PLFM雷达波形设计：线性调频与相位编码融合的脉冲压缩实践

1. PLFM_RADAR 项目定位与波形设计思路

1.1 什么是 PLFM：把线性调频和相位编码揉在一根脉冲里

PLFM_RADAR 这个项目，我在立项时先把名字拆开了：PLFM 是 Phase-coded Linear Frequency Modulation，相位编码线性调频；RADAR 不用解释，就是雷达。这个项目的核心就一句话：在一根脉冲宽度内，同时叠加线性调频和相位编码两种调制，再通过匹配滤波器做脉冲压缩，从回波里提取目标的距离和速度。

为什么会想出这种东西？因为在设计雷达波形时，我一直在跟两个老伙计打交道：LFM（线性调频）和相位编码。LFM 的优点是工程上非常成熟，理论清晰，匹配滤波后的距离分辨率完全由带宽决定，多普勒容限也相当好；缺点是匹配滤波后的距离旁瓣高达 -13.2dB，这个旁瓣水平在强目标旁边探测弱目标时，很容易把弱目标淹没。相位编码信号的优点是频谱能量被“摊开”，不容易被简单截获，而且接收机用匹配滤波解调时，自身具备一定的抗干扰能力；缺点是对多普勒很敏感，目标一运动，邻近码元间就产生相位变化，匹配滤波效果急剧下降。

PLFM 的思路就是取两者之长：线性调频负责维持多普勒容限和距离分辨率，相位编码负责压低截获概率、打散频谱能量。单看每一项指标，它都不是最顶尖的，但组合在一起，能兼顾探测能力、低截获特性和工程可实现性。这也是我在 PLFM_RADAR 里选择它的理由。

1.2 PLFM 的数学表达和物理含义

我习惯先把信号形式写出来再谈实现。PLFM 信号的复包络可以写成：

s(t) = rect(t/T) · exp(j·π·k·t²) · c(⌊t/Tc⌋)

其中 rect(t/T) 表示宽度为 T 的矩形包络，k = B/T 是线性调频率，B 是信号带宽，c(⌊t/Tc⌋) 是相位编码序列在第 ⌊t/Tc⌋ 个码片处的取值。假如采用二相编码，c(n) 取 +1 或 -1；若用四相编码，则取 1、j、-1、-j 其中之一。

这个公式看起来简单，但设计时要小心三点。第一，码片宽度 Tc 必须远小于脉冲宽度 T，通常每个线性调频脉冲里要包含几十个以上相位编码码片，编码才有意义。第二，相位编码的 chip 率要和线性调频的瞬时频率变化对齐，否则调频和编码之间存在不可控的耦合，匹配滤波时会出现额外的畸变。第三，Barker 码、m 序列、随机序列的旁瓣特性不同，要结合场景选择。

我在 PLFM_RADAR 里验证了两种编码：一是 13 位 Barker 码，因为它的非周期自相关旁瓣峰值能压到 1/13，约 -22.3dB，作为试探足够干净；二是自己生成的伪随机 m 序列，虽然旁瓣不会像 Barker 码那样完美，但在长序列下，旁瓣包络会趋向于 -10·log10(N)，N 越大，旁瓣越平坦，适合做干扰条件下的稳定性试验。

1.3 系统指标设计和实验场景规划

既然标题是 PLFM_RADAR，我第一次迭代想清楚的问题，就是整套指标要在什么平台上验证。我最终选择的做法是“仿真先行，SDR 实测跟上”。仿真用 Python 纯粹跑数学链路，SDR 硬件用 USRP B210 做中频收发的验证。

整机指标按一个低成本实验雷达来定：

这套指标算不上高大上，但是能覆盖大部分城市交通、无人机等慢速目标的探测场景。很多人做雷达一上来就想要巨大带宽，其实在 SDR 平台上带宽越大，对采样率、存储和实时处理的要求越高，第一版能把 20MHz 做通，后面扩带宽自然水到渠成。

