第四章 微弱信号检测技术
《微弱信号检测》课件
实验结果的评估与验证
评估指标
根据实验目的确定评估指标，如信噪比 、检测限等。
VS
验证方法
采用对比实验、重复实验等方法对实验结 果进行验证，确保结果的可靠性和准确性 。
CHAPTER 05
微弱信号检测的未来发展
新技术的应用与探索
人工智能与机器学习
01
利用人工智能和机器学习技术，对微弱信号进行自动识别、分
微弱信号的特点包括幅度小、信噪比 低、不易被察觉等。由于其容易被噪 声淹没，因此需要采用特殊的检测技 术才能提取出有用的信息。
微弱信号检测的重要性
总结词
微弱信号检测在科学研究、工程应用和日常生活中具有重要意义。
详细描述
在科学研究领域，微弱信号检测是研究物质性质、揭示自然规律的重要手段。在工程应用中，微弱信号检测可用 于故障诊断、产品质量控制等方面。在日常生活中，微弱信号检测的应用也非常广泛，如医疗诊断、环境保护等 。
智能制造
将微弱信号检测技术应用于智能 制造领域，实现设备故障预警、 产品质量控制等。
THANKS
[ 感谢观看 ]
研究新的信号处理算法，提高微弱信号的提取、处理 和辨识能力。
集成化与微型化
实现微弱信号检测设备的集成化和微型化，便于携带 和应用。
微弱信号检测与其他领域的交叉融合
生物医学工程
将微弱信号检测技术应用于生物 医学工程领域，如生理信号监测 、医学影像处理等。
环境监测
将微弱信号检测技术应用于环境 监测领域，实现对噪声、振动、 磁场等的微弱变化进行检测和分 析。
小波变换法
总结词
多尺度分析、自适应能力强
详细描述
小波变换法是一种时频分析方法，能够将信号在不同尺度上进行分解，从而在不同尺度 上检测微弱信号的存在和特性。这种方法自适应能力强，能够适应不同特性的微弱信号
微弱信号检测技术第四讲锁定放大技术
现监频监相。
• 2、 x(t)为正弦波，r(t)为方波
x(t)=Vscos(w0t+q)
r(t)
4Vr
(1)n1
n1 2n 1
cos[(2n
1)w0t]
• PSD输出为：
u p (t)
2VsVr
n1
(1)n1 2n 1
cos[(2n
为q＋ 90°
• 正交矢量型锁定放大器的同相输出：
I Vs cosq
• 正交输出：
Q Vs sin q
• 被测信号的幅度和相位：
Vs I 2 Q2
q arctan(Q / I )
4.3.3 外差式锁定放大器
• 利用频率变换器将输入信号的频率变换到 一个固定频率上，然后进行带通滤波和相 敏检测，以便带通滤波器和相敏检测器的 最佳设计，以及避免带通滤波器的调节。
• 信号通道：交流放大输入信号，以满足推 动PSD；滤除带外噪声和干扰； 与信号源进行噪声匹配。
• 参考通道：调理参考信号和调整相位。
• 相敏检测器：对输入信号和参考信号完成乘 法运算，得到二者的和频与差频 的谐波信号。
• 低通滤波器：滤掉高次谐波和高频信号成 分，提取深埋在噪声中的微弱信号。
4.2 相敏检测
• x(t)与r(t)相乘，结果为： up(t)=x(t). r(t)
= 0.5Vscosq Vscos(2w0t+q) +0.5Vncos[(wn+w0) t+a] +0.5Vncos[(wn-w0) t+a]
• 4、 x(t)和r(t)均为方波
微弱信号检测技术及应用探索
微弱信号检测技术及应用探索近年来，随着科技的快速发展，微弱信号检测技术也日益得到了增强和进展。
微弱信号，指的是弱化了的信号，常常被淹没在背景信号中，很难被自然或人造干扰所区分。
而微弱信号检测技术，就是在复杂噪声环境下，针对微弱信号进行捕捉、识别和分析的技术手段。
一、微弱信号检测的背景和意义微弱信号在现代科技发展中有着广泛的应用，尤其是在医学、生物医学、环境监测、地球物理学等领域，它的检测和识别对于我们的生产和生活具有重要意义。
比如在医学影像领域，微弱信号技术能够实时高效地检测病灶区域，准确地定位和分析疾病发生的原因。
在地球物理勘探领域，微弱信号技术还可用于寻找石油、天然气等资源，为我们的能源生产提供帮助。
