简介面向雷达、通信与信号处理方向的初学者及研究人员这份压缩包提供了一个基于MATLAB的LFM线性调频信号脉冲压缩研究实例围绕频谱分析、时频分析与点目标回波模拟展开解决LFM信号特性理解与脉冲压缩算法验证问题。包内为单个.m脚本大小仅1KB代码紧凑无冗余便于直接运行、逐行调试或修改参数适合课程设计、毕业设计初探以及雷达系统仿真入门。已有269人学习。脚本能够生成LFM信号并绘制其频谱梳状谱清晰可见通过时频分析可直观观察频率随时间线性上升的规律同时构造点目标回波并叠加噪声经匹配滤波实现脉冲压缩最终呈现主瓣变窄、信噪比明显提升的压缩效果。整个流程从信号生成到结果分析一脉相承为深入理解脉冲压缩原理和后续雷达信号处理开发提供了简洁可复现的实验起点。1. LFM脉冲压缩为什么线性调频信号能同时要带宽和能量在雷达和声呐系统里距离分辨率取决于信号带宽检测能力取决于信号能量。窄脉冲能提高分辨率却把平均功率压得很低把脉冲拉宽能量上去了分辨率又没了。线性调频LFM信号用频率随时间线性变化的宽脉冲让发射机在长脉冲内维持高占空比接收端通过脉冲压缩把宽脉冲重新“捏”成窄脉冲从而同时获得高能量和高分辨率。这里不讨论LFM背后的全套雷达理论而是聚焦在仿真时绕不开的四件事生成LFM、观察它的频谱、对点目标回波做压缩、以及压缩之后怎样验证参数没设错。适合刚接触脉冲压缩的工程师也适合那些已经会调用chirp函数但不太清楚为什么匹配滤波输出是sinc函数的开发者。2. LFM信号频谱从复数基带到实信号时宽带宽积决定一切2.1 LFM信号的数学定义与瞬时频率为什么是线性的LFM信号的复数基带形式一般写成s(t) A · exp(jπKt²), -T/2 ≤ t ≤ T/2其中K B/TB是调频带宽T是脉冲宽度。对相位求导得到瞬时频率 f_i(t) (1/2π) · d(πKt²)/dt Kt。瞬时频率在脉冲持续时间内从 -B/2 线性扫到 B/2这个线性关系正是时频分析能派上用场的前提信号在时频平面上表现为一条倾斜直线斜率就是K。实际系统中发射的是实信号载波f_c不参与压缩处理仿真时一般直接处理复数基带信号一方面节省采样率另一方面方便做复数相关运算。时宽带宽积 D B·T 是LFM信号最重要的数字特征。匹配滤波输出的信噪比增益理论上等于D压缩后的主瓣宽度约1/B。举个例子B10MHzT10μsD100输出脉冲宽度被压缩到0.1μs等效于发射了一个0.1μs的窄脉冲但发射机只需要在10μs内保持较低峰值功率。这个数字还决定了距离分辨率ΔR c/(2B)与T无关。所以提高距离分辨率的唯一途径是增加B而不是缩短脉冲宽度——这就是脉冲压缩的核心思路。2.2 用Python生成LFM信号并观察频谱的完整代码常见做法是直接生成复数基带信号然后用numpy做FFT看幅频特性。下面的代码不依赖任何雷达专用库适合作为仿真链路的第一个验证节点。import numpy as np import matplotlib.pyplot as plt # 参数脉冲宽度T、带宽B、采样率fs T 10e-6 # 10 us B 10e6 # 10 MHz fs 50e6 # 采样率取5倍带宽 K B / T # 调频斜率 t np.arange(-T/2, T/2, 1/fs) # 对称时间轴 s np.exp(1j * np.pi * K * t**2) # 复数LFM信号 # 频谱分析fftshift让0频在中间 N len(t) freq np.fft.fftshift(np.fft.fftfreq(N, 1/fs)) spec np.fft.fftshift(np.fft.fft(s, N)) fig, ax plt.subplots(2, 1, figsize(8, 6)) ax[0].plot(t*1e6, s.real, lw0.8) ax[0].set_xlabel(time (us)) ax[0].set_title(LFM real part) ax[1].plot(freq/1e6, 20*np.log10(np.abs(spec) 1e-12)) ax[1].set_xlabel(frequency (MHz)) ax[1].set_title(LFM amplitude spectrum) plt.tight_layout() plt.show()代码逻辑时间轴必须对称放置否则相位项πKt²会引入一个额外的常数相位偏置。这个偏置对匹配滤波无影响但在观察瞬时频率时会让人困惑。