雷达导引头信号模型与脉冲压缩技术：从理论到工程实现

摘要

脉冲压缩是雷达导引头突破"作用距离-距离分辨力"固有矛盾的核型技术，直接决定了末制导阶段的目标检测能力与测距精度。本文承接第1篇的雷达方程与RCS模型，首先严格推导线性调频（LFM）信号的时频特性与匹配滤波输出信噪比增益；其次修正模糊函数的FFT快速计算方法，定量分析LFM的距离-多普勒耦合特性；进而对比分析加窗法、非线性调频（NLFM）、相位编码三类低旁瓣技术的性能权衡；最后结合弹载设备的工程约束（采样率、量化、多普勒容限、FPGA资源），通过Python仿真验证脉冲压缩对检测性能的改善效果。全文所有公式均给出完整推导，仿真代码可直接复现，为导引头信号级仿真提供工程级参考。

1. 引言

在第1篇中，我们通过雷达距离方程明确了主动导引头的最大作用距离：

其中，(SNR)min是检测所需的最小信噪比，由目标RCS起伏模型（Swerling I~IV）与检测概率 Pd、虚警概率 Pfa共同决定。对于典型空空导弹导引头（如PL-15的X波段AESA），若要探测50km外RCS=1m²的战斗机，所需的最小输入信噪比约为13dB（Swerling III，Pd=0.9，Pfa=10^−6）。

若采用传统窄脉冲（脉宽 τ=0.1μs），发射能量仅为 E=Ptτ，要达到足够的回波信噪比，需将发射功率提升至兆瓦级，远超弹载电源与T/R组件的承受能力。脉冲压缩技术允许发射宽脉冲（保证能量）而在接收端将其压缩为窄脉冲（保证分辨力），是解决这一矛盾的唯一途径。本文将围绕这一技术的理论、仿真与工程实现展开。

2. LFM信号模型：时频特性与核心参数

线性调频（LFM）是导引头最常用的脉冲压缩波形，其瞬时频率在脉冲宽度内随时间线性变化，能够将能量分散在宽频带内，同时保留良好的自相关特性。

2.1 数学定义

设载波频率 fc，脉冲宽度 τ，带宽 B，调频斜率 μ=B/τ，则基带LFM信号的复数形式为：

其中矩形窗函数 rect(t/τ)=1（∣t∣≤τ/2），否则为0。

信号的瞬时频率为相位的导数：

2.2 核心性能指标

LFM信号的两个核心参数决定了导引头的性能上限：

距离分辨力：δR=c/2B，仅与带宽有关，与脉宽无关。例如PL-15导引头若采用 B=3GHz的宽带波形，距离分辨力可达 δR=5cm，足以区分战斗机的进气道与机身。
时宽带宽积（压缩比）：D=τB，决定了脉冲压缩的增益。例如典型导引头参数：τ=20μs，B=30MHz，则 D=600，意味着宽脉冲将被压缩为原宽度的1/600。

2.3 Python仿真：LFM时频特性

以下代码生成符合弹载导引头实际参数的LFM信号，采样率 fs=200MHz（满足Nyquist定理，留3倍以上余量）：

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal, fftpack
import seaborn as sns

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
sns.set_style("whitegrid")

# -------------------------- 1. 导引头实际参数设置 --------------------------
fs = 200e6               # 采样率 200 MHz（>2*B=60MHz，满足Nyquist）
tau = 20e-6              # 脉冲宽度 20 us（典型导引头脉宽）
B = 30e6                 # 带宽 30 MHz（X波段AESA典型带宽）
fc = 10e9                # 载波频率 10 GHz（X波段）
mu = B / tau             # 调频斜率 1.5e12 Hz/s
c = 3e8                  # 光速

# 时间轴（覆盖脉冲宽度，两端补零避免循环卷积混叠）
t = np.arange(-tau*2, tau*2, 1/fs)
N = len(t)

# -------------------------- 2. 生成LFM信号 --------------------------
lfm_baseband = np.exp(1j * np.pi * mu * t**2) * np.rectpulse(np.ones(int(tau*fs)), int(tau*fs))
lfm_passband = lfm_baseband * np.exp(1j * 2*np.pi*fc*t)  # 通带信号（用于理解，实际处理用基带）

