我搭这个叫PLFM_RADAR的雷达信号模拟实验框架，起因挺简单：想验证一种可编程线性调频波形在目标检测里的表现，但找不到能直接改参数、看完整处理链路的开源工具。市面上的教程大多停留在固定chirp信号，生成一下，匹配滤波一下，画个图就完了。真到要研究波形捷变、多目标分辨、多普勒估计的时候，才发现缺的东西太多。所以我用Python从零写了一套端到端的雷达信号仿真和处理工具，能完成波形生成、回波合成、距离-多普勒处理以及结果可视化。如果你也做雷达信号处理，或者想用SDR做雷达原型验证，这篇文章应该能帮你节省不少时间。

1. 为什么做PLFM_RADAR：从一次失败的雷达实验说起

1.1 教科书上的chirp，和实际雷达波形差在哪里

最早我在复现一个经典的LFM（Linear Frequency Modulation）雷达实验时，用的就是最常见的那套流程：生成一个线性调频脉冲，对回波做匹配滤波，然后测量峰值位置。问题出在当我试图换一组参数，比如把带宽从10MHz改成20MHz、把脉宽从20us改成50us时，代码里的硬编码参数散落得到处都是，改完还要手动调采样率、调FFT点数，稍不留心就出现频率混叠。更麻烦的是，实验里只有一个固定目标还好，一旦加入两个速度不同的目标，距离维和多普勒维就纠缠在一起，根本说不清是距离耦合还是速度模糊。

那会儿我才意识到，雷达波形设计的难点不是"会写匹配滤波"，而是整个信号链路的参数依赖关系。脉宽影响距离分辨率，带宽影响距离分辨率，PRI影响最大不模糊速度和距离，脉冲数影响多普勒分辨率，采样率又制约着前四个参数的选择。这些东西在一个固定chirp的demo里完全体现不出来。所以我需要的不是一个函数，而是一个能让我快速调整参数、观察每个环节变化的实验框架。PLFM_RADAR就是在这个需求下开始写的。

1.2 PLFM到底是什么，我真的需要它吗

项目名里的PLFM，我自己的定义是Programmable Linear Frequency Modulation，可编程线性调频。传统LFM的调频斜率K是固定的，一个脉冲内频率从f0扫到f0+B，所有脉冲都一样。PLFM则给每个脉冲引入一个可控的变化维度：可以是调频斜率的扰动，可以是起始频率的跳变，也可以是脉冲与脉冲之间的相位重置规则。比如第n个脉冲的瞬时频率可以写成：

f(t,n) = f_start(n) + K(n)·t

其中f_start(n)和K(n)在每个脉冲之间都不一样。这样做的直接好处有两点。第一是抗干扰：如果两个雷达用相同的固定LFM参数，互相之间会产生强互扰；而PLFM的每个脉冲都不同，对方如果不知道跳变序列，就无法形成匹配滤波增益。第二是降低模糊函数旁瓣：让不同脉冲的调制形式错开，可以在慢时间维把一些原本固定的距离-多普勒耦合旁瓣随机化，经过积累后互相抵消。

我并不是说所有场合都需要PLFM。如果你只是做基础教学实验，固定LFM足够。但如果你想研究波形分集、雷达捷变频、或者用软件无线电做抗干扰验证，PLFM就是一个很好的切入点。PLFM_RADAR里我保留了开关，默认打开PLFM模式，也可以一键退化为普通LFM，方便对比。

1.3 项目定位：先做数字仿真，还是直接上硬件

我最初想过直接用USRP做硬件在环实验，但第一步就把自己劝退了。原因是硬件链路里的小问题太多：本振泄漏、DC偏置、IQ不平衡、收发时钟不同步，任何一个都会让匹配滤波结果变得莫名其妙。如果你先能在纯数字仿真里把信号模型调明白，再上硬件，心里会踏实很多。

所以PLFM_RADAR的定位是纯数字仿真框架，所有信号都在基带产生和存储，不涉及射频前端。这样做的好处是结果完全可复现，坏处是没法验证真实环境中的噪声和干扰。但反过来想，如果数字仿真里你的波形设计就是错的，上硬件只会更错。先把数字链路跑通，再迁移到SDR平台，是性价比最高的路线。