二、微弱信号检测技术的发展微弱信号检测技术的发展经历了从传统模拟电路到数字信号处理再到人工智能等多个阶段。
当前主流的微弱信号检测技术主要有以下几种:1. 模拟电路技术传统的微弱信号检测技术采用的是模拟电路技术。
传统电路技术需要设计和实现一个高度复杂的电路系统来降低噪音，提高信噪比。
然而，传统电路技术的设计成本高，制造过程繁琐，适用范围小，很难适应现代复杂环境下的微弱信号检测需求。
2. 数字信号处理技术随着数字技术的发展，数字信号处理技术在微弱信号检测中得到广泛应用。
数字信号处理技术将微弱信号转化为数字信号，并采用精确的算法进行分析和处理。
数字信号处理技术具有高精度、高可靠性、易扩展等优点，适用于广泛的微弱信号检测领域。
3. 人工智能技术最近，人工智能技术在微弱信号检测中的应用也受到了广泛关注。
人工智能技术通过建立模型和学习算法来处理微弱信号，可以更快速地识别微弱信号，并将其应用于预测和诊断等领域。
人工智能技术在微弱信号检测中具有极高的灵敏度和高度可靠性，其应用前景十分广泛。
三、微弱信号检测技术的挑战微弱信号检测技术在应用过程中还面临着许多挑战。
比如，微弱信号的信号噪比较低，往往需要采取合适的信号预处理技术和降噪技术。
“微弱信号检测技术”仿真报告
“微弱信号检测技术”仿真实验报告一、同步积分器电路
用EWB进行仿真的实验电路图
仿真后的波形
用f1表示参考频率，f2表示输入频率。
令f1=1kHz
1.输入频率与参考频率相同，即f2=f1=1kHz。
2.输入频率为参考频率的偶次谐波，令f2=4f1=4kHz。
3.输入频率为参考频率的奇次谐波，令f2=5f1=5kHz。
4.输入频率偏离参考频率一个小量，令f2=1.005kHz。
二、相关器电路
用EWB进行仿真的实验电路图
仿真后的波形
1.输入频率与参考频率相同，即f2=f1=1kHz。
2.输入频率为参考频率的偶次谐波，令f2=4f1=4kHz。
3.输入频率为参考频率的奇次谐波，令f2=7f1=7kHz。
4.输入频率偏离参考频率一个小量，令f2=1.005kHz。
“微弱信号检测技术”仿真实验报告。
《微弱信号检测》教学大纲
《微弱信号检测技术与应用》教学大纲课程名称：微弱信号检测技术与应用 Weak Signal Detection Technology and application 课程编码：036002学分：3分总学时：48学时理论学时：40学时实验学时：8学时适应专业：测控技术与仪器本科专业先修课程：电路分析基础、数字电子技术、模拟电子技术、单片机与嵌入式系统执笔人：孙士平审订人：熊晓东一、课程的性质、目的与任务本课程从应用角度出发介绍微弱信号检测的理论、方法和仪器，是测控技术与仪器本科专业的选修课。
本课程使学生了解微弱信号检测技术的发展历程、发展方向和微弱信号检测技术的运用领域，使学生理解微弱信号检测仪器的工作原理，使学生掌握微弱信号及其相关的基本概念以及微弱信号检测的一般方法。
二、教学内容、基本要求与学时分配第一章绪论主要内容：1、噪声、干扰与微弱信号的概念2、微弱信号检测的意义、发展历程和发展方向3、微弱信号检测的基本方法基本要求：了解微弱信号检测技术的发展历程和发展方向理解噪声、干扰与微弱信号的基本概念初步掌握微弱信号检测的基本方法学时分配： 4学时第二章噪声、低噪声前置放大和屏蔽接地技术主要内容：1、噪声概述⑴与噪声相关的的几个基本概念噪声与干扰噪声的统计特性随机噪声的功率谱密度及相关函数放大器或线性网络的噪声带宽信噪比、信噪改善比与噪声系数⑵电子元器件的噪声2、低噪声前置放大技术⑴低噪声前置放大器的等效噪声模型⑵低噪声前置放大器的设计3、微弱信号检测系统的屏蔽与接地技术基本要求：了解电子元器件噪声的产生机理；了解低噪声前置放大器的设计方法；了解系统的屏蔽与接地技术。
理解与噪声相关的几个基本概念。
掌握低噪声前置放大器的等效噪声模型。
学时分配： 4 学时第三章周期性微弱信号检测方法主要内容：1、同步积分器2、门积分器3、旋转电容滤波器4、相关器5、数字式相关器6、数字式信号平均器基本要求：了解同步积分器、门积分器、旋转电容滤波器、模拟相关器的数学推导方法。