2. 核心细节解析：波形生成与匹配滤波实现

2.1 用 Python 快速生成 PLFM 波形

我相信把波形先在仿真里跑干净，再上硬件，能省掉大量现场排查的时间。PLFM 波形生成在 Python 里非常直接，核心代码如下。

import numpy as np fs = 50e6 # 采样率 50 MHz T = 100e-6 # 脉冲宽度 100 us B = 20e6 # 带宽 20 MHz N_c = 13 # 相位编码码片个数，这里先用 13 位 Barker Tc = T / N_c # 码片宽度 # 1. 生成基础线性调频信号 t = np.arange(0, T, 1/fs) k = B / T lfm = np.exp(1j * np.pi * k * t**2) # 2. 生成 13 位 Barker 码 barker13 = np.array([1, 1, 1, 1, 1, -1, -1, 1, 1, -1, 1, -1, 1], dtype=float) # 3. 将编码序列扩展成与 LFM 同样长度的信号 code_samples = int(round(Tc * fs)) code_wave = np.repeat(barker13, code_samples)[:len(t)] # 4. 合成 PLFM 信号 plfm = lfm * code_wave

这里有一个我反复强调的细节：np.repeat之后一定要做长度截断或填充，因为Tc * fs未必是整数。采样点数和码片宽度对不齐，匹配滤波输出会出现毫米级别的距离偏移，后面测角、测距就全歪了。我前面排错时最多的问题就是这个。

2.2 匹配滤波器：为什么必须是参考信号的时间反褶共轭

很多初学者会把匹配滤波理解成“拿信号和自身做相关”，这在数学上没错，但工程实现有个常见的坑：匹配滤波器的冲激响应是发射信号的时间反转，再取共轭。

matched_filter = np.conj(plfm[::-1]) # 匹配滤波输出 compressed = np.convolve(plfm, matched_filter, mode='full')

注意这里用的是plfm[::-1]而不是plfm。因为卷积的定义里需要做时间反转，如果不反褶，得到的是互相关而不是卷积，峰值的位置会左右颠倒。还有一点，匹配滤波只能在“发射信号是确定已知”的前提下做。如果发射链路上有非线性失真、载波泄漏，匹配滤波器的输出就会出现一堆假目标，这也是我后来在实测试验里花时间最多的部分。

PLFM 信号匹配滤波之后的峰值形状跟纯 LFM 不完全相同。纯 LFM 脉压后主瓣附近呈 sinc 函数形状，第一旁瓣在 -13.2dB；PLFM 因为叠加了相位编码，短码时旁瓣结构与 Barker 码的自相关函数类似，能做到更低。我用 13 位 Barker 码做 PLFM 仿真时，未加窗前第一旁瓣大约 -22dB 左右，肉眼已经比 LFM 干净很多。

2.3 加窗处理：旁瓣是被压下去了，但主瓣也胖了

旁瓣这个东西，在强目标旁边尤其讨厌。一个 30dB 的大目标，它的 -22dB 旁瓣仍然相当于一个 8dB 的小目标，很容易造成虚警。所以我在匹配滤波之前会在参考信号上做加权，也就是工程上常说的加窗。

window = np.hanning(len(plfm)) matched_filter = np.conj(plfm[::-1]) * window[::-1] compressed = np.convolve(plfm, matched_filter, mode='full')

不过要明确一点：加窗是拿距离分辨率和信噪比换旁瓣抑制的。汉明窗能把第一旁瓣压到 -40dB 以下，但主瓣宽度会从原来的约 1/B 展宽到约 1.5/B，距离分辨率下降；同时匹配滤波的匹配增益也会损失一些。所以加不加窗，加什么窗，要看场景：我建议在探测弱小目标的场景里用汉明窗，在需要分辨两个近距离目标的场景里优先保主瓣，不加窗或者用泰勒窗。泰勒窗是介于两者之间的好选择，我在后续版本里也引入过。

3. 实操过程：从回波模拟到距离多普勒二维处理

3.1 目标回波建模与仿真链路搭建

有了发射波形，第二步就是让它在仿真环境里“飞”起来。我构造了一个包含多个目标的回波模型：两个静止目标，分别在 300 米和 1200 米；一个匀速运动目标，初始距离 700 米，径向速度 10m/s；再加一个高斯白噪声本底。这样一个回波模型能同时覆盖距离维和速度维的算法验证。

回波模拟的简化公式是：

rx(t) = Σ A_i · s(t - τ_i) · exp(j·2π·f_d_i·t) + noise

其中 τ_i = 2R_i/c 是第 i 个目标的时延，f_d_i = 2v_i/λ 是多普勒频移，A_i 是幅度衰减。我把这三个目标的回波加在一起，再用匹配滤波做脉冲压缩。这个阶段我使用脉冲间相参积累，即把多个重复周期的脉冲回波排成一个二维矩阵，行是快时间（距离维），列是慢时间（速度维）。