2. PLFM_RADAR的信号模型与链路参数是怎么定的

2.1 发射链路参数：一张表说清楚所有依赖

PLFM_RADAR的参数设计都在一个统一的配置结构里，我把它定义成字典，方便在实验脚本里临时覆盖。核心参数如下表：

这几个参数之间有几个需要特别注意的关系。带宽B定了距离分辨率，脉宽T定了调频斜率K，K太大意味着瞬时频率变化太剧烈，对采样率的要求也跟着变高。PRI必须是脉宽的几倍以上，否则回波还没收完就开始发下一个脉冲，产生距离模糊。脉冲数N直接决定多普勒维的积累增益，但N太大仿真时间会很长，128是一个平衡点。

PLFM模式下，每个脉冲的调频斜率会在基础值附近做±20%的随机扰动。为什么要设20%？太小看不出波形捷变带来的旁瓣抑制效果，太大会导致不同脉冲的带宽不一致，处理时参考信号也要逐个脉冲匹配，非常繁琐。20%是我调试下来比较舒服的折中：既能让相邻脉冲的频谱显著错开，又不需要对每个脉冲单独做脉冲压缩。

2.2 接收链路的数字处理流程

接收端的处理链路我分成了四个步骤：数字下变频、脉冲压缩（匹配滤波）、慢时间维FFT、恒虚警检测。在这个仿真框架里，信号本来就是复基带信号，所以省掉了射频混频那一步，直接从回波信号开始处理。

脉冲压缩这一步有两种常见实现方式：一种是用匹配滤波的频域形式，另一种是去斜处理（stretch processing）。我选择的是频域匹配滤波，原因有两点。第一，匹配滤波逻辑简单，只需要一次FFT、一次复乘、一次IFFT，对理解原理更友好。第二，PLFM模式下调频斜率每个脉冲不同，去斜处理需要一个与当前脉冲完全同步的本振信号，工程上实现更麻烦，而频域匹配滤波只需要知道当前脉冲的发射波形参考，没有同步问题。

慢时间维处理是雷达信号处理和普通信道估计的最大不同点。你在一段时间内连续发了128个脉冲，每个脉冲做完脉冲压缩后，会在距离维上得到一个目标峰值。如果目标是运动的，那么这个峰值的相位在慢时间维上会发生变化，频率就是多普勒频移。对128个距离单元的慢时间序列做FFT，就能得到距离-多普勒二维图谱。这个思路和通信里的OFDM信道估计很像，但物理含义完全不同。

2.3 目标模型为什么用点目标而不是扩展目标

PLFM_RADAR里我用了最简单的点目标模型，回波可以写成一个延时、一个多普勒频移、一个幅度衰减的组合：

r[n] = A·s[n - τ]·exp(j·2π·fd·n·T_sample) + noise

其中τ = 2R/c是双程延迟，fd = 2v·f0/c是多普勒频移，A取决于目标RCS和距离衰减。点目标模型的优点是你对理论结果有精确预期，方便验证处理算法有没有写对。扩展目标需要考虑多个散射中心，算法验证阶段用它只会让问题复杂化。

但点目标模型有个容易被忽略的坑：目标在脉冲持续时间内如果速度很快，回波内部的相位是不断变化的，严格来说每个采样点的多普勒相位都不同。幸运的是，对于典型雷达目标（速度几百m/s以内），脉冲内的多普勒相位变化远小于1弧度，可以认为整个脉冲内的多普勒相乘系数是常数。这个近似在雷达领域叫"停走"假设，本文的目标速度30m/s完全满足条件。

3. 核心模块的代码实现：波形、回波与二维处理

3.1 波形生成：相位连续性比斜率变化更重要

PLFM模式下，调频斜率每个脉冲都不同，如果直接对每个脉冲重新计算相位函数，大概率会在脉冲边界处产生相位跳变。相位跳变意味着频谱展宽和能量泄漏，处理时会多出很多莫名其妙的旁瓣。我在写代码之前专门想过这个问题，解决方案是用相位累加器，让每个脉冲的起始相位等于上一个脉冲的结束相位。