微弱信号的检测方法
微弱信号的检测方法微弱信号的检测是指在噪声背景下，检测和提取出非常弱的信号。
这是许多领域中重要的问题，如无线通信、雷达、天文学和生物医学等。
由于微弱信号可能与噪声相似，因此检测方法需要对噪声进行有效的抑制，并提高信号的可观测性。
本文将介绍一些常用的微弱信号检测方法，并对其原理和应用进行详细讨论。
一、相关检测方法相关检测方法是一种常见的微弱信号检测方法。
它基于信号和噪声之间的相关性，通过计算信号与预先定义的模板之间的相关度来判断是否存在微弱信号。
相关检测方法的主要步骤包括预处理、相关运算和判决。
预处理阶段通常包括滤波、降噪和增强信号质量等操作，以提高信号的可观测性。
相关运算阶段使用相关函数来衡量信号和模板之间的相似度。
最后，在判决阶段根据相关度的阈值来判断是否存在微弱信号。
二、统计检测方法统计检测方法是基于概率统计理论的一种微弱信号检测方法。
根据噪声和信号的统计特性，通过建立适当的统计模型来描述信号和噪声之间的差异，并利用统计推断方法进行信号检测。
常用的统计检测方法包括最大似然检测、Neyman-Pearson检测和贝叶斯检测等。
最大似然检测通过计算信号和噪声模型的似然函数来估计信号存在的概率。
Neyman-Pearson检测通过设置假设和备择假设来最小化错误检测概率。
贝叶斯检测方法则利用贝叶斯公式，结合先验概率和后验概率来判断信号是否存在。
三、小波变换方法小波变换是一种多尺度分析方法，可以将信号分解成不同频率的子信号。
因此，它在微弱信号检测中具有广泛的应用。
通过对信号进行小波变换，可以将微弱信号从噪声中分离出来。
小波变换方法包括连续小波变换和离散小波变换。
连续小波变换是通过对信号应用一组连续小波基函数来分析信号的频谱特性。
离散小波变换则是对信号进行离散化处理，以在有限的时间和频率分辨率下进行分析。
小波变换方法具有时频局部化的性质，能够有效地检测和提取微弱信号。
四、自适应滤波方法自适应滤波是一种广泛应用于微弱信号检测的方法。
微弱信号检测技术概述
1213225王聪微弱信号检测技术概述在自然现象和规律的科学研究和工程实践中, 经常会遇到需要检测毫微伏量级信号的问题, 比如测定地震的波形和波速、比如测定地震的波形和波速、材料分析时测量荧光光强、材料分析时测量荧光光强、材料分析时测量荧光光强、卫星信号的接收、卫星信号的接收、红外探测以及电信号测量等, 这些问题都归结为噪声中微弱信号的检测。
在物理、化学、生物医学、遥感和材料学等领域有广泛应用。
材料学等领域有广泛应用。
微弱信号检测技术是采用电子学、微弱信号检测技术是采用电子学、微弱信号检测技术是采用电子学、信息论、信息论、计算机和物理学的方法, 分析噪声产生的原因和规律, 研究被测信号的特点和相关性, 检测被噪声淹没的微弱有用信号。
微弱信号检测的宗旨是研究如何从强噪声中提取有用信号, 任务是研究微弱信号检测的理论、探索新方法和新技术, 从而将其应用于各个学科领域当中。
微弱信号检测的不同方法( 1) 生物芯片扫描微弱信号检测方法微弱信号检测是生物芯片扫描仪的重要组成部分, 也是生物芯片技术前进过程中面临的主要困难之一, 特别是在高精度快速扫描中, 其检测灵敏度及响应速度对整个扫描仪的性能将产生重大影响。
随着生物芯片制造技术的蓬勃发展, 与之相应的信号检测方法也迅速发展起来。
根据生物芯片相对激光器及探测器是否移动来对生物芯片进行扫读, 有扫描检测和固定检测之分。
扫描检测法是将激光器及共聚焦显微镜固定, 生物芯片置于承片台上并随着承片台在X 方向正反线扫描和r 方向步进向前运动, 通过光电倍增管检测激发荧光并收集数据对芯片进行分析。
激光共聚焦生物芯片扫描仪就是这种检测方法的典型应用, 这种检测方法灵敏度高, 缺点是扫描时间较长。
固定检测法是将激光器及探测器固定, 激光束从生物芯片侧向照射, 以此解决固定检测系统的荧光激发问题, 激发所有电泳荧光染料通道, 由CCD 捕获荧光信号并成像, 从而完成对生物芯片的扫读。