3.2 距离多普勒处理：两次 FFT 走天下

雷达最经典的处理就是距离多普勒二维 FFT。第一步，对每个脉冲回波做匹配滤波，得到距离维压缩后的数据。第二步，在同一个距离单元里，对慢时间维做 FFT，得到速度维频谱。这样最终输出的二维矩阵，就是距离-多普勒图，简称 RD 图。

rd_map = np.zeros((n_pulses, n_range_bins), dtype=complex) for i in range(n_pulses): rd_map[i, :] = np.convolve(rx_pulse[i], matched_filter, mode='same') # 距离维已经是压缩后的，接下来对慢时间维做 FFT rd_spectrum = np.fft.fftshift(np.fft.fft(rd_map, axis=0), axes=0)

处理完之后，目标的峰值应该出现在对应的距离速度格子里。仿真结果很清晰：300 米和 1200 米两个静止目标出现在多普勒零频附近，700 米运动目标不仅位置对，而且速度维度上偏离了零频，根据多普勒频移反算出来的速度约 10m/s，和预设完全一致。

这里有个工程细节，我第一次做二维 FFT 时因为脉冲数太少，速度维出现严重的栅栏效应。脉冲重复周期是 1ms，10ms 积累时间只有 10 个脉冲，频率分辨率只有 100Hz，对应到速度分辨率是 2.58m/s。于是我提高脉冲积累数到 64 个，速度分辨率立刻提升到约 0.4m/s，目标峰值在速度维上就稳定了。可以说，慢时间积累数直接决定测速精度，仿真时别急着优化算法，先把积分时间拉够。

3.3 CFAR 检测与目标提取

RD 图做完以后，还不算完整的探测结果。如果只是把幅度图显示出来人肉找目标，那只能叫演示，不能叫雷达。我给它接上恒虚警率检测，也就是 CFAR。我选了单元平均 CFAR，在二维平面上滑动窗口，对每个待检单元估计噪声功率，再用门限系数判断是否属于目标。

from scipy.signal import convolve2d # 距离-多普勒平面上的二维 CFAR noise_avg = convolve2d(abs_rd, np.ones((2*n_guard+1, 2*n_guard+1)), mode='same') / ((2*n_guard+1)**2) threshold = noise_avg * alpha detect_map = abs_rd > threshold

单元平均 CFAR 的门限系数 α 跟虚警概率 Pfa 之间的关系是 α = Pfa^(-1/N) - 1，N 是参考单元数。我在程序里设置 Pfa = 1e-5，参考单元两侧各取 16 个，保护单元取 4 个。因为仿真数据信噪比足够高，检测结果非常稳，目标全部检出，虚警为 0。但在真实外场数据里，杂波不是均匀的，单元平均很容易在强杂波边缘产生“旁瓣虚警”，后面值得换用有序统计 CFAR。

3.4 多目标场景下的脉冲压缩旁瓣问题

多目标场景下最折磨人的，就是强目标旁瓣掩盖弱目标。我在仿真里故意加了一个非常强的静止目标在 400 米处，幅度比 1200 米目标高 30dB。未加窗时，400 米目标的旁瓣尾巴直接把 1200 米目标埋掉，RD 图上一片模糊。加上汉明窗之后，旁瓣被压到 -40dB 以下，1200 米目标重新浮现。这个过程我反复验证过，也在外场数据里遇到过类似情况。所以建议大家在调试多目标雷达时，边看 RD 图边注意旁瓣高度，千万不要只盯着主峰。

4. 常见问题与排查技巧实录

4.1 问题排查速查表

我想把这几周攒下的问题整理成一张可以直接对照的速查表，每个问题都是我真实踩过的。

4.2 实操心得：为什么 SDR 实测时 PLFM 更容易受失真影响

仿真做得再好，到了 SDR 实测环节，PLFM 的参数敏感性一下子就暴露出来了。原因在于相位编码本质上是把信息藏在相位跳变里，而射频前端任何非线性失真都会产生相位噪声，比如本振的相位噪声、功放压缩、ADC 的量化噪声都会直接侵蚀相位精度。我在 USRP B210 上做 5.8GHz 外场小实验时，第一次测出来的匹配滤波输出旁瓣比仿真高了近 10dB，排查到最后发现是发射链路增益过高，功放进入非线性区，相位编码跳变被“抹圆”了。解决办法是降低发射功率，让信号增益避开 1dB 压缩点，旁瓣立刻恢复正常。

