4. 雷达信号处理算法概览：脉冲压缩、MTI/MTD、CFAR、DOA估计、波束形成
好，咱们进入正题。这一章我打算把雷达信号处理里几个核心算法串起来讲一遍。你可能会问，为什么要先来个概览？
因为在实际的嵌入式系统里，这些算法不是孤立的。它们像流水线一样，一环扣一环。我见过不少新手，把每个算法都学得挺明白，但一上板子就懵了——不知道先跑哪个，后跑哪个，更不知道哪个环节最吃资源。
所以这一章，咱们不抠细节，先把全景图看清楚。后面每个算法都会单独开章节深挖。
4.1 脉冲压缩：距离分辨率的救星
先说说脉冲压缩。说白了，它就是解决一个矛盾：又想看得远，又想看得清楚。
你看，要提高探测距离，就得发射大能量。最简单的方法是把脉冲做宽。但脉冲一宽，距离分辨率就差了——两个靠得很近的目标就分不开了。
脉冲压缩怎么破这个局？它发射一个宽脉冲，但内部做了调制（比如线性调频）。接收的时候用一个匹配滤波器去处理。结果就是，宽脉冲进去，窄脉冲出来。
效果呢？ 既保留了宽脉冲的大能量，又获得了窄脉冲的高分辨率。
核心公式（匹配滤波器）：
h(t) = s*(-t) // 发射信号的共轭反转在数字域实现，其实就是做一次卷积。或者用FFT更快：
y = IFFT( FFT(s) * conj(FFT(h)) )我的经验： 在嵌入式平台上，我建议优先用FFT方式实现脉冲压缩。直接做卷积，点数一多，计算量就上去了。FFT虽然也有开销，但胜在稳定可控。我曾经在一个项目里，为了省那点内存，硬是用时域卷积，结果CPU占用率飙到90%，后来改成频域实现，直接降到30%。
4.2 MTI / MTD：把不动的东西滤掉
雷达回波里，除了我们想看的运动目标，还有大量静止杂波——山啊、楼啊、地面啊。这些东西的回波强度往往比目标大得多。
MTI（动目标显示）就是干这个的。它利用运动目标的多普勒频移，把静止杂波滤掉。
最简单的MTI就是一个对消器：
y[n] = x[n] - x[n-1]你看，如果目标是静止的，相邻两个脉冲的回波几乎一样，一减就没了。运动目标呢？回波有相位变化，减不干净，就留下来了。
但MTI有个问题——它只能告诉你“有东西在动”，但说不清动得多快。这时候就需要MTD（动目标检测）了。
MTD本质上就是一组窄带滤波器。它用FFT把不同速度的目标分到不同的通道里。比如你发64个脉冲，做64点FFT，就能分出64个速度通道。
避坑指南： 我曾经在一个项目中，MTI做完后直接接MTD，结果发现效果很差。后来排查才发现，MTI对消器会改变噪声的统计特性，导致MTD的检测性能下降。正确的做法是：要么只用MTD（不做MTI），要么在MTI之后加一个窗函数再进MTD。嗯，这个坑我踩过，你记住就行。
4.3 CFAR：自适应门限检测
信号经过脉冲压缩和MTI/MTD之后，我们得到的是一个二维数据矩阵（距离-多普勒图）。接下来要做的，就是判断哪些点是目标，哪些是噪声。
最简单的办法是设一个固定门限。但现实中的噪声和杂波是变化的——远处噪声小，近处噪声大；晴天噪声小，雨天噪声大。固定门限根本没法用。
CFAR（恒虚警率）就是解决这个问题的。它根据待检测单元周围的噪声水平，动态调整门限。
常见的CFAR类型：
| 类型 | 特点 | 适用场景 |
|---|---|---|
| CA-CFAR | 取左右参考窗的平均值 | 均匀杂波环境 |
| GO-CFAR | 取左右参考窗的最大值 | 杂波边缘（如地物边界） |
| SO-CFAR | 取左右参考窗的最小值 | 多目标环境 |