fs50MHz是工程上常用的5倍过采样为频谱形状留出过渡带。幅频特性应该在±B/2范围内接近矩形超出部分由FFT旁瓣决定。实际调试时我会再叠加一个汉明窗再取FFT用来干净地观察频谱包络因为不加窗时矩形截断会造成频谱泄漏。参数说明T和B的单位必须一致np.arange(-T/2, T/2, 1/fs)的终点不包含T/2实际长度比期望少一个采样点严格写法可以用np.linspace(-T/2, T/2, int(T*fs), endpointFalse)但缺一个采样对结果影响在千分之一量级K的量纲是Hz/s计算多普勒耦合时需要用到它。2.3 信号频谱形态与采样率、脉宽的关系表LFM频谱幅度近似矩形相位呈二次方变化。这个二次相位正是匹配滤波器补偿的对象匹配滤波器的相频特性与信号相位相反使输出各频率分量同相叠加形成主瓣。频谱上的矩形宽度就是B一旦你看到的FFT幅度谱边缘不再陡峭而是斜着下降通常说明采样率不足或信号被截断得太厉害。参数变化频谱形状时宽带宽积压缩后主瓣宽度工程注意B不变T增大矩形宽度不变幅度略增增大不变压缩增益提升但距离盲区变长T不变B增大矩形宽度变宽增大变窄需要更高采样率硬件成本增加fs低于B频谱混叠矩形边缘下陷不变性能恶化复基带必须满足fs ≥ B实信号需fs ≥ 2B对于复数基带信号采样率只需大于B即可满足奈奎斯特条件但工程上为了保证数字下变频后脉冲压缩的旁瓣特性通常会取fs 1.22B。如果压缩输出主瓣周围出现周期性纹波优先检查采样率是否接近B而不是急着调窗函数。3. 时频分析LFM的瞬时频率变化如何被STFT和WVD暴露3.1 为什么只看频谱不够两个点目标回波在时频平面上如何区分频谱只告诉你信号在哪些频率上有能量不告诉你某个频率出现在什么时刻。LFM信号的频率随时间线性变化如果两个点目标在距离上不同它们的回波到达时间不同体现在时频平面上就是两条平行的斜线起点时间不同。这个到达时间差在纯频谱上根本看不出来因为频谱是对整个脉冲时间积分的结果。所以在做时频分析时时域坐标反映目标距离斜率反映调频斜率K斜线的纵向偏移则对应多普勒频移。时频分析在LFM仿真中的实际用途有两个一是验证发射信号质量看瞬时频率是否严格线性二是分离距离相近但多普勒不同的目标。后者涉及Radon-Wigner变换或分数阶傅里叶变换但理解STFT和WVD能先帮你建立正确的直觉。很多人一上来就画频谱图发现两个目标重叠在同一个频率范围误判为距离无法分辨其实只是没到时频平面上看。3.2 用STFT画出LFM的时频图窗长与频率分辨率的取舍短时傅里叶变换STFT把信号分段加窗再做FFT得到二维时频矩阵。关键参数是窗长。窗越长频率分辨率越高时间分辨率越差窗越短时间分辨率高频率分辨率低。对于LFM只要窗内扫频范围小于频率分辨率就可以认为这一段信号近似单频。Python里可以用scipy.signal.stft实现也可以手写滑动FFT以便看清每一步。下面给出手写版本from scipy.signal import get_window def stft_of_lfm(s, fs, win_len256, hop128, nfft512): 计算LFM信号的STFT谱图 win get_window(hann, win_len) n_frames (len(s) - win_len) // hop 1 t_frame [] spec [] for i in range(n_frames): seg s[i*hop : i*hop win_len] * win spec.append(np.fft.fftshift(np.fft.fft(seg, nfft))) t_frame.append(i*hop / fs) spec np.array(spec) return t_frame, spec # 使用上一节生成的LFM信号s t_fr, spec2 stft_of_lfm(s, fs, win_len256, hop32) plt.imshow(20*np.log10(np.abs(spec2.T)1e-12), aspectauto, originlower, extent[t_fr[0]*1e6, t_fr[-1]*1e6, -fs/2/1e6, fs/2/1e6]) plt.xlabel(time (us)) plt.ylabel(frequency (MHz)) plt.title(STFT of LFM) plt.colorbar() plt.show()这里的win_len256对应5.12μs的窗长频率分辨率约fs/nfft 97.6kHz而LFM在5.12μs内扫频 B·T_win 5.12MHz远远高于频率分辨率说明窗内信号确实可以被当作准单频。