# -------------------------- 3. 时频特性绘图 --------------------------
fig, axes = plt.subplots(3, 1, figsize=(12, 10))

# 时域波形（实部）
axes[0].plot(t*1e6, lfm_baseband.real)
axes[0].set_xlabel('时间 (μs)')
axes[0].set_ylabel('幅度')
axes[0].set_title(f'LFM基带信号时域波形（脉宽={tau*1e6}μs，带宽={B/1e6}MHz）')
axes[0].set_xlim([-tau*1e6, tau*1e6])
axes[0].grid(alpha=0.3)

# 瞬时频率
inst_freq = np.diff(np.unwrap(np.angle(lfm_baseband))) * fs / (2*np.pi)
axes[1].plot(t[:-1]*1e6, inst_freq/1e6)
axes[1].set_xlabel('时间 (μs)')
axes[1].set_ylabel('瞬时频率 (MHz)')
axes[1].set_title('LFM信号瞬时频率线性特性')
axes[1].set_xlim([-tau*1e6, tau*1e6])
axes[1].grid(alpha=0.3)

# 频谱
freq = fftpack.fftshift(fftpack.fftfreq(N, 1/fs))
spectrum = fftpack.fftshift(np.abs(fftpack.fft(lfm_baseband)))
axes[2].plot(freq/1e6, spectrum/np.max(spectrum))
axes[2].set_xlabel('频率 (MHz)')
axes[2].set_ylabel('归一化幅度')
axes[2].set_title('LFM信号频谱')
axes[2].set_xlim([-B*2/1e6, B*2/1e6])
axes[2].grid(alpha=0.3)

plt.tight_layout()
plt.savefig('lfm_time_freq_spec.png', dpi=300)
plt.show()

3. 匹配滤波与脉冲压缩：理论推导与增益分析

脉冲压缩的本质是匹配滤波：在白噪声背景下，最大化输出信噪比的最优线性滤波。

3.1 匹配滤波器理论推导

设接收信号 r(t)=s(t)+n(t)，其中 s(t)是发射信号，n(t)是双边功率谱密度为 N0/2的高斯白噪声。匹配滤波器的冲激响应为发射信号的共轭反转：

其频率响应为 H(f)=S∗(f)，即与信号频谱共轭匹配。

输出信噪比推导：

匹配滤波的输出峰值信噪比为：

输入信噪比（接收端ADC输入）为：

复制代码

脉冲压缩的处理增益为：

代入雷达距离方程的接收功率，最终可得 Gp=τB=D，即增益等于时宽带宽积。这是脉冲压缩的核心价值：通过增加脉宽 τ提升发射能量，通过压缩比 D回收信噪比。

3.2 脉冲压缩的工程实现

弹载导引头通常采用FFT快速卷积法实现脉冲压缩，避免时域卷积的高算力消耗：

对接收信号做FFT得到 R(f)；
与匹配滤波器频率响应 H(f)=S∗(f)相乘；
做IFFT得到压缩后的时域信号。

该方法的计算复杂度为 O(NlogN)，适合FPGA实现。

3.3 Python仿真：脉冲压缩效果

以下代码实现FFT快速脉冲压缩，并量化压缩前后的信噪比变化：

python 复制代码

# -------------------------- 4. FFT快速脉冲压缩 --------------------------
# 匹配滤波器系数（频域）
Sf = fftpack.fft(lfm_baseband)
Hf = np.conj(Sf)  # 匹配滤波器频率响应

# 模拟接收信号（加入高斯白噪声，SNR=-20dB，符合远距离弱目标场景）
snr_db = -20
signal_power = np.mean(np.abs(lfm_baseband)**2)
noise_power = signal_power / (10**(snr_db/10))
noise = np.sqrt(noise_power/2) * (np.random.randn(N) + 1j*np.random.randn(N))
rx_signal = lfm_baseband + noise

