估计为Z_k＝[z_1,k,z_2,k,…z_N,k]^T，定义X_k＝[x_1,k,x_2,k,…x_N,k]^T为k时刻系统状态向量，其中z_i,k(i＝1,2,…,N)表示k时刻第i个频点功率，x_i,k(i＝1,2,…,N)表示k时刻第i个频点的噪声基底；

用

表示零时刻第m次迭代后得到的噪声基底估计，则有

形态学滤波的过程可以表示为：

其中，K表示长度为L的形态学结构元素，

表示开运算，可以基于简单的最小值滤波和最大值滤波级联实现。相邻两次迭代系统状态的差异为

当满足

时(th表示固定门限)，则认为各频点的噪声基底估计都已经收敛，迭代停止，初始化系统状态X₀完成，进入步骤S200，否则继续执行本步骤中的迭代形态学运算。

S200：对初始化后的噪声基底进行预测更新。

具体地，利用一阶高斯-马尔科夫模型对噪声基底的时变特性进行描述，可以得到卡尔曼滤波的预测模型表示为：

X_k＝Φ_k,k-1X_k-1+w_k；

其中：

w表示过程白噪声序列，Δt表示离散化采样间隔，即两帧功率谱估计之间的时间间隔，T表示高斯-马尔科夫过程中的相关时间，I_N为N阶方阵，P,Q分别表示系统状态协方差矩阵和过程噪声协方差矩阵，这里均为N维对角矩阵。于是可以进行预测更新过程：

随着时间增加，当前时刻系统状态与历史时刻系统状态相关性呈自然指数递减，在没有外部观测值加入之前系统状态的方差或其不确定性会不断增加，完成预测更新后进入步骤S300。

S300：对噪声基底观测值进行高斯平滑处理。

具体地，受到白噪声成分的影响，功率谱中噪声频点的功率估计波动比较明显，在频率维度进行平滑相当于低通滤波，可以把高频抖动的白噪声影响滤除，保留频率维度缓变的色噪声基底，从而提高噪声基底观测值的精度。这里使用高斯滤波器从频率维度对噪声基底观测值进行平滑：

其中，

表示卷积运算，g为高斯平滑滤波器系数，可以通过如下一维高斯函数按照一定滤波器长度截断得到：

平滑之后的观测值Z就可以作为下一步粗差探测的输入。

S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除。

具体地，此步骤主要是为了将平滑之后的功率谱中存在信号占用或异常干扰的频点剔除，进而得到可靠的噪声基底观测。系统的观测模型可以表示为：

Z_k＝H_kX_k+n_k；

其中

其中R表示观测噪声协方差矩阵，H表示观测方程系数矩阵，其中元素h_i,k代表了k时刻在频点i噪声基底观测值的可用性，即：

其中v_i,k+1表k时刻在频点i的新息，新息序列为：

通过新息序列探测粗差，从而将噪声基底观测误差较大的频点去掉，最终通过观测方程系数矩阵反应观测值的可用性。完成粗差的探测和剔除后进入步骤S500进行观测方差设置。

S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整。

具体地，通过新息抗差的方法能够将大多数明显的粗差滤除，而当观测值频点存在功率小于门限的弱信号干扰时，仍然可能会引入错误观测，进而导致系统状态估计发散。这里引入渐消因子λ>1，将各频点的观测噪声方差调整为：

其中f_i,k表示在当前时刻为k时，频点i的新息v_i,k+1连续为正或者连续为负的次数。随着新息符号相同的次数变大，观测噪声方差会相应膨胀，这时在滤波更新中对于观测值的权重也会降低，从而有效控制噪声基底跟踪过程中的系统状态发散。完成观测值方差调整后进入步骤S600进行滤波更新。

