CLEAN算法仿真程序，用于雷达信号中的杂波抑制

CLEAN算法 仿真程序，用于雷达信号中的杂波抑制（如旁瓣或强散射点干扰）。

CLEAN算法本质是一种迭代反卷积技术，通过识别和减去最强散射分量来"清理"信号。

CLEAN算法核心原理

CLEAN算法的核心思想非常直观，其处理流程如下图所示：
是
否
输入带噪信号
在测量谱中

寻找最大峰值
峰值强度

大于阈值?
生成并存储该分量

（位置、幅度）
从原始信号中

减去该分量模型
更新残差信号
重构"干净"信号

（所有分量合成）
输出高分辨率

的干净信号

MATLAB仿真程序

matlab 复制代码

%% CLEAN算法用于杂波抑制 - 完整仿真程序
clear; clc; close all;

%% 1. 参数设置
N = 256;                % 信号长度
f0 = 0.2;               % 主信号频率（归一化）
f_clutter = [0.1, 0.25, 0.35]; % 杂波频率
A_clutter = [0.5, 0.8, 1.2];   % 杂波幅度（强于目标）
SNR_dB = 15;            % 信噪比 (dB)
K = 20;                 % CLEAN算法最大迭代次数
gain = 0.2;             % CLEAN环路增益 (0 < gain < 1)
threshold = 0.05;       % 停止阈值（峰值低于最大值的比例）

%% 2. 生成仿真信号（目标 + 杂波 + 噪声）
n = 0:N-1;
% 目标信号（我们想保留的弱信号）
target_signal = exp(1i*2*pi*f0*n);
% 强杂波（需要抑制的干扰）
clutter_signal = zeros(1, N);
for k = 1:length(f_clutter)
    clutter_signal = clutter_signal + A_clutter(k) * exp(1i*2*pi*f_clutter(k)*n);
end
% 加性高斯白噪声
noise_power = 10^(-SNR_dB/10);
noise = sqrt(noise_power/2) * (randn(1,N) + 1i*randn(1,N));
% 合成接收信号
received_signal = target_signal + clutter_signal + noise;

%% 3. CLEAN算法核心实现
function [clean_signal, components, residue] = clean_algorithm(signal, K, gain, threshold)
    % signal: 输入信号（时域或频域，这里假设为时域）
    % K: 最大迭代次数
    % gain: 环路增益（控制每次减去多少比例的分量）
    % threshold: 停止阈值（当最大峰值小于初始最大峰值的threshold倍时停止）
    
    N = length(signal);
    residue = signal(:);              % 初始残差 = 原始信号
    components = [];                  % 存储找到的分量 [位置, 幅度, 相位]
    
    % 计算初始信号频谱
    spec_original = fft(signal);
    max_peak_original = max(abs(spec_original));
    threshold_value = threshold * max_peak_original;
    
    for iter = 1:K
        % 3.1 计算当前残差信号的频谱
        spec_residue = fft(residue);
        
        % 3.2 找到频谱中的最大峰值及其位置
        [peak_value, peak_idx] = max(abs(spec_residue));
        
        % 3.3 检查是否达到停止条件
        if peak_value < threshold_value
            fprintf('迭代 %d: 峰值 (%.4f) 低于阈值 (%.4f)，停止。\n', ...
                    iter, peak_value, threshold_value);
            break;
        end
        
        % 3.4 提取该频率分量的完整信息（幅度和相位）
        peak_phase = angle(spec_residue(peak_idx));
        peak_amplitude = abs(spec_residue(peak_idx)) / N; % 从FFT幅度转换为实际幅度
        
        % 3.5 存储找到的分量信息
        % 位置转换为归一化频率 (0~1)
        freq = mod(peak_idx-1, N);
        if freq > N/2
            freq = freq - N; % 转换为负频率表示
        end
        freq_norm = freq / N;
        
        components = [components; freq_norm, peak_amplitude, peak_phase, iter];
        
