简介：面向雷达信号处理与目标跟踪方向的MATLAB实现，该压缩包提供双基地MIMO雷达目标跟踪算法的完整代码，旨在解决传统单基地雷达分辨率受限、抗干扰能力不足等实际跟踪问题。算法利用多个发射与接收天线形成的丰富信号空间，结合扩展卡尔曼滤波进行目标位置、速度等状态估计，适合高校相关专业研究生、科研人员以及雷达算法初学者学习与复用。包内共有1个m文件，压缩后大小仅2KB，代码集中展现了信号模型建立、信道影响模拟、目标运动建模、数据关联、滤波递推以及性能评估等核心步骤，结构精简、便于定位和修改。目前已有983人学习下载。通过阅读代码，可以直观理解双基地MIMO雷达从回波处理到目标跟踪输出的完整处理链条，掌握扩展卡尔曼滤波在非线性场景下的编程实现方法，也可将其作为后续开展多目标跟踪研究或工程仿真的可复用基础模板。
1. 双基地MIMO雷达目标跟踪：为什么不能照搬单基地卡尔曼滤波
收发分置的双基地雷达天生有坐标解算的耦合问题：目标位置既不是直接测距得到的圆周轨迹，也不是测角得到的直线轨迹，而是距离和与角度约束的交点。当阵元沿发射站和接收站两侧分别布设时，MIMO又给测角测距带来了额外的自由度，但代价是量测方程里塞进两条不同的几何链路。想用MATLAB做出一套能跑的目标跟踪仿真，单基地里那套“距离-方位”线性量测的卡尔曼滤波框架直接失效，得先把观测模型按双基地几何重写一遍。
这个标题对应的工作，本质上是把“雷达信号处理”里的收发正交波形、匹配滤波、测角估计，和“目标跟踪”里的滤波递推串成一条完整链路。MATLAB在这条链路里既是信号级前端仿真的工具，也是滤波算法验证的环境。对做雷达系统仿真的工程师来说，难点在量测方程的非线性处理和多基地构型下的多解剔除；对做算法仿真的研究者来说，难点在如何把信号处理模块输出的点迹合理地喂给跟踪滤波器。两条路走到最后，都会落到几个核心问题：双基地距离和怎么定义、DOA与DOD的角度误差怎么配噪声、初始状态用什么给、EKF和UKF到底选哪个。下面按信号级仿真推进到滤波级联的路线展开。
2. 双基地MIMO雷达信号模型与量测方程搭建
2.1 收发分置下目标几何与量测定义
双基地MIMO雷达的发射站与接收站空间分离，目标位置由发射站与接收站的联合观测共同决定。设发射站位于T = [x_t, y_t]，接收站位于R = [x_r, y_r]，目标位于P = [x, y]。记发射站到目标的距离为R_t，目标到接收站的距离为R_r，则双基地距离和定义为:
s = R_t + R_r
这是双基地雷达最基本的观测量，它是一个椭圆方程，焦点分别在发射站和接收站上。单靠距离和无法定位目标。因此，双基地MIMO雷达量测方程组还需要加入目标相对发射站的离开角（DOD）和相对接收站的到达角（DOA）：
θ_t = atan2(y - y_t, x - x_t) θ_r = atan2(y - y_r, x - x_r)
DOD与DOA的区别在于参考点不同：DOD以发射阵列法线方向为基准，DOA以接收阵列法线方向为基准。仿真时通常把两个角度都换算到全局坐标系，否则几何关系容易混乱。基于这三个量测，目标位置解算变成求解两个椭圆方程或一个椭圆与两条角度线的交点问题。由于椭圆与角度线会有两个交点，必须利用基线方向和先验运动信息剔除虚像点。
提示：坐标系的统一是双基地仿真最常见的坑。发射站、接收站各自的阵列姿态角如果不加入角度定义，后续跟踪滤波里的量测雅可比矩阵会整体偏转。
2.2 MIMO正交波形设计与匹配滤波的MATLAB建模
MIMO雷达的核心优势在于发射波形设计。常见做法是使用一组互相正交的相位编码波形，让接收端能通过匹配滤波分离出每个发射通道的信号，进而构造出虚拟阵列孔径。设发射阵元数为Mt，接收阵元数为Mr，第m个发射阵元的基带编码为c_m(n)，n = 1, ..., N，N为码长。正交性条件为:
sum_n c_i(n) * conj(c_j(n)) ≈ 0, i ≠ j
在MATLAB中生成正交相位编码，最直接的方式是用Hadamard矩阵或随机相位序列。Hadamard矩阵保证严格正交，但码长必须是2的幂次；随机相位序列的峰值旁瓣水平取决于码长，码长足够长时也能用。下面的代码生成一组Hadamard相位编码波形，并计算出正交性检验矩阵。
% 生成正交相位编码波形 M_tx = 4; % 发射阵元数 codeLen = 64; % 码长 H = hadamard(codeLen); % 64x64 Hadamard矩阵 waveforms = exp(1j * pi * (1 - H(1:M_tx, :)) / 2); % 转为BPSK相位编码 % 正交性检验:计算互相关矩阵峰值 corrMat = zeros(M_tx, M_tx); for i = 1:M_tx for j = 1:M_tx corrSeq = xcorr(waveforms(i,:), waveforms(j,:)); corrMat(i,j) = max(abs(corrSeq)); end end disp(corrMat / codeLen); % 对角线为1,非对角线接近0这段代码先生成64阶Hadamard矩阵，取前4行做BPSK相位编码，使每个发射通道的波形相位取0或π。正交性检验用xcorr计算两两波形互相关的峰值，归一化后对角线为1，非对角线应接近0，代表通道间干扰被抑制到可以忽略的程度。
参数上，发射阵元数越多，虚拟阵列孔径越大，测角精度越好，但波形正交性和系统复杂度同步上升。码长决定发射信号带宽内的处理增益，码长越长，匹配滤波输出信噪比越高，但脉冲重复周期被拉长，单目标距离模糊问题会变严重。工程上一般取码长与脉冲宽度匹配，保证距离分辨率满足跟踪需求。
2.3 量测生成与目标位置解算的MATLAB实现
信号级仿真里，量测值通常从回波信号里通过匹配滤波和测角算法提取。在算法验证阶段，直接用目标真实位置加噪声生成量测是最常用的做法，这样可以隔离信号处理层的误差，单独考核跟踪滤波器的性能。下面给出双基地量测生成函数，它把目标位置映射到测量空间：
function z = bistaticMeasurements(x_true, T, R, sigma_s, sigma_theta) % 输入:目标真实位置,发射站坐标,接收站坐标,距离和噪声标准差,角度噪声标准差 R_t = norm(x_true - T); R_r = norm(x_true - R); s = R_t + R_r; theta_t = atan2(x_true(2) - T(2), x_true(1) - T(1)); theta_r = atan2(x_true(2) - R(2), x_true(1) - R(1)); z = [s + randn * sigma_s; ... theta_t + randn * sigma_theta; ... theta_r + randn * sigma_theta]; end量测向量z是3×1的列向量：第一维距离和，第二维DOD，第三维DOA。噪声模型默认为高斯分布，但要注意距离和的噪声来自雷达测距误差，与信号带宽和信噪比的关系是sigma_s正比于c/(2B*sqrt(SNR))；角度噪声来自阵列测向误差，由虚拟阵列孔径和信噪比决定，仿真中给出的sigma_theta应当低于实际波束宽度的十分之一才合理。
位置解算是跟踪滤波器的初始化基础。给定量测s、θ_t、θ_r，可用双基地三角公式直接求解：