如果把窗长加到1024个点STFT图上的一次频率调制会变得模糊因为窗内频率变化已经超过几个频率分辨率单元。注意nfft取512但窗长256相当于频域零填充只是让图谱更平滑并不增加真实频率分辨率。要真实提高频率分辨率只能加长窗。hop32表示每32个采样点取一帧时间轴过采样能得到更连续的斜线但计算量增大对结果精度没有本质帮助。3.3 Wigner-Ville分布的交叉项干扰与实用替代WVD的时频分辨率比STFT高得多理论上可以达到海森堡不确定性给出的极限但对多分量信号存在严重交叉项。比如仿真两个点目标回波WVD在时频平面上会出现一个位于两条斜线中间的虚假能量峰幅度可能接近真实成对回波极容易误判成第三目标。交叉项的位置和幅度会随着分量间距变化不是简单的固定噪声因此很难通过阈值剔除。抑制交叉项的常见做法是在模糊域做核函数滤波也就是Cohen类分布。但工程上我更建议直接用STFT或基于STFT的同步压缩变换SST。SST把时频系数沿频率方向重新分配能量被集中到瞬时频率曲线附近保留了STFT无交叉项的优点又让时频图清晰得多。SST可以用ssqueezepy库实现调用一行即可但要注意输入通常需要float类型且小波参数要随带宽微调。如果只是想验证LFM的线性度STFT已经足够只有当你需要从多目标回波中分离强信号附近的弱目标再去考虑SST。4. 点目标回波与脉冲压缩匹配滤波实现距离高分辨4.1 点目标回波的数学模型时延、幅度、多普勒点目标回波是最简单的雷达回波模型发射信号经过目标反射后接收信号是发射信号的延迟副本幅度按距离衰减可能还有多普勒频移。复数基带模型写作s_echo(t) A · rect((t - τ)/T) · exp(jπK(t - τ)²) · exp(j2πf_d t)其中τ 2R/c是双程时延R是目标距离c是光速f_d 2v/λ是多普勒频移A是回波幅度。仿真中幅度常归一化处理因为自动增益控制会补偿距离衰减重点在于时延和多普勒是否被正确建模。做点目标回波仿真的核心目的不是推导这个公式而是验证脉冲压缩链路能否把时延τ精确提取出来。具体步骤先定义目标距离R计算τ生成回波做压缩最后看压缩峰值位置是否等于τ对应的采样点。如果位置不对问题大概率出在匹配滤波器的构造上而不是回波生成。这里有个常见错误用np.roll实现延迟这会把信号尾部环绕到头部制造出虚假目标必须用补零截断的方式做整数采样延迟。4.2 频域匹配滤波实现脉冲压缩从卷积到FFT点数的坑匹配滤波器的冲激响应是发射信号的时间反演共轭。对LFM而言时域卷积可以用频域乘法代替Y(f) S_echo(f) · conj(S_ref(f))然后IFFT。其中S_ref是参考信号的FFT通常直接用发射信号本身。下面代码生成两个点目标回波做脉冲压缩并绘制距离像c 3e8 targets [(3000, 1.0, 0), (3050, 0.8, 0)] # (距离m, 幅度, 多普勒Hz) Np int(T * fs) # 单个脉冲采样点数 t_axis np.arange(Np) / fs - T/2 # 对齐发射信号时间轴 ref np.exp(1j * np.pi * K * t_axis**2) # 参考信号 rx np.zeros(Np, dtypecomplex) for R, amp, fd in targets: tau 2 * R / c delay_s int(round(tau * fs)) # 时延对应的采样偏移 if delay_s Np: continue echo np.zeros(Np, dtypecomplex) # 只填充时延后的部分不做循环移位 echo[delay_s:] amp * np.exp(1j * np.pi * K * (t_axis[:Np-delay_s])**2) * \ np.exp(1j*2*np.pi*fd*t_axis[:Np-delay_s]) rx echo # 频域匹配滤波这里使用2Np点FFT避免循环卷积 nfft 1 int(np.ceil(np.log2(2*Np))) REF np.fft.fft(ref, nfft) RX np.fft.fft(rx, nfft) comp