第1章：雷达信号基础
各位同学，欢迎来到雷达信号处理的第一课。我是你们的讲师，一个在雷达领域摸爬滚打十几年的老工程师。今天咱们聊聊最基础的东西——雷达信号的数学表示。
很多人觉得基础内容枯燥，我年轻时也这么想。但后来我发现，基础不牢，后面做算法优化时处处是坑。所以，咱们静下心来，把地基打扎实。
1.1 雷达信号的数学表示
雷达发射的信号，说白了就是一个高频电磁波。但我们在数字信号处理里，很少直接处理那个高频波形。为什么？因为采样率太高，计算量太大，不现实。
所以，我们引入了两个重要的概念：复包络和解析信号。
复包络
想象一下，你有一个实信号：
s(t) = a(t) * cos(2πf₀t + φ(t))这个信号有三个部分：幅度a(t)、载频f₀、相位φ(t)。我们真正关心的，其实是a(t)和φ(t)的变化，而不是那个高频振荡。
复包络的定义很简单：
u(t) = a(t) * exp(jφ(t))这样一来，原来的实信号就可以写成：
s(t) = Re{ u(t) * exp(j2πf₀t) }我个人习惯把复包络理解为信号的「基带版本」。它去掉了载频，保留了所有有用的信息。我在做动目标检测时，经常用复包络来分析多普勒频移，非常直观。
解析信号
解析信号是另一个好用的工具。它把实信号变成复信号，而且只保留正频率部分。
数学上，解析信号定义为：
s_a(t) = s(t) + j * Ĥ[s(t)]其中Ĥ是希尔伯特变换。说白了，解析信号就是实信号加上它的90度相移。
为什么要用解析信号？我举个例子。在测距时，我们需要精确估计回波的时延。如果用实信号，峰值检测的精度受限于采样间隔。但用解析信号的包络，我们可以做插值，精度能提高一个数量级。
1.2 时宽带宽积
时宽带宽积，英文叫Time-Bandwidth Product，简称TB积。这个概念太重要了，我建议你把它刻在脑子里。
定义很简单：
TB = 信号时宽 × 信号带宽但它的物理意义很深。TB积决定了雷达的距离分辨率和多普勒分辨率的折中关系。
我记得刚入行时，带我的老工程师说了一句话：「TB积是雷达信号的灵魂。」当时我不理解，后来做波形设计时才明白。
简单来说：
- TB = 1：简单脉冲，距离和多普勒分辨率互相制约
- TB > 1：脉冲压缩信号，可以同时获得高距离分辨率和高能量
为什么会这样？因为TB积大的信号，内部有调制结构。比如线性调频信号，它的频率在变化，所以带宽可以做得很大，同时脉冲宽度也可以很长。
| 信号类型 | 时宽 | 带宽 | TB积 | 典型应用 |
|---|---|---|---|---|
| 简单脉冲 | 1 μs | 1 MHz | 1 | 近距离测距 |
| 线性调频 | 100 μs | 10 MHz | 1000 | 远距离探测 |
| 相位编码 | 50 μs | 20 MHz | 1000 | 抗干扰 |
1.3 线性调频信号（LFM）
线性调频信号，也叫Chirp信号，是雷达里最常用的脉冲压缩信号。它的频率随时间线性变化。
数学表达式：
s(t) = rect(t/T) * exp(jπKt²)其中K是调频斜率，T是脉冲宽度。瞬时频率为：
f(t) = K * t你看，频率从低到高（或从高到低）线性变化。这就是「线性调频」名字的由来。
时频特性
LFM信号的时频图是一条斜线。这条斜线的斜率就是K。带宽B = |K| * T。
我做个项目时，需要设计一个带宽100MHz、脉宽50μs的LFM信号。算下来K = 2 MHz/μs。这个参数决定了脉冲压缩后的主瓣宽度和旁瓣水平。
LFM信号有几个关键特性：
- 脉冲压缩比 = TB积，压缩后的脉冲宽度为1/B
- 距离-多普勒耦合：目标运动会导致测距误差，需要补偿
- 旁瓣抑制：直接压缩会有-13dB的旁瓣，通常需要加窗
1.4 相位编码信号
相位编码信号是另一种脉冲压缩信号。它不像LFM那样连续变化频率，而是在脉冲内分段改变相位。
最常用的是二相编码，比如Barker码：
Barker码长13：+ + + + + - - + + - + - +每个码片宽度为τ，整个脉冲宽度T = N * τ。带宽B ≈ 1/τ。
相位编码信号的优点：
- 旁瓣水平可控（Barker码的峰值旁瓣为1/N）
- 对多普勒不敏感（比LFM好）
- 适合低截获概率（LPI）应用
缺点也很明显：
- 码长有限（Barker码最长13位）
- 多普勒容限有限（速度太快会失配）
- 实现复杂度比LFM高
嗯，到这里，第一章的核心内容就讲完了。总结一下：
- 复包络和解析信号是雷达信号处理的基础工具
- 时宽带宽积决定了信号的分辨率和能量
- LFM信号简单实用，适合大多数场景
- 相位编码信号在抗干扰和低截获方面有优势
下一章，咱们聊聊雷达方程和检测理论。那部分内容更贴近工程实践，我会多分享一些实际项目中的经验。
记住，理论是死的，但应用是活的。多动手仿真，多分析数据，才能真正理解这些概念。
公众号:蓝海资料掘金营，微信deep3321