别再死记硬背了！用Python+Matplotlib手把手仿真四种脉冲雷达信号（附完整代码）-平芜编程栈

Python+Matplotlib实战：四种脉冲雷达信号仿真与可视化解析

雷达信号处理是电子工程领域的核心技能之一，但传统教材中复杂的数学公式常常让初学者望而生畏。本文将用Python代码+可视化分析的方式，带你亲手构建四种典型脉冲雷达信号模型，从固定频率到相位编码，通过运行代码观察波形特征，理解不同调制方式的优劣。

1. 环境配置与基础概念

在开始仿真前，需要确保你的Python环境已安装以下库：

import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft, fftshift from scipy.signal import correlate

雷达脉冲信号的三个基本参数决定了其性能表现：

脉冲宽度(τ)：决定基础距离分辨率（ΔR = cτ/2）
脉冲重复间隔(PRI)：影响最大不模糊距离（R_max = c·PRI/2）
调制方式：决定信号带宽和最终分辨率

表：四种雷达信号特性对比

信号类型	调制维度	带宽决定因素	典型应用场景
固定频率	无调制	1/τ	简单测距
线性调频	频率	调频斜率×τ	高分辨率成像
捷变频	频率跳变	跳频范围	抗干扰通信
相位编码	相位跳变	码元宽度	低截获概率

提示：所有仿真默认使用3GHz载频，脉宽4μs，采样率设置为载频的10倍（30GHz）以满足奈奎斯特准则。

2. 固定频率脉冲信号仿真

固定频率脉冲是最基础的雷达波形，其数学表达式为：

s(t) = A·rect(t/τ)·exp(j2πf₀t)

用Python生成该信号的代码如下：

def fixed_freq_pulse(f0=3e9, tau=4e-6, pri=1e-3, fs=30e9): t = np.arange(0, pri, 1/fs) pulse = np.exp(1j*2*np.pi*f0*t) * (t <= tau) return t, pulse

可视化分析时，我们需要同时观察时域包络和频谱特性：

t, pulse = fixed_freq_pulse() plt.figure(figsize=(12,4)) plt.subplot(121) plt.plot(t*1e6, np.real(pulse)) plt.title('时域波形'); plt.xlabel('时间(μs)') plt.subplot(122) freq = np.linspace(-fs/2, fs/2, len(pulse)) plt.plot(freq/1e9, np.abs(fftshift(fft(pulse)))) plt.title('频谱特性'); plt.xlabel('频率(GHz)') plt.tight_layout()

运行后会观察到：

时域呈现明显的矩形包络
频谱呈现sinc函数形状，主瓣宽度≈1/τ
多目标分辨实验显示距离分辨率≈600m（对应4μs脉宽）

3. 线性调频(LFM)脉冲信号实现

线性调频通过频率线性变化实现脉冲压缩，其瞬时频率为：

f(t) = f₀ + K·t, -τ/2 ≤ t ≤ τ/2

Python实现时需要特别注意调频斜率的计算：

def lfm_pulse(f0=3e9, tau=4e-6, bw=10e6, pri=1e-3, fs=30e9): K = bw/tau # 调频斜率 t = np.arange(0, pri, 1/fs) - pri/2 phase = 2*np.pi*(f0*t + K*t**2/2) pulse = np.exp(1j*phase) * (np.abs(t) <= tau/2) return t, pulse

脉冲压缩处理是LFM信号的核心，采用匹配滤波实现：

def matched_filter(signal, template): return fftshift(correlate(signal, template, mode='same'))

通过对比压缩前后的分辨率：

压缩前：脉宽决定的分辨率≈600m
压缩后：带宽决定的分辨率≈15m（10MHz带宽）

注意：实际工程中还需要考虑加窗处理以减少旁瓣，常用汉明窗或泰勒窗。

4. 捷变频与相位编码信号实战

4.1 捷变频(FA)信号

捷变频雷达每个脉冲的载频随机跳变，Python实现要点：

def frequency_agile_pulse(f0=3e9, bw=100e6, tau=4e-6, pri=1e-3, fs=30e9): hop_freq = f0 + bw*(np.random.rand()-0.5) t = np.arange(0, pri, 1/fs) pulse = np.exp(1j*2*np.pi*hop_freq*t) * (t <= tau) return t, pulse, hop_freq

4.2 伪随机相位编码

BPSK相位编码的实现需要先生成伪随机序列：

def bpsk_pulse(f0=3e9, tau=4e-6, chip_width=0.1e-6, pri=1e-3, fs=30e9): chips = int(tau/chip_width) code = 2*(np.random.rand(chips)>0.5)-1 # 生成±1序列 t_chip = np.arange(0, chip_width, 1/fs) chip = np.exp(1j*2*np.pi*f0*t_chip) pulse = np.concatenate([c*chip for c in code]) t = np.arange(0, len(pulse)/fs, 1/fs) return t, pulse

相位编码信号的处理需要特殊的解码技术：

def bpsk_compression(received, transmitted): decoded = received * np.conj(transmitted) return np.abs(fftshift(fft(decoded)))

5. 多信号性能对比实验

搭建测试场景：两个相距50m的目标，分别用四种信号进行探测：

def simulate_two_targets(signal_func, distance1=50e3, distance2=50.05e3): # 生成发射信号 t_tx, tx = signal_func() # 模拟回波 delay1 = 2*distance1/3e8 delay2 = 2*distance2/3e8 rx = (np.roll(tx, int(delay1*fs)) + np.roll(tx, int(delay2*fs))) / 2 # 处理并显示结果 if 'bpsk' in signal_func.__name__: processed = bpsk_compression(rx, tx) else: processed = matched_filter(rx, tx) plt.plot(np.linspace(-100,100,len(processed)), processed) plt.title(f'{signal_func.__name__}分辨效果')

实验结果清晰显示：