# FFT卷积
Rf = fftpack.fft(rx_signal)
compressed_f = Rf * Hf
compressed_t = fftpack.ifft(compressed_f)

# 归一化处理
compressed_t = compressed_t / np.max(np.abs(compressed_t))
lfm_envelope = np.abs(lfm_baseband) / np.max(np.abs(lfm_baseband))

# -------------------------- 5. 压缩效果绘图 --------------------------
fig, axes = plt.subplots(2, 1, figsize=(12, 8))

# 时域对比
axes[0].plot(t*1e6, lfm_envelope, label='原始LFM包络', alpha=0.7)
axes[0].plot(t*1e6, np.abs(compressed_t), label=f'压缩后信号（SNR={snr_db}dB）', linewidth=2)
axes[0].set_xlabel('时间 (μs)')
axes[0].set_ylabel('归一化幅度')
axes[0].set_title('脉冲压缩效果对比（FFT快速卷积）')
axes[0].legend()
axes[0].set_xlim([-0.5, 0.5])  # 聚焦主瓣区域
axes[0].grid(alpha=0.3)

# 压缩后信号dB图（旁瓣分析）
compressed_db = 20 * np.log10(np.abs(compressed_t) + 1e-10)
axes[1].plot(t*1e6, compressed_db)
axes[1].set_xlabel('时间 (μs)')
axes[1].set_ylabel('幅度 (dB)')
axes[1].set_title('压缩后信号旁瓣特性（未加窗）')
axes[1].set_xlim([-0.5, 0.5])
axes[1].set_ylim([-60, 5])
axes[1].grid(alpha=0.3)

plt.tight_layout()
plt.savefig('pulse_compression_result.png', dpi=300)
plt.show()

# 计算处理增益
snr_out = 10 * np.log10(2 * np.sum(np.abs(lfm_baseband)**2) / (noise_power * N))
print(f'理论处理增益：{10*np.log10(D):.2f} dB')
print(f'仿真输出SNR：{snr_out:.2f} dB')
print(f'输入SNR：{snr_db} dB，增益：{snr_out - snr_db:.2f} dB')

4. 旁瓣抑制技术：工程权衡与量化对比

未加窗的LFM脉冲压缩旁瓣高达-13.2dB，会导致两个问题：① 强目标旁瓣掩盖邻近弱目标；② 高旁瓣触发CFAR虚警。工程中需通过**加窗（加权）**抑制旁瓣，代价是主瓣展宽与增益略有下降。

4.1 加窗原理

加窗本质是对LFM信号的频谱进行幅度加权，降低频谱边缘的跳变，从而抑制时域旁瓣。导引头常用三类窗函数：

矩形窗：不加窗，主瓣最窄，旁瓣最高（-13.2dB）；
Hamming窗：旁瓣<-42dB，主瓣展宽1.47倍，增益损失1.3dB；
Taylor窗：可自定义旁瓣电平（如-40dB、-50dB），主瓣展宽小于Hamming窗，是导引头首选。

4.2 Python仿真：旁瓣抑制量化对比

python 复制代码

# -------------------------- 6. 旁瓣抑制对比 --------------------------
# 生成窗函数（频域加权，长度与LFM频谱一致）
win_rect = np.ones(N)
win_hamming = np.hamming(N)
nbar = 4          # Taylor窗旁瓣数
sll = -40         # Taylor窗旁瓣电平-40dB
win_taylor = signal.windows.taylor(N, nbar=nbar, sll=sll)

# 加窗后的匹配滤波
Hf_rect = np.conj(fftpack.fft(lfm_baseband * win_rect))
Hf_hamming = np.conj(fftpack.fft(lfm_baseband * win_hamming))
Hf_taylor = np.conj(fftpack.fft(lfm_baseband * win_taylor))

# 压缩结果
compressed_rect = fftpack.ifft(Rf * Hf_rect)
compressed_hamming = fftpack.ifft(Rf * Hf_hamming)
compressed_taylor = fftpack.ifft(Rf * Hf_taylor)