演示课件微弱信号检测.ppt
精选文档
25
4.3.2 相关检测原理
精选文档
26
一. 引言
为了将被噪声所淹没的信号检测出来，人们研 究各种信号及噪声的规律，发现信号与信号的 延时相乘后累加的结果可以区别于信号与噪声 的延时相乘后累加的结果，从而提出了“相关” 的概念。
由于相关的概念涉及信号的能量及功率，因此 先给出功率信号和能量信号的相关函数。
R( ) f (t) f (t )d t f (t ) f (t)d t
R( ) R( )τ的偶函数
精选文档
29
(2) f1(t)与f2(t)为复函数:
互相关函数：
R12( )
f1 (t )
f
* 2
(t
)dt
f1(t
)
f
* 2
(t
)
d
t
R21( )
f1* (t
)
等效噪声带宽 频率表示
14
时间常数相同的RC网络等效噪声带宽比3dB带宽要宽： 对于一阶低通滤波器， fn 1 4RC
f 1 2RC 2 对于二阶低通滤波器，～1.22 对于三阶低通滤波器，～1.15
对于四阶低通滤波器，～1.13
对于五阶低通滤波器，～1.11
滤波器的阶次越高，Δfn和Δf的比值越来越接近于1，其幅频响
f2(t)d t
f1* (t )
f2(t
)d t
自相关函数：
R( ) f (t) f *(t )d t f (t ) f (t)* d t
4.3 微弱信号检测
4.3.0 概述 4.3.1 信噪比改善（SNIR） 4.3.2 相关检测原理 4.3.3 锁定放大器 4.3.4 取样积分器
精选文档
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第四章 微弱信号检测技术4.1 被动信号检测被动检测是一种常用的检测系统，它已广泛应用于水下引信信号检测及其它工业领域。
在被动信号检测中，常用的时域检测方法有以下几种：①宽带检测、②相干检测、③频率随机分布正弦信号的检测技术、④时域同步平均检测与波形恢复技术、⑤相关技术等等；而在频域的检测方法主要是基于FFT 算法的谱分析技术。
4.1.1宽带检测在有些应用场合，干扰噪声和输入信号都是一有限长的限带零均值的高斯分布随机过程，在此情况下一般使用宽带检测技术。
4.1.1.1最佳宽带检测器最佳宽带检测器的结构框图如下：图4.1 在高斯噪声中检测高斯信号的最佳系统结构图 4.1中)(ωS 是信号的功率谱密度，()ωN 是干扰噪声的功率谱密度。
而2/12/12/1)]()()[()()(ωωωωωS N N S H +=表示预选滤波的频率响应。
当信号和噪声都是限带高斯分布白噪声时，信号和噪声的差别是信号和噪声的功率级不同，)(ωH 为常值，最佳检测器是一个平均功率检测器。
从理论上说无论噪声多强，信号多弱，只要他们是平稳的，且他们的方差可准确求出来，那么总可通过比较N 和N+S,发现信号。
如果过程)(t r 是各态遍历的,那么方差可通过下式计算出来。
⎰-≈=t T t r dt t r T t r E )(1)]([222σ (4.1.1)不难看出，由于截取的样本时间是滑动的，从而图 4.1可简化为平方积分系统。
由于截断T 不是无限长的，所以输出)(t Z 并不等于2r σ,而是随t 在2r σ的均值附近起伏。
对于限带白谱：起伏的存在将掩盖信号加噪声（H 1）与噪声（H 0）的差别。
所以系统的信噪比计算公式如下：)()]()([)/(202012Z Z E Z E N S σ-= (4.1.2)在各态遍历条件下，T 越长系统的最佳性越好。
当信号和噪声的功率谱不是白谱时，可利用的信息不仅有能量差异，而且还有谱形状的差异。
此时的预选滤波器的传输函数)(ωH 的幅度特性如下：2/12/12/1)]()()[()()(ωωωωωS N N S H += (4.1.3)在小输入信噪比情况下：)()()(1)()()(2/12/12/12/1ωωωωωωN S N N S H =≈ (4.1.4) 式(4.1.4)所描述的滤波器称为厄卡特滤波器。
