PLFM_RADAR 这个名字，第一眼看上去很像实验室内部某个模块的编号，但拆开之后思路非常清晰：PLFM 对应 Pulse Linear Frequency Modulation，也就是脉冲线性调频，RADAR 就不用多说了。把这两个词拼在一起，它本质上就是一个雷达信号处理的小型验证工程——从发射端生成线性调频脉冲，到接收端完成回波模拟、脉冲压缩、相参积累、恒虚警检测，最后在一张距离-多普勒图上把目标的位置和速度同时标出来。做雷达的人看到这套链路都会觉得眼熟，教科书上那套经典处理流程，在这里全部变成了可以实际运行、可以画图验证的代码。
这个项目解决的其实是一个很现实的工程问题：怎么把淹没在噪声和杂波里的目标信号可靠地捞出来。它适合三类人来参考——想快速上手雷达信号处理的在校学生，刚接触雷达目标检测的软件工程师，以及准备验证新算法的研究人员。你不需要真的有一部雷达，一台普通电脑加一点 Python 基础就够把全流程跑通。下面我按实际搭建这个项目的顺序，把设计思路、实现细节和我踩过的坑一起讲清楚。
1. 项目定位：PLFM_RADAR 到底在做什么
1.1 为什么偏偏是线性调频脉冲
先聊一个经常被跳过的判断：雷达发射的脉冲为什么要调频？如果只发一个单频矩形脉冲，它的时间宽度 T 决定了发射能量，频谱形状基本固定，带宽大约等于 1/T。这时候距离分辨率 δr = c / (2B) ≈ cT/2，想提高距离分辨能力就必须压缩脉宽；脉宽一压缩，单个脉冲的能量跟着下降，探测距离就保不住了。这就像拍照，又想长曝光收集足够多的光线，又想用高速快门凝固瞬间，单靠一个固定档位是做不到的。
线性调频的思路是让频率在脉冲内部线性扫描，频率变化范围 B 决定带宽，脉冲宽度 T 继续决定发射能量，两者通过调频率 K = B/T 关联。时间带宽积 TB 可以做得很大，而理论距离分辨率只取决于带宽 B。调频脉冲经过匹配滤波之后，宽信号会被压缩成一个窄脉冲，这个过程叫脉冲压缩，压缩比等于 TB。这就是 LFM 在各类雷达里都被当作首选波形的根本原因——它把能量和分辨率的矛盾解耦了。
PLFM_RADAR 做的事，就是把这段话完整翻译成代码：生成一个扫频脉冲，模拟它打到目标再反射回来，接收后通过匹配滤波把展宽的大时宽信号重新压成峰值，最后用峰值时延反推目标距离。整个项目之所以选择 LFM 而不是相位编码或步进频，主要考虑是它实现简单、数学形式优雅、旁瓣可控，非常适合用来搭建一套完整的处理链路做验证。
1.2 项目模块链路总览
从架构上讲，PLFM_RADAR 沿用了超外差雷达的信号处理脉络，只是把射频前端部分全部抽象成了数学运算。最核心的链路是：波形生成模块 -> 目标回波模拟模块 -> 脉冲压缩模块 -> 慢时间相参积累模块 -> 恒虚警检测模块 -> 目标点迹输出模块。每个模块都可以单独运行、单独出图，方便定位问题。
我见过很多初学者一上来就死磕某个算法的公式，结果整个系统联调时到处报错，反而摸不到门路。这个项目的模块化思路就是给这类问题准备的：先让每个环节的输出形状符合雷达理论预期，再串起来做端到端验证。后面几章我会按模块顺序拆解，中间会穿插一些仿真参数的设计理由，因为参数如果不合理，代码再对也看不到理想结果。
2. 回波模型与匹配滤波：整个系统的地基
2.1 从发射信号到回波，公式里藏着哪些工程选择
LFM 基带信号在数学上可以写成 s(t) = rect(t/T) · exp(jπKt²)，这里 K = B/T 是调频率，负斜率就是 K < 0，对应下扫频。工程上常用复数形式表达，实信号 exp(j2πfc·t) 所携带的载频信息在仿真中通常用基带等效代替，这样既能降低采样率要求，又不会丢失幅度和相位信息。
当雷达照射到一个点目标时，接收回波可以写成发射信号的延时副本加上一个多普勒频移项：
r(t) = A · s(t - τ) · exp(j2πfd·t) + n(t)
其中 τ = 2R/c 是双程时延，fd = 2v/λ 是多普勒频率。这里有一个很关键的窄带假设：在单个脉冲宽度内，目标运动引起的包络走动远小于距离分辨单元，因此多普勒只体现在复载频的相位旋转上，而不影响包络位置。我用的参数里载频 10 GHz、脉宽 20 微秒，目标速度 10 m/s 时，一个脉冲内的多普勒相位变化只有 fd·T ≈ 0.013 个周期，确实可以忽略。