np.fft.ifft(RX * np.conj(REF), nfft)[:Np] r_axis (np.arange(Np) / fs - T/2) * c / 2 # 距离轴换算 plt.plot(r_axis, 20*np.log10(np.abs(comp) 1e-12)) plt.xlabel(range (m)) plt.ylabel(amplitude (dB)) plt.title(Pulse compression output) plt.grid(True) plt.show()逻辑说明np.fft.fft(ref, nfft)和np.fft.fft(rx, nfft)中nfft取2Np的幂次是为了让频域乘法等价于线性卷积而不是循环卷积。如果直接用Np点FFT信号尾部会与头部混叠导致远离脉冲中心的目标峰值幅度下降甚至折叠。IFFT后只取前Np个点作为完整输出因为线性卷积输出长度为Npdelay_s-1截断后不影响主瓣位置。参数说明目标位置3000m和3050m对应距离差50m压缩后两个主瓣在距离轴上是否能分开取决于B是否大于c/(2·50) 3MHz。这里B10MHz理论分辨率15m所以容易区分。t_axis从-T/2开始参考信号时间原点与回波的时间原点保持一致这样压缩峰值的位置可以直接用r_axis读出不需要额外校正。多普勒项设为0时压缩峰对称加入多普勒后峰会偏移需要在结果解读时考虑距离-多普勒耦合。4.3 加窗处理与距离旁瓣的取舍参数表与效果对比匹配滤波输出是sinc函数形状第一旁瓣约-13.2dB。单目标时无所谓但如果两个目标一强一弱弱目标可能被强目标的旁瓣淹没。解决办法是给参考信号加窗代价是主瓣展宽距离分辨率下降。常用窗函数及性能如下窗函数第一旁瓣(dB)主瓣展宽倍数适用场景矩形不加窗-13.21.0单目标追求最大分辨率汉明-42.81.47多目标旁瓣要求一般汉宁-31.51.62频谱泄漏抑制旁瓣平滑布莱克曼-58.11.73强目标附近搜弱目标实现时把窗函数与参考信号相乘后再做FFT。需要特别注意的是窗函数的sym参数from scipy.signal import windows win windows.hamming(Np, symFalse) # 必须使用symFalse ref_win ref * winsymTrue是频谱分析常用的对称窗会让窗函数在时域上呈对称分布等效于引入半采样延迟。匹配滤波对这个延迟极其敏感表现为压缩峰值偏移约0.5个采样点。对1GHz采样率来说就是0.5ns换算成距离约7.5cm虽然看似很小但对于高精度测距或干涉处理这是系统偏差的来源。在仿真中使用symFalse可以彻底消除这一项。5. 脉冲压缩的验证与调参技巧从理想仿真到回波信号的三类坑5.1 用峰值位置自检链路距离误差不应超过半个采样门验证脉冲压缩链路最有效的方法是预先设定目标距离R压缩后找峰值计算测距误差ΔR。若|ΔR| c/(2fs)说明链路里有延迟偏差。常见来源有三个一是窗函数的sym参数设置错误二是IFFT后峰值索引到距离的换算常数写错三是用np.roll实现回波延迟造成虚假目标串扰。建议在调试脚本里写一个断言assert abs(peak_dist - R_true) c/(2*fs)后续改任何参数时自动回归避免改坏链路而不自知。5.2 多普勒频移对LFM压缩的影响失配损失与距离偏移LFM匹配滤波对多普勒并非完全无感。当目标速度非零时回波中心频率偏移压缩输出峰值幅度下降同时峰值位置在距离轴上偏移ΔR -f_d·c/(2K)。这个现象叫距离-多普勒耦合是LFM固有问题。仿真时可以通过扫描f_d画出峰值偏移曲线来验证这个公式。如果目标速度很高需要换成调频斜率极性交替或双脉冲体制来解耦合。在参数调试中我一般把多普勒设为0先验证常规链路再逐步加大f_d观察偏移是否落在理论曲线上。5.3 用旁瓣电平作为压缩质量的硬指标判断脉冲压缩调参是否到位我通常看两个指标峰值旁瓣比PSLR和积分旁瓣比ISLR。PSLR是最大旁瓣与主瓣峰值之比加窗后应与窗函数理论值一致如果差了超过2dB优先检查FFT点数是否足够再检查是否有量化噪声或信号截断。一个实用的调试顺序先单目标放在距离门中央确认PSLR达标然后把目标移到距离门边缘看主瓣是否变形再加入第二个弱目标逐步增加场景复杂度。这个顺序能在十分钟内定位是回波生成的问题还是匹配滤波的问题而不是一头扎进参数堆里盲调。本文还有配套的精品资源点击获取 线性调频LFM脉冲压缩原理与Python仿真验证