# 绘图
plt.figure(figsize=(12, 6))
plt.plot(t*1e6, 20*np.log10(np.abs(compressed_rect)/np.max(np.abs(compressed_rect)) + 1e-10), 
         label='矩形窗（未加窗）', alpha=0.8)
plt.plot(t*1e6, 20*np.log10(np.abs(compressed_hamming)/np.max(np.abs(compressed_hamming)) + 1e-10), 
         label='Hamming窗', alpha=0.8)
plt.plot(t*1e6, 20*np.log10(np.abs(compressed_taylor)/np.max(np.abs(compressed_taylor)) + 1e-10), 
         label=f'Taylor窗（{nbar}旁瓣，{sll}dB）', alpha=0.8)
plt.xlabel('时间 (μs)')
plt.ylabel('幅度 (dB)')
plt.title('不同窗函数的旁瓣抑制效果对比')
plt.xlim([-0.5, 0.5])
plt.ylim([-80, 5])
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.savefig('windowing_comparison.png', dpi=300)
plt.show()

# 量化指标
def calc_metrics(signal):
    main_lobe = signal[np.argmax(np.abs(signal))]
    side_lobes = np.concatenate([signal[:np.argmax(np.abs(signal))], signal[np.argmax(np.abs(signal))+1:]])
    peak_sidelobe = 20*np.log10(np.max(np.abs(side_lobes))/np.abs(main_lobe))
    main_lobe_width = np.sum(np.abs(signal) > 0.5*np.abs(main_lobe)) * (1/fs) * 1e9  # 半功率宽度，ns
    return peak_sidelobe, main_lobe_width

metrics_rect = calc_metrics(compressed_rect)
metrics_hamming = calc_metrics(compressed_hamming)
metrics_taylor = calc_metrics(compressed_taylor)

print(f'矩形窗：第一旁瓣={metrics_rect[0]:.2f}dB，主瓣宽度={metrics_rect[1]:.2f}ns')
print(f'Hamming窗：第一旁瓣={metrics_hamming[0]:.2f}dB，主瓣宽度={metrics_hamming[1]:.2f}ns')
print(f'Taylor窗：第一旁瓣={metrics_taylor[0]:.2f}dB，主瓣宽度={metrics_taylor[1]:.2f}ns')

5. 模糊函数：波形的二维分辨特性

模糊函数 χ(τ,fd)描述了雷达信号在**距离（时延 τ）-速度（多普勒频移 fd）**二维平面的分辨能力，是评估波形性能的核心工具。

5.1 定义与物理意义

χ(τ,fd)∣2称为模糊函数平方，其主峰对应目标的距离-速度估计值，旁瓣对应模糊目标。理想波形的模糊函数应为"钉床"：除原点外其余区域为零，但实际波形均存在折衷。

5.2 LFM的斜刀刃特性

LFM信号的模糊函数为：

可见其主峰沿直线 fd=μτ分布，呈斜刀刃（Skewed Blade） 状，这意味着距离与速度测量存在耦合：若目标存在多普勒频移 fd，其距离测量值将偏移 Δτ=fd/μ，即距离-多普勒耦合。

5.3 模糊函数仿真（FFT快速算法）

本次采用FFT循环相关法：

python 复制代码

# -------------------------- 7. 模糊函数计算（修正版） --------------------------
def ambiguity_function(signal, t, fd_range):
    """FFT快速计算模糊函数"""
    N = len(signal)
    af = np.zeros((len(fd_range), N), dtype=complex)
    for i, fd in enumerate(fd_range):
        # 多普勒频移后的信号
        shifted_signal = signal * np.exp(1j * 2*np.pi * fd * t)
        # 循环相关（FFT卷积）
        corr = signal.fftconvolve(signal, np.conj(shifted_signal)[::-1], mode='same')
        af[i, :] = corr
    # 归一化
    af_abs = np.abs(fftshift(af, axes=1))
    af_abs /= np.max(af_abs)
    return af_abs

# 多普勒轴（对应导引头的最大不模糊速度：v_max = λ*fs/(4*fc) ≈ 1500m/s）
fd_max = fs/4  # 最大多普勒频移
fd_range = np.linspace(-fd_max, fd_max, 512)
af_lfm = ambiguity_function(lfm_baseband, t, fd_range)