为什么要特别强调这个假设？因为很多新手在写回波模拟时会纠结要不要把多普勒写进 s(t - τ) 的延时里。按照窄带雷达理论，多普勒是慢时间维的变化量，应该在逐个脉冲的相位中体现；只有超宽带或者目标速度极高导致跨距离单元走动时，才需要额外处理距离走动项。PLFM_RADAR 的处理对象是常规窄带目标检测，所以第 2 章和第 3 章的代码全部基于窄带模型。
2.2 匹配滤波：脉冲压缩的数学本质
匹配滤波的目的很纯粹：在加性白噪声背景下，让输出信噪比最大。给定发射信号 s(t)，匹配滤波器的冲激响应是 h(t) = s*(-t)，也就是发射信号的共轭时间反演。用频域实现就是取回波频谱与发射信号频谱的共轭相乘，再做逆傅里叶变换。
为什么这样就能把 LFM 信号压缩成尖峰？直观理解是：LFM 信号在不同时刻对应不同瞬时频率，匹配滤波等于对每个频率分量补偿一个与延时相关的相位，使得所有频率分量在目标时延处同相叠加。数学上，LFM 信号的自相关函数近似是一个 sinc 函数，主瓣宽度约 1/B，峰值幅度比输入脉冲幅度提升了 √(TB) 倍，功率上就是 TB 倍的信噪比增益。
我在项目里用的是频域快速卷积实现，原因很实际：时域卷积对长序列的计算量是 O(N²)，而 FFT 只需要 O(NlogN)。具体做法是先把发射信号补零到回波长度，再计算 FFT，与回波频谱共轭相乘，IFFT 后取模。需要注意的是，匹配滤波的峰值位置对应的是目标时延，输出序列的绝对位置取决于补零方式和滤波器的起始点，所以在画一维距离像时通常只取有效区段。
2.3 加窗处理：主瓣展宽和旁瓣抑制的取舍
匹配滤波输出并不完美，sinc 函数的第一旁瓣只比主瓣低 13.2 dB。如果场景里有一个强目标，它的旁瓣可能淹没旁边的弱目标，这是雷达检测里最头疼的问题之一。解决办法是对匹配滤波器加窗，也就是把频域参考信号乘上一个窗函数再参与共轭相乘。
我试过对同一组回波分别加矩形窗、Hamming 窗和 Taylor 窗。矩形窗旁瓣最低只能到 -13.2 dB，但主瓣最窄；Hamming 窗能把旁瓣压到约 -43 dB，代价是主瓣展宽约 1.5 倍；Taylor 窗可以在指定旁瓣电平（比如 -35 dB）下控制主瓣展宽，工程里用得最多。距离分辨率会从原来的 c/(2B) 变成约 1.4 倍，15 m 的分辨率会退化到 21 m 左右，这是为抑制旁瓣付出的必然代价。
这里有个容易忽略的点：加窗会改变匹配滤波器的输出包络，但不会改变峰值位置，所以测距精度不受影响；真正变差的是两个相邻目标的分辨能力。PLFM_RADAR 里我默认使用 Taylor 窗，nbar 取 4、旁瓣电平设 -35 dB，这个配置在旁瓣抑制和主瓣展宽之间比较均衡。
3. 实操落地：用 Python 从 0 到 1 跑通处理链路
3.1 先定参数：带宽、脉宽、重频的一整套演算
写代码之前必须先确定系统参数，否则后面所有数值都是空中楼阁。PLFM_RADAR 采用了一组典型的 X 波段监视雷达参数，具体的推导逻辑如下。
| 参数 | 取值 | 设计依据 |
|---|---|---|
| 载频 fc | 10 GHz | X 波段，天线尺寸和大气衰减的折中选择 |
| 带宽 B | 10 MHz | 距离分辨率 δr = c/(2B) = 15 m |
| 脉宽 T | 20 us | 时宽带宽积 TB = 200，压缩增益明显 |
| 采样率 fs | 40 MHz | 满足带通采样要求，距离量化间隔 3.75 m |
| 脉冲重复周期 PRT | 500 us | 最大无模糊距离 c·PRT/2 = 75 km |
| 积累脉冲数 N | 128 | 相参积累增益 10log10(128) ≈ 21 dB |
这里有两个公式值得单独强调。第一个是距离分辨率 δr = c/(2B)，带宽 10 MHz 对应 15 m，使用 Taylor 窗后实际分辨能力下降到约 21 m。第二个是最大不模糊速度 vmax = λ·PRF/4，载频 10 GHz 对应波长 0.03 m，PRF 2000 Hz 时 vmax = 15 m/s——后面调试部分我会专门讲一下如果目标速度超过这个值会发生什么。