简介面向雷达、通信与信号处理方向的初学者及研究人员这份压缩包提供了一个基于MATLAB的LFM线性调频信号脉冲压缩研究实例围绕频谱分析、时频分析与点目标回波模拟展开解决LFM信号特性理解与脉冲压缩算法验证问题。包内为单个.m脚本大小仅1KB代码紧凑无冗余便于直接运行、逐行调试或修改参数适合课程设计、毕业设计初探以及雷达系统仿真入门。已有269人学习。脚本能够生成LFM信号并绘制其频谱梳状谱清晰可见通过时频分析可直观观察频率随时间线性上升的规律同时构造点目标回波并叠加噪声经匹配滤波实现脉冲压缩最终呈现主瓣变窄、信噪比明显提升的压缩效果。整个流程从信号生成到结果分析一脉相承为深入理解脉冲压缩原理和后续雷达信号处理开发提供了简洁可复现的实验起点。1. LFM脉冲压缩为什么线性调频信号能同时要带宽和能量在雷达和声呐系统里距离分辨率取决于信号带宽检测能力取决于信号能量。窄脉冲能提高分辨率却把平均功率压得很低把脉冲拉宽能量上去了分辨率又没了。线性调频LFM信号用频率随时间线性变化的宽脉冲让发射机在长脉冲内维持高占空比接收端通过脉冲压缩把宽脉冲重新“捏”成窄脉冲从而同时获得高能量和高分辨率。这里不讨论LFM背后的全套雷达理论而是聚焦在仿真时绕不开的四件事生成LFM、观察它的频谱、对点目标回波做压缩、以及压缩之后怎样验证参数没设错。适合刚接触脉冲压缩的工程师也适合那些已经会调用chirp函数但不太清楚为什么匹配滤波输出是sinc函数的开发者。2. LFM信号频谱从复数基带到实信号时宽带宽积决定一切2.1 LFM信号的数学定义与瞬时频率为什么是线性的LFM信号的复数基带形式一般写成s(t) A · exp(jπKt²), -T/2 ≤ t ≤ T/2其中K B/TB是调频带宽T是脉冲宽度。对相位求导得到瞬时频率 f_i(t) (1/2π) · d(πKt²)/dt Kt。瞬时频率在脉冲持续时间内从 -B/2 线性扫到 B/2这个线性关系正是时频分析能派上用场的前提信号在时频平面上表现为一条倾斜直线斜率就是K。实际系统中发射的是实信号载波f_c不参与压缩处理仿真时一般直接处理复数基带信号一方面节省采样率另一方面方便做复数相关运算。时宽带宽积 D B·T 是LFM信号最重要的数字特征。匹配滤波输出的信噪比增益理论上等于D压缩后的主瓣宽度约1/B。举个例子B10MHzT10μsD100输出脉冲宽度被压缩到0.1μs等效于发射了一个0.1μs的窄脉冲但发射机只需要在10μs内保持较低峰值功率。这个数字还决定了距离分辨率ΔR c/(2B)与T无关。所以提高距离分辨率的唯一途径是增加B而不是缩短脉冲宽度——这就是脉冲压缩的核心思路。2.2 用Python生成LFM信号并观察频谱的完整代码常见做法是直接生成复数基带信号然后用numpy做FFT看幅频特性。下面的代码不依赖任何雷达专用库适合作为仿真链路的第一个验证节点。import numpy as np import matplotlib.pyplot as plt # 参数脉冲宽度T、带宽B、采样率fs T 10e-6 # 10 us B 10e6 # 10 MHz fs 50e6 # 采样率取5倍带宽 K B / T # 调频斜率 t np.arange(-T/2, T/2, 1/fs) # 对称时间轴 s np.exp(1j * np.pi * K * t**2) # 复数LFM信号 # 频谱分析fftshift让0频在中间 N len(t) freq np.fft.fftshift(np.fft.fftfreq(N, 1/fs)) spec np.fft.fftshift(np.fft.fft(s, N)) fig, ax plt.subplots(2, 1, figsize(8, 6)) ax[0].plot(t*1e6, s.real, lw0.8) ax[0].set_xlabel(time (us)) ax[0].set_title(LFM real part) ax[1].plot(freq/1e6, 20*np.log10(np.abs(spec) 1e-12)) ax[1].set_xlabel(frequency (MHz)) ax[1].set_title(LFM amplitude spectrum) plt.tight_layout() plt.show()代码逻辑时间轴必须对称放置否则相位项πKt²会引入一个额外的常数相位偏置。