x = (x_t tan(θ_t) - x_r tan(θ_r) - y_t + y_r) / (tan(θ_t) - tan(θ_r)) (1) y = y_t + (x - x_t) tan(θ_t) (2)
| 参数 | 取值 | 说明 |
|---|---|---|
| 载频 | 10 GHz | X波段，波长0.03m |
| 发射阵元数 | 4 | 相位编码正交波形 |
| 接收阵元数 | 8 | 半波长布阵，孔径约0.12m |
| 基线长度 | 500 m | 发射站与接收站间距 |
| 距离分辨率 | 15 m | 对应10 MHz带宽 |
| 角度测量精度 | 0.5° | 虚拟阵列联合测角 |
注意：式(1)在θ_t接近θ_r时会出现近似奇异的几何构型，此时目标位于基线上或基线延长线附近，位置解算误差会急剧放大。跟踪滤波器遇到这种构型时，预测协方差会异常膨胀，需要在该时段降低过程噪声或推迟量测更新。
3. 面向双基地非线性量测的目标跟踪滤波器实现
3.1 双基地量测方程的非线性特征
目标运动模型在本地直角坐标系下可以保持线性，标准匀速模型的状态转移矩阵为常值；但双基地量测方程中，距离和s同时依赖发射站与接收站到目标的距离，两个角度量测各自依赖目标相对于两个站点的方位。三者都是目标位置的强非线性函数，且耦合在一起——同一个位置误差会同时影响距离和与两个角度。EKF通过一阶泰勒展开来近似这种非线性映射，但当目标靠近基线或运动方向与等距椭圆相切时，一阶近似的误差会明显增大，滤波发散的概率随之升高。
UKF的引入理由就在于此：它用一组确定性采样点直接经过非线性量测方程，不需要求导，对强非线性量测的均值与协方差近似到三阶精度。双基地几何里存在大量构型突变（角度跨越±π边界、目标穿越基线），这样的场景UKF的适应性远好于EKF。
3.2 状态方程设定与滤波器初始化
状态向量取[x, y, vx, vy]，匀速模型状态转移矩阵与过程噪声矩阵按标准形式写。双基地跟踪的特殊之处在初始状态给定：用前两个时刻的量测解算位置，再用差分估计速度。第一个时刻的量测无法直接给出速度，可以令速度为零、速度方差取一个较大的初始值，让滤波在数帧内自收敛到真实速度——这是工程上稳妥的做法。给速度一个很大的初始方差，会比第一次就用两步差分法更稳，因为两步差分法在角度噪声较大时容易产生离群速度估计。
3.3 数值雅可比EKF的实现
EKF实现中雅可比矩阵可以解析推导，但双基地量测方程包含多个不同参考点的atan2计算，解析推导冗长且容易出错，实际代码中常用数值雅可比替代。MATLAB中通过有限差分可以快速得到量测矩阵H：
function H = numericalJacobian(hfun, x_pred, delta) % 对量测函数hfun在x_pred处计算数值雅可比矩阵 n = length(x_pred); m = length(hfun(x_pred)); H = zeros(m, n); for i = 1:n x_plus = x_pred; x_minus = x_pred; x_plus(i) = x_plus(i) + delta; x_minus(i) = x_minus(i) - delta; H(:, i) = (hfun(x_plus) - hfun(x_minus)) / (2 * delta); end end数值雅可比的关键参数是差分步长delta。步长太大则截断误差占主导，步长太小则浮点舍入误差会污染结果。经验值是取状态量物理尺度的1e-6量级：位置状态的delta取1e-4米，速度状态的delta取1e-4米/秒。用中心差分比单侧差分的精度高一个阶次，代价是量测函数要调用两次。仿真中如果发现滤波估计误差明显大于理论后验协方差，先检查雅可比矩阵列元素与真实量测变化趋势是否一致。
3.4 UKF的量测更新适配