import numpy as np def generate_plfm_frame(f0, B, T, PRI, fs, num_pulses, slope_randomize=0.2): t_pri = np.arange(0, PRI, 1/fs) samples_per_pulse = int(T * fs) samples_per_pri = len(t_pri) K_base = B / T frame = np.zeros(num_pulses * samples_per_pri, dtype=complex) phase_acc = 0.0 for n in range(num_pulses): # 每个脉冲的调频斜率在基础值上加上随机扰动 K_eff = K_base * (1 + (np.random.rand() - 0.5) * 2 * slope_randomize) t = np.arange(samples_per_pulse) / fs # 瞬时相位 = 累加相位 + 起始频率项 + 线性调频项 phase = phase_acc + 2 * np.pi * (f0 * t + 0.5 * K_eff * t**2) pulse = np.exp(1j * phase) start_idx = n * samples_per_pri frame[start_idx : start_idx + samples_per_pulse] = pulse # 更新相位累加器：取这个脉冲末端相位作为下一个脉冲起始相位 phase_acc = phase[-1] return frame, t_pri

这个函数里有个细节：我在每个脉冲内只填充了T长度的有效信号，剩余PRI-T的长度是保护间隔，用于等待回波。保护间隔的长度决定了最大不模糊距离。PRI=200us、脉宽=50us时，保护间隔150us对应探测距离22.5km，对于我的实验目标足够了。如果要探测更远的目标，就必须增大PRI，但代价是多普勒分辨率会变差。

3.2 回波仿真：分数延迟必须处理，不能直接round

刚开始做回波仿真时，我直接按最近的采样点取整延迟，结果距离测量值出现了稳定的偏移。这是因为目标距离2000m对应的延迟是13.33us，在50MHz采样率下是666.67个采样周期。取整成667的话，引入的延迟误差是0.33个采样周期，对应距离误差是0.33×c/(2·fs)≈1米。表面上看1米很小，但在高分辨率雷达里，距离分辨率只有7.5米，1米偏差已经不可忽略。

解决方案是使用频域插值来实现分数延迟。做法是在频域乘一个线性相位exp(-j·2π·f·τ_sub)，其中τ_sub是小于一个采样周期的剩余延迟。

def delay_signal(signal, delay_samples, fs): N = len(signal) # 整数部分和分数部分拆分 int_delay = int(round(delay_samples)) frac_delay = delay_samples - int_delay # 先做整数移位 delayed = np.roll(signal, int_delay) # 频域分数延迟 freq = np.fft.fftfreq(N, 1/fs) delayed_fft = np.fft.fft(delayed) delayed_fft *= np.exp(-1j * 2 * np.pi * freq * frac_delay / fs) return np.fft.ifft(delayed_fft)

用这个函数之后，距离测得的峰值位置和真实目标位置完全对齐。所以在回波仿真里，任何涉及延时的操作，都应该把延迟分解成整数部分和分数部分分别处理，这是做精细雷达仿真必须迈过的一道坎。

多普勒频移的仿真相对简单，只需要在回波信号的每个采样点上乘一个exp(j·2π·fd·t)的旋转因子。但我当初犯了一个方向性错误：把多普勒频移的正负号搞反了，导致速度测量结果变成了相反数。双程多普勒频移公式是fd = 2v/λ，当目标靠近雷达时v取正，回波频率应该升高，所以在基带里应该乘以正的旋转因子。做仿真时随时记住物理方向，不然符号错了很难排查。

3.3 匹配滤波与距离-多普勒二维处理的实现细节

匹配滤波的核心代码很简单，但有几个细节容易出错。首先，参考信号应该用发射信号的共轭翻转，在频域实现时是conj(fft(ref))；其次，FFT点数要足够，最好是2的幂，避免对回波长度直接FFT导致频谱泄漏到不想要的点上。

def pulse_compression(rx_pulse, ref_pulse, n_fft=None): if n_fft is None: n_fft = len(rx_pulse) + len(ref_pulse) - 1 n_fft = int(2 ** np.ceil(np.log2(n_fft))) rx_fft = np.fft.fft(rx_pulse, n_fft) ref_fft = np.fft.fft(ref_pulse, n_fft) return np.fft.ifft(rx_fft * np.conj(ref_fft), n_fft)

做完128个脉冲的脉冲压缩后，我会得到一个形状为(128, n_fft)的二维矩阵，其中第一维是慢时间，第二维是快时间。快时间维对应距离，慢时间维对应多普勒。对慢时间维做FFT时，我习惯先把每个距离单元上的慢时间序列提取出来，做加窗和FFT，再放回二维矩阵里。如果直接用np.fft.fft(matrix, axis=0)，虽然能一次性算完，但没法灵活地对每个距离单元做不同的窗函数。