这个偏置对匹配滤波无影响但在观察瞬时频率时会让人困惑。fs50MHz是工程上常用的5倍过采样为频谱形状留出过渡带。幅频特性应该在±B/2范围内接近矩形超出部分由FFT旁瓣决定。实际调试时我会再叠加一个汉明窗再取FFT用来干净地观察频谱包络因为不加窗时矩形截断会造成频谱泄漏。参数说明T和B的单位必须一致np.arange(-T/2, T/2, 1/fs)的终点不包含T/2实际长度比期望少一个采样点严格写法可以用np.linspace(-T/2, T/2, int(T*fs), endpointFalse)但缺一个采样对结果影响在千分之一量级K的量纲是Hz/s计算多普勒耦合时需要用到它。2.3 信号频谱形态与采样率、脉宽的关系表LFM频谱幅度近似矩形相位呈二次方变化。这个二次相位正是匹配滤波器补偿的对象匹配滤波器的相频特性与信号相位相反使输出各频率分量同相叠加形成主瓣。频谱上的矩形宽度就是B一旦你看到的FFT幅度谱边缘不再陡峭而是斜着下降通常说明采样率不足或信号被截断得太厉害。参数变化频谱形状时宽带宽积压缩后主瓣宽度工程注意B不变T增大矩形宽度不变幅度略增增大不变压缩增益提升但距离盲区变长T不变B增大矩形宽度变宽增大变窄需要更高采样率硬件成本增加fs低于B频谱混叠矩形边缘下陷不变性能恶化复基带必须满足fs ≥ B实信号需fs ≥ 2B对于复数基带信号采样率只需大于B即可满足奈奎斯特条件但工程上为了保证数字下变频后脉冲压缩的旁瓣特性通常会取fs 1.22B。如果压缩输出主瓣周围出现周期性纹波优先检查采样率是否接近B而不是急着调窗函数。3. 时频分析LFM的瞬时频率变化如何被STFT和WVD暴露3.1 为什么只看频谱不够两个点目标回波在时频平面上如何区分频谱只告诉你信号在哪些频率上有能量不告诉你某个频率出现在什么时刻。LFM信号的频率随时间线性变化如果两个点目标在距离上不同它们的回波到达时间不同体现在时频平面上就是两条平行的斜线起点时间不同。这个到达时间差在纯频谱上根本看不出来因为频谱是对整个脉冲时间积分的结果。所以在做时频分析时时域坐标反映目标距离斜率反映调频斜率K斜线的纵向偏移则对应多普勒频移。时频分析在LFM仿真中的实际用途有两个一是验证发射信号质量看瞬时频率是否严格线性二是分离距离相近但多普勒不同的目标。后者涉及Radon-Wigner变换或分数阶傅里叶变换但理解STFT和WVD能先帮你建立正确的直觉。很多人一上来就画频谱图发现两个目标重叠在同一个频率范围误判为距离无法分辨其实只是没到时频平面上看。3.2 用STFT画出LFM的时频图窗长与频率分辨率的取舍短时傅里叶变换STFT把信号分段加窗再做FFT得到二维时频矩阵。关键参数是窗长。窗越长频率分辨率越高时间分辨率越差窗越短时间分辨率高频率分辨率低。对于LFM只要窗内扫频范围小于频率分辨率就可以认为这一段信号近似单频。Python里可以用scipy.signal.stft实现也可以手写滑动FFT以便看清每一步。下面给出手写版本from scipy.signal import get_window def stft_of_lfm(s, fs, win_len256, hop128, nfft512): 计算LFM信号的STFT谱图 win get_window(hann, win_len) n_frames (len(s) - win_len) // hop 1 t_frame [] spec [] for i in range(n_frames): seg s[i*hop : i*hop win_len] * win spec.append(np.fft.fftshift(np.fft.fft(seg, nfft))) t_frame.append(i*hop / fs) spec np.array(spec) return t_frame, spec # 使用上一节生成的LFM信号s t_fr, spec2 stft_of_lfm(s, fs, win_len256, hop32) plt.imshow(20*np.log10(np.abs(spec2.T)1e-12), aspectauto, originlower, extent[t_fr[0]*1e6, t_fr[-1]*1e6, -fs/2/1e6, fs/2/1e6]) plt.xlabel(time (us)) plt.ylabel(frequency (MHz)) plt.title(STFT of LFM) plt.colorbar() plt.show()这里的win_len256对应5.12μs的窗长频率分辨率约fs/nfft 97.6kHz而LFM在5.12μs内扫频 B·T_win 5.12MHz远远高于频率分辨率说明窗内信号确实可以被当作准单频。