UKF不需要计算雅可比，实现时只需给出量测函数本身。双基地量测函数直接复用第二节里的双基地几何关系。UT变换参数中，alpha控制sigma点的散布程度，取1e-3；kappa一般取0或3-n；beta对高斯分布最优值为2。sigma点经过非线性量测映射后再加权合成量测均值与协方差，再按标准卡尔曼增益公式更新状态。双基地场景下UKF的优势体现在目标以切向路径运动、角度量测跨±π边界的过程里，sigma点能携带完整的分布信息穿越非线性区域，而EKF的线性化会在这个区域产生系统性偏差。
4. 双基地MIMO雷达目标跟踪仿真链路集成
4.1 仿真场景参数与目标运动生成
一套可复现的仿真场景包括三部分：几何参数、目标运动参数、雷达测量参数。以2D平面双基地构型为例，发射站坐标(0, 0)，接收站坐标(500, 0)，目标初始位置(1000, 800)，速度(20, -15)，做匀速直线运动。过程噪声取较小的值，模拟高机动性低的平稳目标。目标运动轨迹生成后，每一帧先按真实位置生成量测，再送入滤波器进行递推，整个链路如下：
% 主循环框架:信号级量测生成 -> 滤波器递推 T = [0; 0]; R = [500; 0]; sigma_s = 5; % 距离和量测噪声,单位m sigma_theta = 0.5 * pi / 180; % 角度量测噪声,单位rad for k = 2:N_frames x_true_k = F * x_true(:, k-1); % 真实目标运动 z_k = bistaticMeasurements(x_true_k, T, R, sigma_s, sigma_theta); [x_est(:, k), P_est] = ukfStep(x_est(:, k-1), P_est, z_k, T, R, Q, R_noise); end仿真中设置两类量测噪声：一个是距离和的5米标准差，对应约10MHz带宽信号在25dB信噪比下的测距精度的合理量级；另一个是0.5度的角度噪声，对应虚拟阵列有效孔径在中等信噪比下的测角能力。过程噪声矩阵Q按目标最大加速度来标定，匀速模型的Q = q * [dt^3/3, dt^2/2; dt^2/2, dt]张成的分块对角矩阵，q取0.1时对应约0.3 m/s^2的等效加速度扰动。
4.2 三种滤波器的对比实验
在同一组量测序列上对比标准卡尔曼滤波（仅用距离和做线性化近似，误差较大）、EKF与UKF的位置RMSE。UKF在多段轨迹上保持最低误差。EKF在目标远离基线的直线段上精度接近UKF，但在目标横穿基线附近区域时误差出现明显尖峰。标准卡尔曼不处理非线性量测。这个对比说明了双基地跟踪不能简单套用单基地滤波器，非线性量测方程必须被明确建模。
4.3 多目标场景的数据关联
多目标跟踪中的双基地MIMO量测会遇到单基地没有的关联难题：同一个目标产生距离和、DOD、DOA三个量测，这些量测在接收端需要先配对。发射端与接收端通道数分别为Mt和Mr时，每一帧最多产生Mt×Mr个匹配滤波输出，其中每个输出对应一个发射-接收通道对。如果存在多个目标，匹配滤波输出里的峰值需要进行通道间配对才能正确关联到目标。常用的工程解决方案是最近邻关联（NN）或联合概率数据关联（JPDA）。在MATLAB中实现NN关联时，以滤波器预测位置为中心设置椭圆波门，量测落入波门内且新息马氏距离最小的量测被用于更新。双基地场景的特殊性在于波门形状必须按量测空间的非线性映射来生成，不能简单用位置空间里的圆形波门替代。