若假设信号和噪声有相同的谱形状，则：)(1)(2/1ωωN H = (4.1.5) 上式所描述的是一个白化滤波器，信号和噪声通过后一律变成白噪声。
非白谱小信号情况下，其)(ωH 相当于一个白化滤波器和一个匹配滤波器的级联。
当信号与噪声有相同形状功率谱时，匹配网络的频率传输函数等于常数，厄卡特滤波器退化为一个白化滤波器,此时虽然不能提高系统输出端的信噪比，但却通过改善噪声谱的形状（白化）提高了系统的等效噪声谱宽。
4.1.1.2实用宽带检测器在实际应用中，由于信号和噪声的功率谱很难知道，因此预选滤波器一般没有白化和对信号进行匹配的能力，因此它对系统的输出信噪比影响很小。
在实用的宽带检测系统中，主要研究的是宽带能量检测器，对这种接收机一般以系统的输出信噪比的大小或系统处理增益作为衡量系统性能的指标。
宽带能量检测器在判决检测前都相应有一个等效积分器，为使讨论具有一般性，可将积分器理解为一个低通滤波器，积分器的传输函数记为H(w)，输入端Y 处与输出端Z 处的信噪比可按如下公式计算：)()]()([)/(20201Y Y E Y E N S Y σ-=(4.1.6) )()]()([)/(20201Z Z E Z E N S Z σ-= (4.1.7) 它们和系统参数的关系如下：y y z N S T W N S )/(2)/(= (4.1.8) 其中W y 为积分器等效谱宽；T 为积分器的等效积分时间，可表示为：ττρd W H y y 0)]([21⎰∞∞-= (4.1.9) ][12)0()(21dw T H w H ⎰∞∞-=π (4.1.10)式(4.1.9)中)(τρy 为Y(t)的归一化自相关函数，有)()()(2τρστy y y R =。
可以看出：积分器输出信噪比与积分器的等效积分时间、积分器输入噪声过程的等效谱宽和积分器输入端的输入信噪比有关。
对于理想积分器，等效积分时间就等于积分器的积分时间，也等效于被观察信号的作用时间，而对于RC 积分器的等效积分时间T=2RC 。
噪声过程Y(t)的等效噪声谱宽y W 就是其频带内的功率谱密度)(w G y 与)0(2y G 的比值。
宽带能量检测器（平方律检波器）是很难实现的，所以在实际的接收机中常用易实现的线性检波器代替它，但相应的输出信噪比有所下降。
在小输入信噪比条件下，下降只有1.1416倍(0.57dB)，显然是微不足道的，在大输入信噪比条件下，输出信噪比的损失明显增大，但在这种条件下不造成检测的困难。
4.1.2相干检测当信号为一弱周期性信号、且伴随着很强的干扰噪声时，相干检测是一种常用的信号检测方法，相干检测的原理框图如图4.2所示：图4.2 相干检测原理图其中SC 表示输入信号通道；RC 表示参考信号通道；PSD 表示相敏检波器；LPF 表示低通滤波器。
相敏检波器实际上是一个乘法器。
假设信号的角频率为0ω，噪声的角频率为ω，信号与参考信号的相位差为θ，而噪声与参考信号的相位差为α，且θαωω≠≠,0，则PSD e e r s ,,的输出可表示为：]cos[0θω+=t E e s s (4.1.11))cos(0t E e r r ω= (4.1.12)])cos[(21])cos[(21)2cos(21cos 21000αωωαωωθωθ--∙++∙++∙+∙=t E E t E E t E E E E e r n r n r s r s op (4.1.13) 当其通过LPF 时，只要LPF 的截止频率0ωωω-〈〈c （或ωω-0），则噪声分量被滤除。
其信号形式如下：θcos 21∙=r s ol E E e (4.1.14) 当输入信号的频率有ω∆的偏差时，则LPF 的输出为：)cos(21θω+∆∙=t E E e r s ol (4.1.15) 由上式可看出，当ω∆,θ同时为零时，相干检测的输出ol e 取得最大值，因此在相干信号检测过程中，参考信号通道应包括频移或延时环节，可完成从00～0180±的相移变化。