如果把窗长加到1024个点STFT图上的一次频率调制会变得模糊因为窗内频率变化已经超过几个频率分辨率单元。注意nfft取512但窗长256相当于频域零填充只是让图谱更平滑并不增加真实频率分辨率。要真实提高频率分辨率只能加长窗。hop32表示每32个采样点取一帧时间轴过采样能得到更连续的斜线但计算量增大对结果精度没有本质帮助。3.3 Wigner-Ville分布的交叉项干扰与实用替代WVD的时频分辨率比STFT高得多理论上可以达到海森堡不确定性给出的极限但对多分量信号存在严重交叉项。比如仿真两个点目标回波WVD在时频平面上会出现一个位于两条斜线中间的虚假能量峰幅度可能接近真实成对回波极容易误判成第三目标。交叉项的位置和幅度会随着分量间距变化不是简单的固定噪声因此很难通过阈值剔除。抑制交叉项的常见做法是在模糊域做核函数滤波也就是Cohen类分布。但工程上我更建议直接用STFT或基于STFT的同步压缩变换SST。SST把时频系数沿频率方向重新分配能量被集中到瞬时频率曲线附近保留了STFT无交叉项的优点又让时频图清晰得多。SST可以用ssqueezepy库实现调用一行即可但要注意输入通常需要float类型且小波参数要随带宽微调。如果只是想验证LFM的线性度STFT已经足够只有当你需要从多目标回波中分离强信号附近的弱目标再去考虑SST。4. 点目标回波与脉冲压缩匹配滤波实现距离高分辨4.1 点目标回波的数学模型时延、幅度、多普勒点目标回波是最简单的雷达回波模型发射信号经过目标反射后接收信号是发射信号的延迟副本幅度按距离衰减可能还有多普勒频移。复数基带模型写作s_echo(t) A · rect((t - τ)/T) · exp(jπK(t - τ)²) · exp(j2πf_d t)其中τ 2R/c是双程时延R是目标距离c是光速f_d 2v/λ是多普勒频移A是回波幅度。仿真中幅度常归一化处理因为自动增益控制会补偿距离衰减重点在于时延和多普勒是否被正确建模。做点目标回波仿真的核心目的不是推导这个公式而是验证脉冲压缩链路能否把时延τ精确提取出来。具体步骤先定义目标距离R计算τ生成回波做压缩最后看压缩峰值位置是否等于τ对应的采样点。如果位置不对问题大概率出在匹配滤波器的构造上而不是回波生成。这里有个常见错误用np.roll实现延迟这会把信号尾部环绕到头部制造出虚假目标必须用补零截断的方式做整数采样延迟。4.2 频域匹配滤波实现脉冲压缩从卷积到FFT点数的坑匹配滤波器的冲激响应是发射信号的时间反演共轭。对LFM而言时域卷积可以用频域乘法代替Y(f) S_echo(f) · conj(S_ref(f))然后IFFT。其中S_ref是参考信号的FFT通常直接用发射信号本身。下面代码生成两个点目标回波做脉冲压缩并绘制距离像c 3e8 targets [(3000, 1.0, 0), (3050, 0.8, 0)] # (距离m, 幅度, 多普勒Hz) Np int(T * fs) # 单个脉冲采样点数 t_axis np.arange(Np) / fs - T/2 # 对齐发射信号时间轴 ref np.exp(1j * np.pi * K * t_axis**2) # 参考信号 rx np.zeros(Np, dtypecomplex) for R, amp, fd in targets: tau 2 * R / c delay_s int(round(tau * fs)) # 时延对应的采样偏移 if delay_s Np: continue echo np.zeros(Np, dtypecomplex) # 只填充时延后的部分不做循环移位 echo[delay_s:] amp * np.exp(1j * np.pi * K * (t_axis[:Np-delay_s])**2) * \ np.exp(1j*2*np.pi*fd*t_axis[:Np-delay_s]) rx echo # 频域匹配滤波这里使用2Np点FFT避免循环卷积 nfft 1 int(np.ceil(np.log2(2*Np))) REF np.fft.fft(ref, nfft) RX