        % 3.6 从残差中减去该分量（乘以增益，防止过减）
        % 重建该分量的时域信号
        t = (0:N-1)';
        component_signal = peak_amplitude * exp(1i*(2*pi*freq_norm*t + peak_phase));
        
        % 更新残差
        residue = residue - gain * component_signal;
        
        % 显示迭代信息
        fprintf('迭代 %2d: 频率=%.4f, 幅度=%.4f, 残差峰值=%.4f\n', ...
                iter, freq_norm, peak_amplitude, peak_value);
    end
    
    % 4. 用找到的分量重建"干净"信号
    clean_signal = zeros(N, 1);
    if ~isempty(components)
        t = (0:N-1)';
        for i = 1:size(components, 1)
            freq = components(i, 1);
            amp = components(i, 2);
            phase = components(i, 3);
            clean_signal = clean_signal + amp * exp(1i*(2*pi*freq*t + phase));
        end
    end
end

%% 5. 运行CLEAN算法
tic;
[clean_signal, components, residue_signal] = clean_algorithm(received_signal.', K, gain, threshold);
time_elapsed = toc;
fprintf('CLEAN算法完成，耗时 %.3f 秒，共找到 %d 个分量。\n\n', time_elapsed, size(components,1));

%% 6. 结果可视化
% 6.1 设置统一频率轴
freq_axis = (-N/2:N/2-1)/N;
spec_original = fftshift(abs(fft(received_signal)));
spec_clean = fftshift(abs(fft(clean_signal)));
spec_residue = fftshift(abs(fft(residue_signal)));
spec_target = fftshift(abs(fft(target_signal))); % 真实目标信号频谱

% 6.2 绘制频谱对比图
figure('Position', [100, 100, 1200, 800]);

% 原始接收信号频谱
subplot(3, 2, 1);
plot(freq_axis, spec_original, 'b', 'LineWidth', 1.5);
xlabel('归一化频率'); ylabel('幅度');
title('(a) 原始接收信号频谱（含杂波与噪声）');
xlim([-0.5, 0.5]); grid on;
hold on;
% 标记目标频率
plot([f0, f0], [0, max(spec_original)], 'r--', 'LineWidth', 1);
legend('接收信号', '目标频率', 'Location', 'northwest');

% CLEAN后信号频谱
subplot(3, 2, 2);
plot(freq_axis, spec_clean, 'g', 'LineWidth', 1.5);
xlabel('归一化频率'); ylabel('幅度');
title('(b) CLEAN后信号频谱');
xlim([-0.5, 0.5]); grid on;
hold on;
plot(freq_axis, spec_target, 'r:', 'LineWidth', 1.5);
legend('CLEAN输出', '真实目标', 'Location', 'northwest');

% 残差信号频谱
subplot(3, 2, 3);
plot(freq_axis, spec_residue, 'm', 'LineWidth', 1.5);
xlabel('归一化频率'); ylabel('幅度');
title('(c) 最终残差信号频谱');
xlim([-0.5, 0.5]); grid on;

% 频谱对比（重叠显示）
subplot(3, 2, 4);
plot(freq_axis, spec_original, 'b:', 'LineWidth', 1, 'DisplayName', '原始信号');
hold on;
plot(freq_axis, spec_clean, 'g-', 'LineWidth', 1.5, 'DisplayName', 'CLEAN后');
plot(freq_axis, spec_target, 'r--', 'LineWidth', 1.5, 'DisplayName', '真实目标');
xlabel('归一化频率'); ylabel('幅度');
title('(d) 频谱对比');
xlim([-0.5, 0.5]); legend('show'); grid on;

% 6.3 找到的分量列表
subplot(3, 2, 5);
if ~isempty(components)
    bar(components(:,1), components(:,2));
    xlabel('归一化频率'); ylabel('幅度');
    title('(e) CLEAN找到的频率分量');
    xlim([-0.5, 0.5]); grid on;
else
    text(0.5, 0.5, '未找到分量', 'HorizontalAlignment', 'center');
    axis off;
end