这里给大家一个非常实在的补测建议：实测前先在接收机里直接采集发射机的参考波形，用这个参考波形做匹配滤波，而不要用仿真里的理想波形。因为理想波形和实际链路输出之间存在系统性差异，匹配滤波器的“匹配”就失效了。用实测参考波形之后，我的旁瓣水平从 -15dB 拉回到 -25dB 左右，效果立竿见影。

4.3 相位编码长码与短码的取舍

Barker 码最长的已知序列只有 13 位，继续扩展下去没有更长的完美序列。所以当系统需要更长的编码长度来进一步压低截获概率时，只能用 m 序列等伪随机序列。我在 PLFM_RADAR 第二阶段把编码长度扩到 63 位，匹配滤波后旁瓣不再有严格的窄峰，而是整体落在 -18dB 附近，比 13 位 Barker 差一些，但频谱更加“白”。这个取舍取决于工程任务：对抗单频窄带干扰时，长码的频谱扩展效果更好；对抗强杂波附近的弱目标时，短码加窗后的旁瓣更低。二者没有绝对优劣，只有合不合适。

5. 经验沉淀：从仿真到实测的几点共识

5.1 先解决时间同步，再谈波形设计精度

这个项目做完之后，我最大的体会是，波形算法本身并不是最难的，最难的是把时间基准搞得足够干净。PLFM 信号的距离测量本质上是通过匹配滤波输出峰值位置反推时延，而峰值位置对应的时间精度直接受采样时钟和脉冲触发同步影响。仿真里所有信号都是理想对齐的，实测时一旦 PRF 触发抖动超过一个采样点，距离像上就会出现横向拉条，目标峰值忽左忽右。我的做法是在每轮脉冲发射前插入一个同步头脉冲，接收端拿同步头做相关校准，把所有脉冲的时间基准拉到同一个原点上。这个技巧让我省掉了一整天的倒查时间。

5.2 距离分辨率与多普勒分辨率永远在打架

雷达设计里的一个老生常谈，在 PLFM_RADAR 里表现得特别明显：距离分辨率靠带宽，速度分辨率靠积累时间，测速范围靠脉冲重复频率。想要距离看得细，就要增加带宽；带宽一增加，采样率就要跟着涨，数据量变大，存储和处理压力上升。想要速度看得准，就要延长积累时间；积累时间一长，运动目标在积累窗口内可能已经跨了多个距离单元，出现距离走动，反而导致速度维模糊。这个矛盾没有一劳永逸的解法，只能按任务场景折衷。我在项目里用的折衷办法是：慢速目标场景用长积累，快速目标场景用短积累加运动补偿。这也提醒我，雷达参数设计永远不是单点最优，而是一个全局优化问题。

5.3 外场角度的开门经验

最后说一个外场实验的小教训，也算是一点实用经验。我最初把天线对准一片楼宇区域测试，结果 RD 图里全是静止强反射体，运动目标峰值被死死压在旁瓣里。后来换到相对空旷的操场，把天线稍微上仰，减少地面多径，目标才从 RD 图上干净地“浮”出来。所以做雷达实测，环境选择本身就是一个算法设计步骤。我建议所有做类似项目的朋友，第一轮外场测试尽量选在后向散射弱、反射面干净的地方，先把算法链路跑通，再去挑战强杂波环境。否则杂波和旁瓣叠加在一起，你根本分不清是波形的问题、算法的问题还是环境的问题。

PLFM_RADAR 这个项目做到现在，我不敢说波形方案有多先进，但整个过程让我把线性调频、相位编码、匹配滤波、二维 FFT、CFAR 检测这条链路由浅入深完整走了一遍。仿真与实测互相印证的模式，也让我后续做新波形时多了一份底气。如果你也在折腾雷达信号处理，建议先动手生成一段 PLFM 波形，跑通匹配滤波，再往里加目标、加噪声、加杂波，一步步来。这套路虽然朴素，却极其有效。