另外注意脉冲数 128 的选择，它决定了多普勒分辨率 Δf = PRF/N = 15.625 Hz，换成速度分辨率就是 λ·Δf/2 ≈ 0.234 m/s，足够把速度接近的目标分开。在参数设计阶段把这些数算清楚，后面看到频谱图时才能一眼判断出哪个谱峰可信。
3.2 回波模拟与一维距离像的代码实现
回波模拟是整个项目第一个动手环节。我先把发射的 LFM 基带信号生成出来，再为每个目标计算时延、叠加上多普勒相位，并构造一个完整 PRT 长度的时间轴。
import numpy as np def generate_lfm(T=20e-6, B=10e6, fs=40e6): """生成线性调频基带信号""" N = int(fs * T) t = np.arange(N) / fs K = B / T return np.exp(1j * np.pi * K * t**2), t def simulate_echo(signal, fs=40e6, targets=[], prt=500e-6): """构造一个PRT内的目标回波，targets为[(距离m, 速度m/s, 幅度)]""" num_range = int(fs * prt) rx = np.zeros(num_range, dtype=complex) c = 3e8 lam = 0.03 for R, v, amp in targets: tau = 2 * R / c delay = int(round(tau * fs)) # 这里只放一个脉冲的相位，多普勒因子在慢时间维外面处理 fd = 2 * v / lam phase = np.exp(1j * 2 * np.pi * fd * delay / fs) rx[delay:delay + len(signal)] += amp * signal * phase return rx这段代码里有两个容易出错的点。第一，回波信号的起点必须由目标时延决定，不能直接把发射信号对齐到数组开头——距离 3 km 的目标，时延是 20 us，在 40 MHz 采样率下就是 800 个采样点偏移。第二，多普勒项我这里先放在延时相位里，目的是让单个脉冲内就有初始相位，真正的跨脉冲相参积累会在慢时间维再叠加一次 exp(j2πfd·m·PRT)，这样写符合"窄带模型下多普勒在相位中体现"的约定。
脉压实现用的是频域共轭相乘，这里把加窗也一起做进去。
def pulse_compression(rx, s_ref, fs=40e6): n = len(rx) S = np.fft.fft(s_ref, n) R = np.fft.fft(rx) # 生成Taylor窗并应用到频域参考信号上 from scipy.signal.windows import taylor win = taylor(len(s_ref), nbar=4, sll=-35) S_w = np.fft.fft(s_ref * win, n) y = np.fft.ifft(R * np.conj(S_w)) return y脉压输出是一个复数序列，取模之后峰值位置对应目标时延。我实测的结果是：3 km 目标峰值出现在第 800 个采样点左右，5 km 目标出现在第 1334 个点左右，换算成距离分别是 3000 m 和 5000 m，误差在 1~2 个采样点以内。验证到这一步，带内信噪比大约有 18 dB 时，单目标在一维距离像上已经清晰可见了。
3.3 二维 MTD：从一维距离像到距离-多普勒图
单脉冲脉压只是把目标的距离维信息提取出来，速度信息还藏在多个脉冲之间的相位变化里。把同一个距离单元在不同脉冲周期里的脉压输出按时间排成序列，再做一次 FFT，就是动目标检测 MTD，输出的二维图叫距离-多普勒图。
我构造了一个数据矩阵：行数是脉冲数 128，列数是距离单元数。每一行是当前脉冲的脉压结果，然后沿慢时间维做 FFT。