距离-多普勒图中的目标峰值坐标，可以通过二维峰值搜索找到。假设峰值在距离索引ri和速度索引vi，那么距离R = ri·c/(2·fs)，速度v = (vi - N/2)·Δv（如果用了fftshift），其中Δv = λ/(2·N·PRI) = c/(2·f0·N·PRI)。我习惯先显示一张二维热力图，再打印峰值对应的物理量，比直接看原始数组直观得多。

4. 调参过程中的意外现象与解决记录

4.1 采样率不足导致的频谱混叠问题

有一段时间我把采样率设成了25MHz，正好等于信号带宽。理论上复基带信号只需要大于等于带宽就不会混叠，但实际跑出来发现脉冲压缩后的旁瓣整体升高，而且目标距离出现了一点点偏移。排查了很久，发现问题是PLFM模式下信号瞬时带宽范围会超过标称带宽。

原因是这样的：基础带宽20MHz是频率从f0扫到f0+B的结果，但PLFM模式每个脉冲的调频斜率在±20%范围内扰动，如果K增大20%，同样的脉宽T下，带宽会变成24MHz。此时25MHz采样率只比24MHz多1MHz的余量，再加上多普勒频移和目标运动带来的额外频率偏移，就非常容易在频谱边缘产生轻微的混叠。混叠的能量不会凭空消失，它会折叠到基带内，表现为噪声抬升和峰值畸变。

解决方式很简单，把采样率提高到50MHz。这也是为什么项目里最终选了2.5倍带宽余量而不是理论最小值。从事雷达仿真的人都知道，采样率宁高勿低，因为FFT运算的算力开销在几万点这个量级并不会造成瓶颈，但混叠带来的错误会让你在调参时浪费大量时间。如果让我再选一次，我会直接用60MHz，连思考余量都省了。

4.2 旁瓣抑制：窗函数选择的对比

匹配滤波后距离维的旁瓣问题，是每个雷达研究者都要面对的。我用矩形窗做脉冲压缩时，距离旁瓣峰值只有-13.3dB左右。这意味着如果一个强目标旁边有一个弱目标，弱目标很容易被强目标的旁瓣淹没。我试过把发射信号加窗来降低旁瓣，但加窗会把信号本身的能量损失掉，而且破坏了LFM信号的恒模特性和匹配滤波的最佳信噪比特性，得不偿失。

更常用的做法是在匹配滤波的频域参考信号上乘一个窗函数。我对比了三种窗：

从表格可以看出来，旁瓣压得越低，主瓣越宽，距离分辨率就越差。在PLFM_RADAR里，我默认使用汉宁窗，因为-31.5dB的旁瓣已经足够满足大多数场景，而主瓣展宽1.62倍带来的距离分辨损失还在可接受范围内。布莱克曼窗虽然旁瓣更低，但主瓣展宽太大，两个相距较近的目标会更容易粘连。

这个对比有一个重要的前提：窗函数是加在频域参考信号上的，而不是加在时域信号上。具体做法是在匹配滤波的ref_fft后面乘一个窗向量，窗向量的长度等于FFT点数，形状和频域轴对齐。如果你直接在时域发射信号上乘窗，会使信号幅度包络变成锥形，匹配滤波后会出现奇怪的副瓣，别问我怎么知道的，我踩过这个坑。

4.3 多目标分辨的临界场景与PLFM的优势体验

我设计了一个场景来测试PLFM的优势：两个目标，一个在2000m处，速度30m/s，另一个在2005m处，速度-10m/s。两个目标之间的距离差是5m，小于20MHz带宽对应的距离分辨率7.5m。按照传统LFM，这个场景下用矩形窗或汉宁窗都只能看到一个融合的峰值，无法分辨两个目标。

但PLFM模式给了我一份额外收获。因为每个脉冲的调频斜率都不同，两个目标在不同脉冲上的干涉相位关系不同，经过脉冲间积累后，它们形成的多普勒频谱会出现不同的调制特征。我在慢时间维FFT后，发现尽管距离维只有一个包络，但多普勒维出现了两个明显的峰值，对应两个不同速度的目标。这个现象并不是传统意义上的超分辨，而是利用了目标速度差异带来的慢时间调制差异。