% 6.4 迭代收敛过程
subplot(3, 2, 6);
if ~isempty(components)
    plot(components(:,4), components(:,2), 'ro-', 'LineWidth', 1.5, 'MarkerSize', 8);
    xlabel('迭代次数'); ylabel('分量幅度');
    title('(f) 分量幅度随迭代变化');
    grid on;
end

sgtitle(sprintf('CLEAN算法杂波抑制仿真 (K=%d, gain=%.2f, threshold=%.2f)', K, gain, threshold), 'FontSize', 14);

%% 7. 性能评估
% 计算抑制前后目标频率附近的能量比
target_bin = round(f0*N) + 1;
target_band = max(1, target_bin-3):min(N, target_bin+3);

% 原始信号中目标频带的能量
E_original_target = sum(spec_original(target_band).^2);
E_original_total = sum(spec_original.^2);
INR_original = 10*log10(E_original_target/(E_original_total - E_original_target + eps));

% CLEAN后信号中目标频带的能量
E_clean_target = sum(spec_clean(target_band).^2);
E_clean_total = sum(spec_clean.^2);
INR_clean = 10*log10(E_clean_target/(E_clean_total - E_clean_target + eps));

fprintf('\n======= 性能评估 =======\n');
fprintf('原始信号目标干涉比 (INR): %.2f dB\n', INR_original);
fprintf('CLEAN后目标干涉比 (INR): %.2f dB\n', INR_clean);
fprintf('INR改善量: %.2f dB\n', INR_clean - INR_original);

% 计算与真实目标的相关系数
corr_coef = abs(corrcoef(target_signal, clean_signal.'));
fprintf('与真实目标信号的相关系数: %.4f\n', corr_coef(1,2));

参数说明

环路增益 (gain):
- 作用：控制每次迭代减去多少比例的分量。
- 调优：通常取0.1-0.3。较小值 收敛稳定但速度慢；较大值收敛快但可能过冲或不稳定。
停止阈值 (threshold):
- 作用：当残差最大峰值低于此值时停止迭代。
- 调优：通常设为0.01-0.1（初始最大峰值的比例）。设置过低可能将噪声当作分量提取，导致过拟合。
最大迭代次数 (K):
- 作用：防止算法无限循环。
- 调优：设为预期分量数的2-3倍。可通过观察(f)分量幅度随迭代变化图判断是否足够。
结果解读：
- 理想情况下，(b) CLEAN后信号频谱应只保留目标频率（0.2）的能量，强杂波（0.1, 0.25, 0.35）被有效抑制。
- (e) CLEAN找到的频率分量图应准确显示目标与杂波的位置和相对幅度。

参考代码用CLEAN算法实现杂波抑制的Matlab仿真程序 www.3dddown.com/csa/59593.html

扩展与高级应用

该程序是一个基础框架，你可以针对具体应用进行扩展：

应用于实际雷达数据：将生成信号部分替换为实际的雷达回波（距离-多普勒图），算法流程不变。
改进算法变体：
- Högbom CLEAN: 使用点扩散函数（PSF）模型，更适用于天文图像或阵列处理。
- Clark CLEAN: 在FFT空间操作，计算更快，适合大数据。
- Cotton-Schwab CLEAN: 结合自校准，用于射电干涉测量。

与其它算法结合：

matlab 复制代码

% 示例：CLEAN后接CFAR检测
cfar_detector = phased.CFARDetector('NumGuardCells', 4, 'NumTrainingCells', 20);
detections = cfar_detector(abs(clean_signal).^2, 1:length(clean_signal));

注意事项

信号模型匹配 ：基础CLEAN假设分量是复正弦波。若实际散射点有不同响应，需修改component_signal的生成模型。
动态范围：算法对强分量的提取很有效，但微弱目标可能被掩盖在残差中。可尝试多轮CLEAN，每轮后降低增益。
计算量：每轮迭代需做FFT，对于长信号或大量迭代，可预先计算PSF或使用Clark变体加速。