第2章 数字信号处理基础：傅里叶变换、数字滤波器设计、脉冲压缩原理

各位同学，咱们今天聊点实在的。数字信号处理，说白了就是雷达抗干扰算法的“内功心法”。你算法写得再花哨，底层信号处理的基本功不扎实，到了工程现场一跑，全是坑。我个人习惯，在讲任何抗干扰算法之前，先把这三个基石夯实了：傅里叶变换、数字滤波器、脉冲压缩。

2.1 傅里叶变换：从时域到频域的“翻译官”

傅里叶变换，大家大学都学过。但工程上怎么用？我举个例子。你在时域里看到一个回波信号，乱糟糟的，根本分不清是目标回波还是干扰。但把它变到频域一看，嘿，干扰的频谱特征一目了然。这就是傅里叶变换的价值——它把时间轴上的信号，翻译成了频率轴上的能量分布。

在雷达系统里，我们最常用的是离散傅里叶变换（DFT），以及它的快速实现FFT。为什么用FFT？因为快。我在做某型机载雷达项目时，脉冲重复频率高，数据量大，如果不用FFT，实时性根本保证不了。

X(k) = Σ_{n=0}^{N-1} x(n) · e^{-j(2π/N)kn}

嗯，这里要注意一个工程细节：频率分辨率。它等于采样率除以FFT点数。你想想看，如果你要分辨两个频率很近的干扰信号，FFT点数就得够大。我见过有人为了省计算量，把FFT点数设得很小，结果两个干扰在频域里糊成一团，根本没法做后续的滤波处理。

2.2 数字滤波器设计：把干扰“筛”出去

傅里叶变换帮我们看清了干扰在哪，接下来就得用滤波器把它干掉。数字滤波器分两类：FIR（有限冲激响应）和IIR（无限冲激响应）。

在雷达抗干扰里，我强烈推荐FIR滤波器。为什么？因为它稳定，相位是线性的。你想想看，雷达回波里包含目标的距离和速度信息，如果滤波器把相位搞乱了，那测距测速全都会出错。IIR虽然计算量小，但相位非线性，搞不好就把目标信息给扭曲了。

我曾经在一个项目中，为了省几个乘法器，用了IIR滤波器做带通滤波。结果目标回波的相位发生了畸变，脉冲压缩后的旁瓣抬高了整整3dB。后来老老实实换回FIR，问题才解决。这个教训挺深刻的。

2.2.1 FIR滤波器设计要点

• 窗函数法： 最常用。矩形窗、汉明窗、布莱克曼窗。我一般用汉明窗，主瓣和旁瓣的折中比较好。
• 阶数选择： 阶数越高，过渡带越陡，但计算量也越大。工程上一般取30~100阶，具体看你的FPGA资源。
• 系数量化： 这个容易被忽略。浮点仿真跑得好好的，定点实现后滤波器性能就变差了。我建议系数至少保留16位精度。

2.3 脉冲压缩原理：用时间换距离分辨率

脉冲压缩，这是雷达信号处理的精髓之一。说白了，就是发射一个宽脉冲（能量大，打得远），接收后通过匹配滤波，压缩成一个窄脉冲（分辨率高）。

为什么会这样？因为雷达的距离分辨率取决于脉冲宽度。脉冲越窄，分辨率越高。但窄脉冲能量小，探测距离近。脉冲压缩完美解决了这个矛盾。

2.3.1 线性调频信号（LFM）

最常用的脉冲压缩信号是线性调频信号。它的频率随时间线性变化，像个“啁啾”声。数学表达式如下：

s(t) = A · rect(t/T) · cos(2πf₀t + πKt²)

其中，T是脉冲宽度，K是调频斜率，f₀是载频。rect是矩形函数。

匹配滤波器的冲激响应，就是发射信号的时间反转共轭。在数字域里实现，其实就是做一次卷积。但直接卷积计算量太大，工程上都是用FFT来实现：

1. 对回波信号做FFT
2. 乘以匹配滤波器的频域响应
3. 做IFFT回到时域

三步搞定，效率极高。我在某型火控雷达项目里，就是用这个流程，在FPGA上实现了实时脉冲压缩，延迟只有几十微秒。

嗯，这里要特别说一下距离旁瓣的问题。脉冲压缩后，主瓣旁边会出现一系列旁瓣。如果旁瓣太高，可能会把弱目标淹没掉，或者被误判为假目标。解决办法是加窗，比如汉明窗、泰勒窗。但加窗会降低压缩比，展宽主瓣。这是个trade-off，你得根据实际场景来权衡。

2.4 三者如何协同工作？

讲到这里，你可能要问：傅里叶变换、数字滤波器、脉冲压缩，它们之间是什么关系？

我打个比方。傅里叶变换是“眼睛”，帮你看清干扰在频域的位置。数字滤波器是“手术刀”，把干扰从频域里切掉。脉冲压缩是“放大镜”，把目标的细节从回波里提取出来。

在实际的雷达抗干扰流程中，顺序一般是：

1. 回波信号先做FFT，转到频域
2. 用数字滤波器（比如带阻滤波器）滤除干扰
3. IFFT回到时域
4. 做脉冲压缩，提取目标信息

当然，这只是最基础的流程。后面章节我们会讲到更复杂的自适应滤波、空时二维处理等。但万变不离其宗，这三个基础你吃透了，后面的内容学起来会轻松很多。

好了，这一章就到这里。下一章我们聊聊自适应滤波与空域抗干扰，那才是真正开始“打仗”的地方。