| OS-CFAR | 对参考单元排序后取第k个 | 非均匀杂波 |
我的建议： 实际工程中，我一般先用CA-CFAR，简单可靠。如果发现虚警太多，再换成GO-CFAR。如果发现目标被漏检，再考虑SO-CFAR。别一上来就搞OS-CFAR，排序操作在嵌入式上很费时间。
4.4 DOA估计：目标在哪个方向？
前面几步，我们知道了目标的距离和速度。但它在哪个角度呢？这就需要DOA（波达方向）估计了。
DOA估计依赖阵列天线。简单说，就是多个接收天线同时接收信号，利用不同天线之间的相位差来推算角度。
最经典的方法：
- 数字波束形成（DBF）： 对各个通道加权求和，形成指向某个方向的波束。然后扫描所有角度，找能量最大的方向。
- Capon波束形成： 也叫最小方差无畸变响应（MVDR）。它能在抑制干扰的同时，保持对目标方向的增益。
- 子空间方法（MUSIC/ESPRIT）： 利用信号子空间和噪声子空间的正交性，实现超分辨。但计算量大，嵌入式上慎用。
工程权衡： 在嵌入式系统里，我通常首选DBF。虽然分辨率不如MUSIC，但胜在稳定、计算量小。如果天线数量少（比如4个），DBF的角度分辨率确实有限，这时候可以考虑Capon。MUSIC？嗯，除非你的芯片有硬件加速，否则我不建议在实时系统里用。
4.5 波束形成：数字域的“透镜”
波束形成和DOA估计其实是“一体两面”。DOA是“接收”端的事——我们从回波里反推目标方向。波束形成则既可用于发射，也可用于接收。
在发射端，波束形成可以把能量集中到某个方向，提高探测距离和角度分辨率。在接收端，它可以同时形成多个波束，覆盖不同方向，实现“同时多波束”。
数字波束形成的核心操作：
// 假设有N个天线，阵元间距为d，波长为lambda
// 想要形成指向theta方向的波束
for (int i = 0; i < N; i++) {
phase_shift = 2 * PI * i * d * sin(theta) / lambda;
output += input[i] * exp(-j * phase_shift);
}你看，其实就是对每个通道的信号，补偿一个相位差，然后加起来。这个相位差取决于目标方向和阵元位置。
注意： 波束形成对相位一致性要求极高。我曾经在一个项目里，调试了三天发现波束指向总是不对。最后用示波器一量，发现有两路ADC的采样时钟有皮秒级的偏差。嗯，从那以后，我每次做阵列系统，第一件事就是先做通道校准。
4.6 算法流水线：从回波到目标
好了，现在我们把所有算法串起来，看看一个典型的处理流程：
- ADC采样 → 得到数字中频信号
- 脉冲压缩 → 提高距离分辨率
- MTI/MTD → 抑制杂波，提取速度信息
- CFAR检测 → 从噪声中挑出目标点
- DOA估计 → 计算每个目标的角度
- 目标凝聚与跟踪 → 把点迹变成航迹
这个流程不是死的。比如，如果你只关心距离和速度，不做角度测量，那DOA那步就可以省掉。如果你做的是相控阵雷达，波束形成可能放在最前面——先形成波束，再做脉冲压缩。
我的习惯： 在设计嵌入式雷达系统时，我会先画一个数据流图，标出每个模块的输入输出数据格式、数据量、处理时间预算。然后对着这个图，一个一个模块去优化。这样不容易漏掉瓶颈。你想想看，如果脉冲压缩那步就卡死了，后面再好的算法也跑不起来，对吧？
这一章咱们把雷达信号处理的几个核心算法过了一遍。后面每一章，我都会带着你深入一个算法，从原理到代码，从仿真到板级调试。咱们一步一步来。