S600：对观测值噪声方差调整后的噪声基底滤波更新。

具体地，在步骤S300～S500完成了在任一非零时刻系统观测模型的构建，然后就可以进行滤波更新，首先根据下式计算k时刻的卡尔曼增益：

然后求得k时刻对于系统状态预测X_k,k-1的修正量dX_k＝G_kV_k，最终k时刻的状态估计为：

X_k,k＝X_k,k-1+dX_k；

完成系统状态的更新后，还需要对预测得到的方差矩阵进行更新：

P_k,k＝(I_N-G_kH_k)P_k,k-1；

至此完成了一次完整的滤波更新，输出当前时刻的噪声基底估计X_k,k。

S700：重复执行步骤S200-S600对噪声基底实时跟踪。跳转至步骤S200进行下一时刻的预测更新，如此往复迭代，就完成了对噪声基底的实时跟踪。

本实施例提供的噪声基底跟踪方法除初始化阶段以外无需进行迭代形态学运算，本方法中采用的线性滤波跟踪方法相比传统形态学方法能够显著提高计算效率，更有利于实时系统中的应用。该方法实现了时间-频率两个维度的连续估计。时间维度通过预测模型建立了相邻时刻对应频点噪声基底状态的相关性，频率维度通过高斯滤波实现了对观测值的平滑，最后得到了在时频两个维度上都连续平滑的噪声基底估计，解决了传统方法在时间上不连续和易突变的问题。该方法实现了噪声基底估计分辨率的提高。传统形态学运算在频率维度有明显的分辨率限制。实时跟踪的方法相比传统方法能更多更有效地利用观测值信息，得到的噪声基底估计分辨率相比传统方法有明显提高。

实施例2

参照图3，如图3所示是本实施例提供的噪声基底跟踪装置结构框图，该装置具体包括：

状态初始化模块，用于执行前述实施例中步骤S100：获取宽带信号的功率谱，通过迭代形态学滤波将宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底。

预测更新模块，用于执行前述实施例中步骤S200：对初始化后的噪声基底进行预测更新。

观测值平滑模块，用于执行前述实施例中步骤S300：对噪声基底观测值进行高斯平滑处理。

粗差探测模块，用于执行前述实施例中步骤S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除。

观测值方差调整模块，用于执行前述实施例中步骤S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整。

滤波更新模块，用于执行前述实施例中步骤S600：对观测值噪声方差调整后的噪声基底滤波更新。

实时跟踪模块，用于执行前述实施例中步骤S700：重复执行步骤S200-S600对噪声基底实时跟踪。

本实施例提供的噪声基底跟踪装置除初始化阶段以外无需进行迭代形态学运算，该装置中采用的线性滤波跟踪方法相比传统形态学方法能够显著提高计算效率，更有利于实时系统中的应用。该装置实现了时间-频率两个维度的连续估计。时间维度通过预测模型建立了相邻时刻对应频点噪声基底状态的相关性，频率维度通过高斯滤波实现了对观测值的平滑，最后得到了在时频两个维度上都连续平滑的噪声基底估计，解决了传统方法在时间上不连续和易突变的问题。该装置实现了噪声基底估计分辨率的提高。传统形态学运算在频率维度有明显的分辨率限制。实时跟踪的方法相比传统方法能更多更有效地利用观测值信息，得到的噪声基底估计分辨率相比传统方法有明显提高。

实施例3

本优选实施例提供了一种计算机设备，该计算机设备可以实现本申请实施例所提供的噪声基底跟踪方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的噪声基底跟踪方法的有益效果，详见前面的实施例，在此不再赘述。

实施例4

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的噪声基底跟踪方法中任一实施例的步骤。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一噪声基底跟踪方法实施例中的步骤，因此，可以实现本发明实施例所提供的任一噪声基底跟踪方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种噪声基底跟踪方法，其特征在于，所述方法包括：

S100：获取宽带信号的功率谱，通过迭代形态学滤波将所述宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底；

S200：对初始化后的噪声基底进行预测更新；

S300：对噪声基底观测值进行高斯平滑处理；

S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除；

S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整；

S600：对观测值噪声方差调整后的噪声基底滤波更新；

S700：重复执行步骤S200-S600对噪声基底实时跟踪。

2.如权利要求1所述的噪声基底跟踪方法，其特征在于，所述通过迭代形态学滤波将所述宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底具体包括：

定义k时刻的N点功率谱估计为Z_k＝[z_1,k,z_2,k,…z_N,k]^T，定义X_k＝[x_1,k,x_2,k,…x_N,k]^T为k时刻系统状态向量，其中z_i,k(i＝1,2,…,N)表示k时刻第i个频点功率，x_i,k(i＝1,2,…,N)表示k时刻第i个频点的噪声基底；