np.fft.fft(rx, nfft) comp np.fft.ifft(RX * np.conj(REF), nfft)[:Np] r_axis (np.arange(Np) / fs - T/2) * c / 2 # 距离轴换算 plt.plot(r_axis, 20*np.log10(np.abs(comp) 1e-12)) plt.xlabel(range (m)) plt.ylabel(amplitude (dB)) plt.title(Pulse compression output) plt.grid(True) plt.show()逻辑说明np.fft.fft(ref, nfft)和np.fft.fft(rx, nfft)中nfft取2Np的幂次是为了让频域乘法等价于线性卷积而不是循环卷积。如果直接用Np点FFT信号尾部会与头部混叠导致远离脉冲中心的目标峰值幅度下降甚至折叠。IFFT后只取前Np个点作为完整输出因为线性卷积输出长度为Npdelay_s-1截断后不影响主瓣位置。参数说明目标位置3000m和3050m对应距离差50m压缩后两个主瓣在距离轴上是否能分开取决于B是否大于c/(2·50) 3MHz。这里B10MHz理论分辨率15m所以容易区分。t_axis从-T/2开始参考信号时间原点与回波的时间原点保持一致这样压缩峰值的位置可以直接用r_axis读出不需要额外校正。多普勒项设为0时压缩峰对称加入多普勒后峰会偏移需要在结果解读时考虑距离-多普勒耦合。4.3 加窗处理与距离旁瓣的取舍参数表与效果对比匹配滤波输出是sinc函数形状第一旁瓣约-13.2dB。单目标时无所谓但如果两个目标一强一弱弱目标可能被强目标的旁瓣淹没。解决办法是给参考信号加窗代价是主瓣展宽距离分辨率下降。常用窗函数及性能如下窗函数第一旁瓣(dB)主瓣展宽倍数适用场景矩形不加窗-13.21.0单目标追求最大分辨率汉明-42.81.47多目标旁瓣要求一般汉宁-31.51.62频谱泄漏抑制旁瓣平滑布莱克曼-58.11.73强目标附近搜弱目标实现时把窗函数与参考信号相乘后再做FFT。需要特别注意的是窗函数的sym参数from scipy.signal import windows win windows.hamming(Np, symFalse) # 必须使用symFalse ref_win ref * winsymTrue是频谱分析常用的对称窗会让窗函数在时域上呈对称分布等效于引入半采样延迟。匹配滤波对这个延迟极其敏感表现为压缩峰值偏移约0.5个采样点。对1GHz采样率来说就是0.5ns换算成距离约7.5cm虽然看似很小但对于高精度测距或干涉处理这是系统偏差的来源。在仿真中使用symFalse可以彻底消除这一项。5. 脉冲压缩的验证与调参技巧从理想仿真到回波信号的三类坑5.1 用峰值位置自检链路距离误差不应超过半个采样门验证脉冲压缩链路最有效的方法是预先设定目标距离R压缩后找峰值计算测距误差ΔR。若|ΔR| c/(2fs)说明链路里有延迟偏差。常见来源有三个一是窗函数的sym参数设置错误二是IFFT后峰值索引到距离的换算常数写错三是用np.roll实现回波延迟造成虚假目标串扰。建议在调试脚本里写一个断言assert abs(peak_dist - R_true) c/(2*fs)后续改任何参数时自动回归避免改坏链路而不自知。5.2 多普勒频移对LFM压缩的影响失配损失与距离偏移LFM匹配滤波对多普勒并非完全无感。当目标速度非零时回波中心频率偏移压缩输出峰值幅度下降同时峰值位置在距离轴上偏移ΔR -f_d·c/(2K)。这个现象叫距离-多普勒耦合是LFM固有问题。仿真时可以通过扫描f_d画出峰值偏移曲线来验证这个公式。如果目标速度很高需要换成调频斜率极性交替或双脉冲体制来解耦合。在参数调试中我一般把多普勒设为0先验证常规链路再逐步加大f_d观察偏移是否落在理论曲线上。5.3 用旁瓣电平作为压缩质量的硬指标判断脉冲压缩调参是否到位我通常看两个指标峰值旁瓣比PSLR和积分旁瓣比ISLR。PSLR是最大旁瓣与主瓣峰值之比加窗后应与窗函数理论值一致如果差了超过2dB优先检查FFT点数是否足够再检查是否有量化噪声或信号截断。一个实用的调试顺序先单目标放在距离门中央确认PSLR达标然后把目标移到距离门边缘看主瓣是否变形再加入第二个弱目标逐步增加场景复杂度。这个顺序能在十分钟内定位是回波生成的问题还是匹配滤波的问题而不是一头扎进参数堆里盲调。本文还有配套的精品资源点击获取