这次实验让我认识到，波形设计对雷达探测能力的影响是全方位的。在传统LFM下看起来"无法分辨"的场景，换一种波形可能就能分离。但也要提醒一句：如果两个目标距离差仍小于分辨率，且速度完全相同，PLFM也救不了你。在这种情况下，你需要的是带宽更大的信号，或者MIMO雷达的虚拟阵列概念。

5. 复现这个实验的注意事项与下一步打算

5.1 环境依赖与代码组织建议

PLFM_RADAR的复现成本很低，只需要Python 3.9以上版本，依赖numpy、matplotlib和scipy。我建议把项目组织成模块化结构，至少包含四个文件：波形生成模块、回波仿真模块、信号处理模块和配置模块。这样改参数时不需要在算法代码里翻找，全部集中在配置模块里修改。

我自己的代码组织长这样：

plfm_radar/ ├── config.py # 所有参数集中定义 ├── waveform.py # 波形生成、相位累加 ├── radar_sim.py # 回波生成、噪声添加 ├── processing.py # 匹配滤波、距离-多普勒处理 ├── run_experiment.py # 主脚本：调用前述模块并绘图 └── results/ # 保存图像和中间数据

如果你打算长期做雷达仿真，我强烈建议把每一步的中间结果都保存成.npy文件。原因是你很难预判哪个环节会出问题，如果只能看到最终热力图，根本不知道错误是出在波形生成还是回波仿真还是匹配滤波。把中间量存下来，分析问题时用短脚本逐个加载检查，会高效得多。

5.2 随机种子与可复现性的教训

PLFM模式涉及随机数，第一次跑实验时，因为没设随机种子，每次运行得到的目标峰值位置和旁瓣形状都不一样。这对于调试算法是灾难级的体验：你改了一行代码，然后发现结果变化了，但你不知道是改动引起的，还是随机数变化引起的。

所以我在所有实验脚本开头都加了一行：

np.random.seed(42)

固定种子后，每次运行结果完全一致，我才能放心地对比不同参数对结果的影响。对于需要统计分析的实验，比如要评估噪声背景下检测概率，可以用多个随机种子跑多次实验，但每次实验的随机种子是固定且可枚举的。这个习惯建议所有雷达仿真和信号处理爱好者都养成。

5.3 从纯数字仿真到硬件在环的迁移思路

数字仿真跑通后，我下一步的计划是把PLFM_RADAR迁移到USRP上，做真实的射频实验。迁移过程中的几个关键点我可以提前说一下，免得后面踩坑。

首先是同步问题。USRP收发必须使用同一时钟源，否则发射和接收信号之间的频率偏差和相位漂移会让多普勒估计完全失效。推荐用外部10MHz参考时钟同步。其次，去斜处理在硬件上通常采用stretch processing，因为实时匹配滤波对计算力要求太高。如果沿用匹配滤波思路，一定要把参考信号预先存储在FPGA或主机内存中，并确保参考信号和发射信号来自同一次波形的基带复制，不要分别在发射端和接收端各生成一份。

最后是校准问题。硬件前端会引入直流偏置和I/Q不平衡，导致镜像频率干扰。常见的校准办法是发一个直流信号或单音信号，测量并补偿I/Q两路的幅度和相位差异。这在纯数字仿真中完全不存在，上硬件后会非常明显。所以我的建议是：数字仿真阶段把算法原理吃透，硬件阶段专门花精力解决前端非理想特性，两者结合起来才是完整的雷达实验。

5.4 我实际跑下来最想分享的三句话

第一，雷达仿真的隐藏成本不在算法实现，而在参数关系的互相牵制。你调一个PRI，可能就影响多普勒分辨率和最大不模糊距离，稍不留心就会得到矛盾的配置。PLFM_RADAR让我把这张参数关联图彻底理清了。第二，遇到诡异的现象先别急着怀疑算法，先检查采样率、窗函数、相位连续性这些最基础的东西。我在这个框架里遇到的所有问题，最后都定位到了这些基础环节。第三，波形捷变和认知雷达确实是未来的方向，但前提是你先把普通LFM的距离-多普勒处理做到滚瓜烂熟。没有这个底子，PLFM带来的额外自由度只会让你更混乱。

这个项目目前还在持续迭代中，下一步我想加入自适应波形选择逻辑，让系统根据上一帧的检测结果自动调整下一帧的调频斜率分布范围，把这个仿真框架变成一个初级的认知雷达实验床。如果后面有新的进展，我会再整理一篇新的笔记。