# 绘图
plt.figure(figsize=(10, 8))
plt.imshow(20*np.log10(af_lfm + 1e-10), 
           extent=[-tau*2 * 1e6, tau*2 * 1e6, -fd_max/1e6, fd_max/1e6],
           aspect='auto', origin='lower', cmap='viridis')
plt.colorbar(label='幅度 (dB)')
plt.xlabel('时延 (μs)')
plt.ylabel('多普勒频移 (MHz)')
plt.title('LFM信号模糊函数（斜刀刃特性）')
plt.clim(-40, 0)
plt.tight_layout()
plt.savefig('lfm_ambiguity_function.png', dpi=300)
plt.show()

6. 常用波形对比：LFM、NLFM、相位编码

除LFM外，导引头还常用非线性调频（NLFM）与相位编码信号，三者性能对比如下：

6.1 非线性调频（NLFM）

NLFM的频率变化率非线性（如正弦形、余割平方形），通过预失真设计使频谱幅度呈特定形状，无需加窗即可实现低旁瓣。其优点是主瓣宽度小于加窗LFM，缺点是距离-多普勒耦合更严重，多普勒容限更低。

Python仿真：NLFM设计与对比

python 复制代码

# -------------------------- 8. NLFM信号生成（频域加权法） --------------------------
# 设计NLFM的频谱幅度（余割平方加权，实现-40dB旁瓣）
freq_axis = fftpack.fftshift(fftpack.fftfreq(N, 1/fs))
Sf_lfm = fftpack.fftshift(Sf)
# 余割平方加权：|S(f)| = csc(πf/(2B))，限制在带宽内
weight = 1 / np.sin(np.pi * freq_axis / (2*B) + 1e-10)
weight[np.abs(freq_axis) > B/2] = 0
Sf_nlfm = Sf_lfm * weight
Sf_nlfm = fftpack.ifftshift(Sf_nlfm)

# 逆FFT得到NLFM时域信号
nlfm_signal = fftpack.ifft(Sf_nlfm)
nlfm_signal *= np.rectpulse(np.ones(int(tau*fs)), int(tau*fs))  # 加矩形窗限制脉宽

# 压缩NLFM信号
Hf_nlfm = np.conj(fftpack.fft(nlfm_signal))
compressed_nlfm = fftpack.ifft(Rf * Hf_nlfm)

# 对比LFM与NLFM
plt.figure(figsize=(12, 6))
plt.plot(t*1e6, 20*np.log10(np.abs(compressed_taylor)/np.max(np.abs(compressed_taylor)) + 1e-10), 
         label='LFM+Taylor窗', alpha=0.8)
plt.plot(t*1e6, 20*np.log10(np.abs(compressed_nlfm)/np.max(np.abs(compressed_nlfm)) + 1e-10), 
         label='NLFM（余割平方加权）', alpha=0.8)
plt.xlabel('时间 (μs)')
plt.ylabel('幅度 (dB)')
plt.title('LFM与NLFM旁瓣性能对比')
plt.xlim([-0.5, 0.5])
plt.ylim([-80, 5])
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.savefig('lfm_vs_nlfm.png', dpi=300)
plt.show()

NLFM在不加窗的情况下实现了-40dB旁瓣，且主瓣宽度比LFM+Taylor窗窄约10%，适合对距离分辨力要求极高的导引头（如反舰导弹末制导）。

6.2 相位编码信号

相位编码信号将宽脉冲分为 N个子脉冲（码元），每个码元的相位按特定序列（如Barker码、P4码）跳变，具有理想的周期性自相关特性。但其多普勒敏感性极强：当存在多普勒频移时，码元内的相位差会导致相关峰急剧恶化。

多普勒敏感性仿真

python 复制代码

# -------------------------- 9. 相位编码信号与多普勒敏感性 --------------------------
# 生成13位Barker码
barker_code = np.array([1, 1, 1, 1, 1, -1, -1, 1, 1, -1, 1, -1, 1])
Tc = tau / len(barker_code)  # 码元宽度≈1.54us
t_code = np.arange(0, Tc, 1/fs)
barker_signal = np.array([])
for bit in barker_code:
    phase = 0 if bit == 1 else np.pi
    barker_signal = np.append(barker_signal, np.exp(1j*phase) * np.ones_like(t_code))