用

表示零时刻第m次迭代后得到的噪声基底估计，则有

形态学滤波的过程可以表示为：

其中，K表示长度为L的形态学结构元素，

表示开运算；

相邻两次迭代系统状态的差异为

当满足

时，各频点的噪声基底估计都已经收敛，迭代停止，初始化系统状态X₀完成，其中，th表示固定门限。

3.如权利要求1所述的噪声基底跟踪方法，其特征在于，所述对初始化后的噪声基底进行预测更新具体包括：

利用一阶高斯-马尔科夫模型对噪声基底的时变特性进行描述，可以得到卡尔曼滤波的预测模型表示为：

X_k＝Φ_k,k-1X_k-1+w_k

其中，w表示过程白噪声序列，Δt表示离散化采样间隔，即两帧功率谱估计之间的时间间隔，T表示高斯-马尔科夫过程中的相关时间，I_N为N阶方阵，P,Q分别表示系统状态协方差矩阵和过程噪声协方差矩阵；

预测更新过程包括：

4.如权利要求1所述的噪声基底跟踪方法，其特征在于，所述对噪声基底观测值进行高斯平滑处理具体包括：

使用高斯滤波器从频率维度对噪声基底观测值进行平滑：

其中，

表示卷积运算，g为高斯平滑滤波器系数，可以通过如下一维高斯函数按照一定滤波器长度截断得到：

5.如权利要求1所述的噪声基底跟踪方法，其特征在于，所述对平滑处理后的噪声基底观测值进行粗差探测和剔除具体包括：

系统的观测模型表示为：

Z_k＝H_kX_k+n_k；

其中R表示观测噪声协方差矩阵，H表示观测方程系数矩阵，其中元素h_i,k代表了k时刻在频点i噪声基底观测值的可用性，即：

其中v_i,k+1表k时刻在频点i的新息，新息序列为：

V_k＝Z_k-X_k,k-1

＝[v_1,k,v_2,k,…v_N,k]^T；

通过新息序列探测粗差，从而将噪声基底观测误差较大的频点去掉。

6.如权利要求1所述的噪声基底跟踪方法，其特征在于，所述引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整具体包括：

引入渐消因子λ>1，将各频点的观测噪声方差调整为：

其中f_i,k表示在当前时刻为k时，频点i的新息v_i,k+1连续为正或者连续为负的次数。

7.如权利要求1所述的噪声基底跟踪方法，其特征在于，所述对观测值噪声方差调整后的噪声基底滤波更新具体包括：

根据下式计算k时刻的卡尔曼增益：

然后求得k时刻对于系统状态预测X_k,k-1的修正量dX_k＝G_kV_k，最终k时刻的状态估计为：

X_k,k＝X_k,k-1+dX_k；

完成系统状态的更新后，还需要对预测得到的方差矩阵进行更新：

P_k,k＝(I_N-G_kH_k)P_k,k-1；

输出当前时刻的噪声基底估计X_k,k。

8.一种噪声基底跟踪装置，其特征在于，所述装置包括：

状态初始化模块，用于执行步骤S100：获取宽带信号的功率谱，通过迭代形态学滤波将所述宽带信号的噪声基底状态初始化，得到各频点都已经收敛的噪声基底；

预测更新模块，用于执行步骤S200：对初始化后的噪声基底进行预测更新；

观测值平滑模块，用于执行步骤S300：对噪声基底观测值进行高斯平滑处理；

粗差探测模块，用于执行步骤S400：对平滑处理后的噪声基底观测值进行粗差探测和剔除；

观测值方差调整模块，用于执行步骤S500：引入渐消因子对粗差探测和剔除后的噪声基底各频点观测值噪声方差进行调整；

滤波更新模块，用于执行步骤S600：对观测值噪声方差调整后的噪声基底滤波更新；

实时跟踪模块，用于执行步骤S700：重复执行步骤S200-S600对噪声基底实时跟踪。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1-7任一项所述的噪声基底跟踪方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1-7任一项所述的噪声基底跟踪方法。

Images