def mtd_processing(pulse_sequence, n_pulses=128): # pulse_sequence 是二维矩阵, 形状为 (n_pulses, range_bins) win = np.hanning(n_pulses) data = pulse_sequence * win[:, None] rd_map = np.fft.fftshift(np.fft.fft(data, axis=0), axes=0) return rd_map这里用了 Hanning 窗对慢时间维做加权，目的是抑制多普勒谱的旁瓣。如果不加窗，10 m/s 目标的多普勒旁瓣可能盖住速度接近的弱目标，和距离维加窗是同一个道理。FFT 之后，频谱中某个峰值对应的索引换算成多普勒频率，再除以波长系数 2/λ 就是目标速度。
相参积累的核心增益来自 128 个脉冲的同相叠加，功率上提升 128 倍，也就是约 21 dB。我实际仿真时，目标回波功率只有噪声的 0.5 倍，单脉冲脉压后完全看不到峰值，但 MTD 之后峰值的信噪比能达到 15 dB 以上。这正是雷达相参积累的威力所在——它不靠单个脉冲的能量，而靠多个脉冲之间的相位相干性。做这套仿真时，我建议大家把单脉冲脉压结果和 MTD 结果放在两张图里对比一次，那种从噪声里突然浮出两个峰值的视觉冲击，比任何公式都更能说明积累的意义。
4. 恒虚警检测与目标判决：把信号从噪声里可靠地捞出来
4.1 CA-CFAR 的原理、公式与参数设定
MTD 输出的距离-多普勒图是一张二维能量图，里面既有真实目标，也有噪声峰值。怎么判决哪些峰值算目标？如果只用一个固定门限，噪声功率一变门限就没法用了。恒虚警检测 CFAR 的思想是：对每个待检测单元，用周围参考窗内的功率水平估计当前背景噪声，然后自适应地生成检测门限。
最经典的是单元平均恒虚警 CA-CFAR：以检测单元为中心，左右各取 N 个参考单元，计算平均功率，再乘一个门限系数 α。α 由虚警概率 Pfa 和参考单元数 N 决定，α = N·(Pfa^(-1/N) - 1)。我用 N = 16、Pfa = 1e-6 代入计算：
α = 16 · ((10^6)^(1/16) - 1) ≈ 16 · (2.371 - 1) ≈ 21.9
也就是说，门限是估计背景功率的 21.9 倍。这个数也可以换算成 dB，20log10(21.9) ≈ 26.8 dB。如果目标经过脉压和 MTD 积累后的信噪比达到这个水平，就能稳定通过检测。
CA-CFAR 的实现并不复杂，核心是滑窗求平均。二维处理时我习惯先在距离维做一次 CFAR，再在多普勒维做一次，把两种判决结果取交集。这样相比直接在二维平面上开窗计算，逻辑更简单，而且可以分开调试。阈值系数 α 的取值和窗内参考单元数量直接相关，参考单元太少则背景估计方差大，参考单元太多则会拖慢计算速度，还要考虑目标之间的间距是否满足均匀噪声假设。
4.2 多目标、边缘与杂波起伏：CFAR 的工程改进
CA-CFAR 有个明显的短板：如果一个参考窗内包含另一个目标的信号，背景功率会被抬升，当前目标的门限也会被抬高，导致弱目标漏检。这在多目标场景里叫目标遮蔽。解决办法之一是改用 GO-CFAR（选大）或 SO-CFAR（选小），分别应对杂波边缘和多目标干扰。我维护 PLFM_RADAR 时，干脆提供了一个模式选择参数，默认用 CA-CFAR，遇到密集目标场景就切到 SO-CFAR。
另一个容易被忽略的问题是滑窗边缘效应。当检测单元接近距离-多普勒图的边缘时，一边没有足够的参考单元。粗暴的做法是直接跳过这些单元，但它们往往是场景边界，可能包含重要目标。我推荐用镜像延拓或补零的方式把窗补齐，边界的虚警率至少不会因为窗不完整而失控。
还有杂波谱的形状问题。城市或山地环境下，MTD 图里零多普勒附近往往有一大块强杂波，它的功率分布不是均匀的。此时在整个二维平面用同一个 α 做 CFAR 会有大量虚警，工程做法是加一个静态杂波图，先对零多普勒附近区域做抑制。PLFM_RADAR 的默认参数没有做这么重，但代码里预留了掩模接口，用的时候把零多普勒通道做线性衰减即可。
5. 调试实录：我在 PLFM_RADAR 上踩过的坑