% 最近邻关联:计算所有量测到预测位置的新息马氏距离 for j = 1:n_meas S_j = H * P_pred * H' + R_noise; % 新息协方差 innov = z_meas(:, j) - z_pred; % 新息 gateDist(j) = innov' / S_j * innov; % 马氏距离 end [minDist, idx] = min(gateDist); if minDist < gateThresh % 落入波门内才进行量测更新 [x_upd, P_upd] = ukfUpdate(x_pred, P_pred, z_meas(:, idx), T, R, R_noise); else x_upd = x_pred; P_upd = P_pred; end门限gateThresh一般取卡方分布在自由度为dim(z)下的95%分位点，dim(z)=3时取7.815。双基地场景下，目标靠近基线时量测噪声在位置空间的传播会放大，马氏距离门限对应的实际波门面积会变大，多个目标容易落入同一波门内。遇到这个现象，可以考虑改用JPDA或基于幅值信息的关联，避免在密集目标场景下频繁失跟。
提示：双基地多目标场景里的同一目标回波可能在匹配滤波输出中产生镜像峰，尤其在波形正交性不理想时。关联算法处理的是点迹层面的量测，但如果前端没有把镜像峰剔除干净，滤波端很难纠正。
5. 双基地MIMO雷达目标跟踪的验证方法与参数调优
5.1 量测噪声协方差与滤波发散的排查
滤波器发散的第一症状是估计误差持续大于理论后验协方差，或新息序列出现明显的非零均值。双基地场景下先检查三处：第一，R_noise是否按实际量测噪声生成方式标定，距离和与角度噪声单位不同，矩阵对角元素需要分别按m和rad写；第二，过程噪声Q是否过小，当目标存在微弱机动而Q标定过严时，滤波器会把机动态当作量测噪声吸收，产生滞后；第三，初始化协方差是否过小，P矩阵给得太紧会限制滤波器对状态误差的修正能力。建议在滤波中记录每帧的新息与理论新息协方差，绘制归一化新息平方（NIS）曲线，NIS应服从卡方分布。NIS长期偏高说明R噪声设置过小或模型失配，长期偏低说明R被过度放大，滤波器响应变钝。
5.2 用RMSE与CRLB评估跟踪精度
双基地MIMO雷达目标跟踪的精度下界需按量测方程重新推导，类似克拉美罗下界可以用数值方式计算。仿真中常用蒙特卡洛法统计位置RMSE，并对比EKF和UKF后验协方差迹的平方根。若两种滤波器的RMSE均明显高于下界，说明量测噪声设定偏大或目标运动模型不匹配。另一个更实际的验证方式是残差检验：将滤波估计位置反变换回量测空间，计算重投影残差，其均值接近零且方差与R_noise一致，说明滤波收敛正确。位置RMSE达到量测传播误差的下界水平且NIS在置信区间内时，滤波器可以判定为与模型一致。
5.3 工程落地的参数微调技巧
发射与接收站点的基线长度对跟踪精度有显著影响。基线变长时，角度误差在位置空间被放大，DOD和DOA的微小偏差会让距离和的椭圆约束转动一个较大的角度，目标位置被推离真实轨迹。仿真中比较500m与1000m基线结果，后者在相同角度噪声下的位置RMSE明显上升。原因在于角度误差在位置空间的传播正比于距离，不是正比于基线。实际做系统设计时，可考虑将收发站点布设在目标运动区间的同侧，使双基地角始终保持在30度到150度之间，避开小双基地角的病态几何。
虚拟孔径的利用也值得花时间调优。Mt×Mr个收发通道构成等效孔径，测角精度正比于虚拟孔径长度，但前提是波形正交性足够好。仿真中发现码长低于32时非对角线互相关峰会让匹配滤波输出产生虚假目标，跟踪端把这些虚假目标识别为量测峰，滤波精度急剧下降。工程处理上可以降低检测门限的并集策略，在匹配滤波输出中先做恒虚警检测，再对超门限峰按双基地量测模型做几何一致性校验，剔除不满足距离和与角度约束的虚假点，最后再进滤波器。这一步对密集目标场景的改善往往比换更复杂的滤波算法更直接。
本文还有配套的精品资源，点击获取