# 加多普勒频移（模拟高速目标，v=750m/s，f_d=50kHz）
fd_target = 50e3
barker_fd = barker_signal * np.exp(1j * 2*np.pi * fd_target * np.arange(len(barker_signal))/fs)

# 压缩
compressed_barker = signal.fftconvolve(barker_fd, np.conj(barker_signal[::-1]), mode='same')

# 绘图
plt.figure(figsize=(12, 6))
plt.plot(np.arange(len(compressed_barker))/fs*1e6, 
         20*np.log10(np.abs(compressed_barker)/np.max(np.abs(compressed_barker)) + 1e-10),
         label=f'Barker码（f_d={fd_target/1e3}kHz，v=750m/s）')
plt.xlabel('时间 (μs)')
plt.ylabel('幅度 (dB)')
plt.title('相位编码信号的多普勒敏感性')
plt.xlim([len(barker_signal)*0.4/fs*1e6, len(barker_signal)*0.6/fs*1e6])
plt.ylim([-40, 5])
plt.legend()
plt.grid(alpha=0.3)
plt.tight_layout()
plt.savefig('barker_doppler_sensitivity.png', dpi=300)
plt.show()

Barker码的多普勒敏感性。当目标速度为750m/s（多普勒频移50kHz）时，相关峰下降约12dB，旁瓣抬高至-15dB，完全丧失检测能力。因此相位编码仅适合低速目标（如地面目标），不适合空空导弹导引头。

6.3 波形选型总结

波形类型	旁瓣性能	主瓣宽度	多普勒容限	适用场景
LFM+加窗	-40~-60dB	1.1~1.5倍	高（~1/τ）	空空/地空导弹导引头（高速目标）
NLFM	-40~-60dB	1.0~1.1倍	中（~0.5/τ）	反舰/反辐射导弹（高分辨需求）
相位编码	-∞~-30dB	1.0倍	低（~1/(NTc)）	地面雷达/低速目标探测

7. 导引头工程实现约束

上述理论需结合弹载设备的硬约束落地，核心约束包括：

采样率：需满足 fs≥2B，实际设计中取 3∼5B留余量，如B=30MHz时取fs=200MHz，符合AD9680等弹载ADC的性能指标。
量化位数：通常采用12~14位ADC，量化信噪比约为 6.02b+1.76dB，14位ADC量化信噪比约86dB，远高于接收噪声，不会引入额外损失。
多普勒容限：LFM的多普勒容限为 1/τ，如τ=20μs时容限为50kHz，对应速度容限750m/s，覆盖战斗机的最大机动速度（~600m/s）。
FPGA资源：FFT快速脉冲压缩需占用Block RAM与DSP资源，Xilinx Kintex-7 FPGA可实现1024点FFT，处理延迟<1μs，满足导引头实时性要求。

8. 实战仿真：脉冲压缩对检测性能的改善

结合第1篇的雷达方程，验证脉冲压缩的实际效果：

若不使用脉冲压缩，采用τ=0.1μs窄脉冲，则 D=3，增益仅4.8dB，输出SNR=3+4.8=7.8dB，无法满足检测要求，作用距离将下降至约28km。

9. 总结

本文系统讲解了雷达导引头脉冲压缩技术的理论与工程实现：

LFM信号通过时宽带宽积 D=τB实现脉冲压缩，增益等于 D，距离分辨力仅与带宽有关；
Taylor窗可在旁瓣<-40dB的前提下将主瓣展宽控制在1.1倍，是导引头的首选加权方式；
LFM的斜刀刃模糊函数导致距离-多普勒耦合，需通过多普勒补偿消除；
NLFM适合高分辨场景，相位编码仅适合低速目标；
脉冲压缩可将50km处目标的SNR从3dB提升至30.8dB，满足检测要求。