5.1 距离旁瓣失控：加窗不是一劳永逸
第一次跑通整条链路时，我发现在两个目标相距约 80 m 的设置下，弱目标一直被强目标淹没。当时我以为 CFAR 参数错了，反复调 α 也没用。后来把一维距离像单独画出来才发现，根本不是检测的问题，而是强目标距离维的 Taylor 窗旁瓣落在了弱目标的距离单元里，把它的峰值盖住了。H3 调试过程中最忌讳只看最终输出图，一定要把每一级中间结果都单独画出来对比。
后来我在距离维加窗的同时，对脉压参考信号的频域补零段也乘了同一个窗，保证频域不出现矩形截断导致的额外旁瓣。这里分享一个经验：匹配滤波加窗时，窗的长度应该覆盖信号截断后的整个频带能量区间，如果只对有效信号段加窗而忽略零填充部分，等效于在频域上又做了一次矩形窗截断，旁瓣会反弹到约 -20 dB。这也是为什么我第 3 章的代码里直接在频域参考信号上生成与发射信号同样长度的窗。
5.2 目标速度大幅跳变：速度模糊是怎么出现的
仿真一开始我把目标速度设成 35 m/s，理论上对应多普勒频率 2v/λ = 2333 Hz，超过 PRF/2 = 1000 Hz。MTD 输出里目标出现在 -667 Hz 的位置，折算速度是 -10 m/s，完全对不上。这就是速度模糊，本质是慢时间采样率不满足奈奎斯特采样定理，多普勒频率发生了混叠。
要避免这个坑，最直接的办法是提高 PRF，但 PRF 太高会使无模糊距离变短，距离和速度需求天然冲突。工程上常用多重频测速：在多个不同的 PRF 下分别测量目标的多普勒频率值，再用中国余数定理或者查表法还原真实速度。PLFM_RADAR 里面我留了一个多 PRF 配置接口，把 PRT 列表传进去之后，系统会对每组数据各跑一遍完整链路，再对点迹做速度匹配。
如果你的目标速度范围本身不会超过 ±15 m/s，那本文默认的 PRF 2000 Hz 可以直接用；如果需要测高速目标，建议把 PRF 提到 4000 Hz 以上，但此时无模糊距离会缩小到 37.5 km，必须根据你的任务场景取舍。
5.3 常见问题与排查速查表
我把调试 PLFM_RADAR 过程中遇到的高频问题整理成了一张速查表，适合在联调时对照。
| 现象 | 可能原因 | 排查方法 | 解决方案 |
|---|---|---|---|
| 一维距离像峰值位置偏移明显 | 采样率换算错误或延时计算用了单向路程 | 打印 delay 值并与 τ·fs 对比 | 统一用双程时延 τ = 2R/c |
| 距离旁瓣升高到 -20 dB 附近 | 匹配滤波的频域补零段没有加窗 | 检查窗函数是否覆盖整个 FFT 长度 | 对整个参考信号长度加窗 |
| MTD 谱上出现对称双峰 | 目标速度超过 PRF/2 产生混叠 | 计算 vmax = λ·PRF/4 | 更换 PRF 或使用多 PRF 解模糊 |
| 强目标附近弱目标丢失 | 目标遮蔽效应或距离窗旁瓣太高 | 观察弱目标所在距离单元二维幅值 | 切换 SO-CFAR 或降低窗旁瓣电平 |
| 显示屏上虚警点集中在边界 | 滑窗跨边界时参考窗不完整 | 检查 CFAR 窗口边缘逻辑 | 对边界做镜像延拓或补零处理 |
| 目标峰值时有时无 | 初始相位导致跨脉冲积累不连贯 | 检查多普勒因子是否随慢时间正确递增 | 确保慢时间相位序列为 exp(j2πfd·m·PRT) |
这个表里的每一条我都在真实调试中遇到过，尤其最后一条，初学者经常漏掉多普勒相位在慢时间维的连续变化，只在单脉冲内乘了一个静态相位，导致积累时目标能量分散，看起来就像目标时隐时现。
说一个最实用的调试习惯：把发射信号、单脉冲回波、脉压输出、MTD 二维图、CFAR 检测后的点迹列表，每一步都保存成 numpy 数组并输出一张图。雷达信号处理的中间数据非常直观，看到哪一级开始形状不对，问题就锁定在哪一级。这套工程里我最后跑通的版本，从发射到点迹输出，单次仿真耗时不到 3 秒，加完 CFAR 后两个目标都稳定出现在正确的位置和速度上。整个过程里我最深的体会就是，雷达信号处理是一套环环相扣的逻辑，任何一个分块单独看都不复杂，串起来之后才真正体现系统的威力；把这个链路吃透，再去读各种新体制雷达的论文，会轻松很多。
