第一章 雷达信号处理概述
各位同学，欢迎来到《雷达信号处理中的FFT算法实战》。我是你们这门课的老朋友，一个在雷达信号处理领域摸爬滚打了十几年的工程师。今天咱们先不急着敲代码，先聊聊雷达这玩意儿到底是怎么工作的，以及FFT这个“神器”在里头扮演了什么角色。
说实话，我刚入行那会儿，对雷达的理解就是“发射一个波，碰到东西弹回来，然后算算距离”。嗯，这个理解没错，但太粗糙了。你想想看，一个真实的雷达系统，从天线接收到回波，到最终在屏幕上显示出一个稳定的目标点，中间要经过多少道工序？我当年第一次看到完整的信号处理流程图时，说实话，有点懵。
1.1 雷达工作原理：从发射到接收
雷达的基本原理，说白了就是“回声定位”。蝙蝠用嘴巴发出超声波，用耳朵听回声。雷达用天线发射电磁波，用接收机听回波。道理是一样的，只不过电磁波跑得快，每秒30万公里。
一个典型的脉冲雷达，工作流程大致是这样的：
- 发射阶段：发射机产生一个高功率的射频脉冲，通过天线定向辐射出去。
- 传播阶段：电磁波在空气中传播，遇到目标（飞机、舰船、甚至雨滴）后发生散射。
- 接收阶段：一部分散射能量回到天线方向，被接收机捕获。
- 混频与下变频：接收到的微弱高频信号，先跟本振信号混频，变成中频信号，再经过放大和滤波。
- 模数转换：模拟的中频信号被ADC采样，变成数字信号，送到信号处理机。
这里有个关键点：目标距离是通过测量发射脉冲和回波之间的时间差算出来的。公式很简单：R = c * Δt / 2。c是光速，Δt是时间差，除以2是因为电磁波走了个来回。
核心公式：
距离分辨率 ΔR = c / (2 * B)，其中B是发射信号的带宽。
这意味着，带宽越大，你能分辨的两个目标就越近。我当年做某型火控雷达时，为了把分辨率从10米提升到1米，硬是把发射机带宽从15MHz改到了150MHz，那段时间真是天天跟功放模块较劲。
1.2 雷达信号处理流程：从ADC到目标检测
ADC之后的数据，才是我们信号处理工程师的主战场。整个流程可以概括为几个关键步骤：
- 脉冲压缩：发射宽脉冲（保证能量），接收后通过匹配滤波压缩成窄脉冲（保证分辨率）。这一步通常用FFT实现。
- MTI/MTD：动目标显示/动目标检测。利用多普勒效应，把静止的杂波（比如地面、建筑物）滤掉，只保留运动目标。MTD的核心就是一组多普勒滤波器组，本质上就是FFT。
- CFAR检测：恒虚警率检测。在噪声和杂波背景中，自适应地设定一个检测门限，保证虚警概率恒定。
- 参数估计：对检测到的目标，精确估计其距离、速度、角度。
- 点迹凝聚与跟踪：把同一个目标的多个点迹合并，然后进行航迹关联和跟踪。
你看，FFT在第二步和第三步中已经出现了。但它的作用远不止于此。我个人的经验是，FFT是整个数字信号处理链路的“心脏”。没有它，很多算法都跑不起来。
一个小技巧：
在实际工程中，我们经常用重叠保留法或重叠相加法来实现长序列的卷积（比如脉冲压缩）。这两种方法的核心思想，就是把长序列分段，每段用FFT做快速卷积，最后再拼接起来。我建议你把这个技巧记下来，面试时经常被问到。
1.3 FFT在雷达中的作用：为什么它如此重要？
FFT，全称是快速傅里叶变换。它把时域信号变换到频域。在雷达里，频域信息意味着什么？
- 多普勒频率 → 目标速度：运动目标反射的回波，其频率会发生变化（多普勒效应）。这个频率偏移量正比于目标的径向速度。FFT能精确地提取出这个频率值。
- 频谱分析 → 杂波抑制：静止杂波的多普勒频率为零（或接近零），而运动目标的多普勒频率非零。在频域里，我们可以轻松地设计一个高通滤波器，把零频附近的杂波滤掉。这就是MTD的基本原理。
- 匹配滤波 → 脉冲压缩：匹配滤波器的频率响应是发射信号频谱的复共轭。在频域做乘法，等价于时域做卷积。FFT让这个计算变得飞快。
- 数字波束形成：在相控阵雷达中，对多个通道的信号做FFT，可以同时形成多个波束，覆盖不同的角度。
说白了，FFT把雷达信号处理从“时域手工活”变成了“频域流水线”。
避坑指南：
我曾经在一个项目中，直接用MATLAB的fft函数处理了一整段回波数据，结果发现目标峰值位置总是对不上。查了半天才发现，FFT的点数必须大于等于数据长度，否则会发生“栅栏效应”，导致频率估计偏差。后来我养成了一个习惯：做FFT之前，先检查一下采样率和数据长度，确保频率分辨率满足要求。
频率分辨率 Δf = Fs / N，其中Fs是采样率，N是FFT点数。这个公式一定要刻在脑子里。
1.4 一个简单的例子：用FFT测速
光说不练假把式。咱们来看一个最简单的例子：假设雷达发射频率为10GHz的连续波，接收到一个运动目标的回波。采样率是1MHz，我们采集了1024个点。如何用FFT求出目标速度？
import numpy as np
import matplotlib.pyplot as plt
# 参数设置
fs = 1e6 # 采样率 1 MHz
N = 1024 # 采样点数
f0 = 10e9 # 发射频率 10 GHz
c = 3e8 # 光速
# 模拟一个目标，径向速度 100 m/s
v_target = 100.0
fd = 2 * v_target * f0 / c # 多普勒频率
print(f"理论多普勒频率: {fd:.2f} Hz")
# 生成回波信号（加噪声）
t = np.arange(N) / fs
signal = np.exp(1j * 2 * np.pi * fd * t) + 0.1 * (np.random.randn(N) + 1j * np.random.randn(N))
# 做FFT
spectrum = np.fft.fft(signal, N)
freq_axis = np.fft.fftfreq(N, 1/fs)
# 找峰值
idx = np.argmax(np.abs(spectrum))
f_est = freq_axis[idx]
v_est = f_est * c / (2 * f0)
print(f"FFT估计的多普勒频率: {f_est:.2f} Hz")
print(f"估计的目标速度: {v_est:.2f} m/s")
运行这段代码，你会发现估计值和理论值非常接近。嗯，这就是FFT在雷达测速中的基本应用。当然，实际系统里要考虑的东西多得多——比如加窗抑制旁瓣、多目标分辨、速度模糊等等。这些我们后面章节会一一展开。
好了，第一章就到这里。咱们把雷达的“骨架”搭起来了，也知道了FFT在其中的核心地位。下一章，我会带大家深入FFT的数学原理，看看这个算法到底是怎么“变魔术”的。到时候我会分享一些我自己推导FFT时踩过的坑，保证让你印象深刻。
记住一句话：雷达信号处理，玩的就是频率。而FFT，就是你手里最锋利的刀。