4.1.3频率随机分布正弦信号的检测技术如果信号的频率未知，则可使用扫频检测器确定被检测信号的频率，其原理框图示于图4.3：图4.3 扫频检测器原理图中压控振荡器产生线性调频振荡信号，其在某时刻的输出为：e 0=E 0cosw 0t ，当c s ωωω=-0时，差频窄带滤波器的输出为：)cos(21θω+∙=t E E e c r s ol (4.1.16)如果在噪声背景中存在角频率为s ω的正弦信号，扫频检测器做出存在正弦信号的判决。
4.1.4 时域同步平均检测技术时域同步平均方法是噪声中提取周期性信号的有效方法，是一种积累平均抗干扰检测过程，也称相干检波。
对周期为T 的信号以KT 为间隔截取M 断，然后将各段信号对应的点相加后取算术平均。
设输入X(t)为信号S(t)和噪声N(t)的合，即)()()(t N t S t X +=，则平均后的信号为M t N t S t X )()()(+=，从此式可以看出，平均之后的噪声幅度是平均前信号中噪声幅度的M 1倍，因此信噪比提高M 倍（有效值），这就是时域同步平均的M 法则。
M 次平均后获得的处理增益为：GM=10log 10M 。
显然信号时域同步平均检测把原始输入信号的功率信噪比提高了M 倍，即经过多次平均后噪声逐步被抑制，周期信号被显现出来。
4.1.5 相关技术相关是测量两个信号的相似性。
相关分析分为自相关分析和互相关分析两种，其本质是一种线性滤波，是抑制随机干扰，提高信噪比的一种方法。
相关技术在微弱信号检测技术中的主要应用是寻找隐匿于随机噪声中的规律信号。
设s(t)表示隐匿在噪声中的正弦信号，N(t)表示干扰噪声，且二者不相关，则其自相关函数如下： ⎰⎰+∙++∙=TT dt t N t N T dt t S t S T R 00)()(1)()(1)(τττ 关于相关检测的原理示于图4.4，在实际的检测系统中，)(τR 常被用来检测周期信号的周期。
)(t x 图4.4 相关检测原理 在小型近感探测系统中实现相关器具有实用价值，基本方法包括软件实现技术和硬件实现技术。
Ⅰ相关器的软件实现：对于样本长度为N 的时间序列信号x(n)，相关器可用下述公式通过编程实现：∑--=+=M N n xx m n x n x N m R 10)()(1)(ˆ 10-≤≤N mⅡ相关器的硬件实现：相关器的硬件实现如图4.5所示：图4.5 横向滤波器横向滤波器的输出为：∑+-=+=01)()(1)(ˆN n xx m n x n x N m R 。
已出现一些由大规模集成电路构成的相关器，其性能优于横向滤波器。
4.1.6 频域检测综述（增加）谱估计是信号处理的一个重要方面。
它在不同领域都有广泛应用。
当信号的时域特征和干扰背景有明显差异时，谱分析方法是检测微弱信号的有效方法。
随着大规模集成电路的飞速发展，使得小型化的谱分析器实用性越来越好。
传统的谱分析方法是以傅立叶分析为基础的，由于FFT 算法的出现，使得傅立叶分析的性能大大提高，并迅速进入工业应用领域。
传统的谱估计方法主要有自相关法和周期图法，后者是最常用的估计方法。
在用谱估计方法检测微弱信号时又细化为：功率谱估计、倒谱估计、zoomFFT 分析等。
由于短时间信号的FFT 分析的频率分辨力很低，而很多实际信号又只能在短时间内视为平稳过程，70年代后导致出现非傅氏方法的现代谱分析，并成为研究热点。
这些方法可把观测时间间隔内的数据外推到观测间隔之外，增大了有效观测时间，因此分辨率得到了很大提高。
常用的现代谱分析方法主要包括：自回归(AR)谱估计、滑动平均(MA)谱估计、自回归滑动平均(ARMA)谱估计、最大熵谱估计、极小方差谱估计等，但因它们运算量大，在小型检测系统中目前多用基于FFT 算法的谱分析技术。
由于实际检测的信号不满足高斯、平稳信号的特点、相应的分析系统很难满足线性系统、最小相位系统、因果系统，因此针对非高斯、非平稳信号，以及非线性、非因果、非最小相位系统，人们提出了现代信号处理技术的方法，并成为现代研究热点，主要包括：短时傅立叶变换分析、时频分析、小波分析、高阶统计量分析、循环平稳信号分析、Gabor 变换分析、分数阶FT&Radon-Wigner 变换分析等技术。