基于 Python + NumPy 的雷达信号处理仿真平台设计与实现——从 LFM 波形到 CFAR 检测的完整信号链

基于 Python + NumPy 的雷达信号处理仿真平台设计与实现------从 LFM 波形到 CFAR 检测的完整信号链

本文环境：Python 3.9 + NumPy 1.24 + Matplotlib 3.7 + PyYAML 6.0

一、项目背景

雷达信号处理是雷达系统的核心环节，一条完整的处理链通常包含：波形生成 → 目标回波仿真 → 脉冲压缩 → MTD（多普勒 FFT）→ CFAR 检测 。

实际工程中，做雷达信号处理的研究者长期面临两个痛点：

1. 真实数据获取难：雷达实测数据多涉密，公开数据集极少，标注成本高；
2. 算法验证成本高：在真实硬件上测试新算法周期长、代价大。

本文介绍一个用纯 Python 实现的端到端雷达信号处理仿真平台 Radar-Sim，它同时具备两块能力：

• 教学演示：19 张原理图解，覆盖天线、波形、信号链、关键概念；
• 数据生产：带真值标签的仿真数据生成，可直接对接机器学习训练管道。

整个项目架构如下：

radar-sim-main/
├── lib/                # 核心库（参数、信号、目标模型、场景编排）
│   ├── radar_params.py
│   ├── signal_utils.py
│   ├── target_model.py
│   └── scene_manager.py
├── simulator/          # 端到端仿真引擎
│   └── radar_simulator.py
├── demo/               # 7 大专题 Demo（相控阵/STAP/MIMO 等）
├── tutorials/          # 可视化教程脚本
└── output/             # 生成的 19 张教学图

---

二、雷达参数建模

所有仿真围绕统一的参数结构展开，使用 dataclass 封装物理量，保证单位一致（距离 m、功率 W、频率 Hz、时间 s）。

@dataclass
class RadarParams:
    # 发射参数
    pt: float = 1e6                # 峰值功率 1 MW
    gain_db: float = 30.0          # 天线增益 30 dB
    freq_hz: float = 10e9          # X 波段 10 GHz
    bandwidth_hz: float = 50e6     # 带宽 50 MHz
    pulse_width_s: float = 10e-6   # 脉宽 10 μs
    prf_hz: float = 1000.0         # PRF 1 kHz

    # 接收参数
    noise_figure_db: float = 3.0   # 噪声系数 3 dB

    # 信号处理参数
    num_pulses: int = 64           # CPI 内脉冲数（2 的幂次，便于 FFT）

    @property
    def wavelength_m(self) -> float:
        """波长 λ = c / f"""
        return SPEED_OF_LIGHT / self.freq_hz

    @property
    def noise_power_w(self) -> float:
        """接收机噪声功率 P_n = k * T * F * B"""
        return BOLTZMANN * STANDARD_TEMP * self.noise_figure_linear * self.bandwidth_hz

    @property
    def time_bandwidth_product(self) -> float:
        """时宽带宽积 T*B = 500 → 脉压增益约 27 dB"""
        return self.pulse_width_s * self.bandwidth_hz

    @property
    def range_resolution_m(self) -> float:
        """距离分辨率 ΔR = c / (2B) = 3 m"""
        return SPEED_OF_LIGHT / (2 * self.bandwidth_hz)

几个值得注意的推导关系：

• 时宽带宽积 T*B = 10μs × 50MHz = 500，即脉冲压缩可获得约 27 dB 的信噪比增益；
• 距离分辨率 ΔR = c/(2B) = 3 m，只与带宽有关，与脉宽无关------这正是 LFM 能"又长又锐"的原因；
• PRF = 1 kHz 时最大不模糊距离为 150 km，不模糊速度为 λ·PRF/4，这就是后面会遇到的测距测速模糊问题。

---

三、LFM 波形生成与脉冲压缩

3.1 线性调频信号生成

LFM 是应用最广的雷达波形：频率随时间线性变化，使信号同时拥有大时宽（高能量）和大带宽（高分辨率）。

def generate_lfm(bandwidth_hz, pulse_width_s, sample_rate_hz,
                 up_chirp: bool = True) -> np.ndarray:
    """生成 LFM 复基带信号：s(t) = rect(t/T) * exp(jπKt²)，K = ±B/T"""
    num_samples = int(round(pulse_width_s * sample_rate_hz))
    t = np.arange(num_samples) / sample_rate_hz   # 时间轴 [0, T)

    sign = 1.0 if up_chirp else -1.0              # 上调频 / 下调频
    chirp_rate = sign * bandwidth_hz / pulse_width_s

    phase = np.pi * chirp_rate * t**2             # 相位为时间的二次函数
    return np.exp(1j * phase)

3.2 频域匹配滤波

匹配滤波器是白噪声背景下检测已知波形的最优线性滤波器，频域实现即为 Y(f) = X(f)·H(f)。

def matched_filter(signal: np.ndarray, template: np.ndarray) -> np.ndarray:
    """频域匹配滤波，输出在目标位置形成尖峰"""
    n_fft = len(signal) + len(template) - 1
    n_fft = int(2 ** np.ceil(np.log2(n_fft)))     # 补到 2 的幂次加速 FFT

    S = np.fft.fft(signal, n_fft)
    H = np.fft.fft(template, n_fft)               # template 已是时域反转共轭
    result = np.fft.ifft(S * H)

    return result[:len(signal) + len(template) - 1]  # 线性卷积完整结果

核心结论：脉压后脉冲宽度 ≈ 1/B（3 m 分辨率），峰值幅度获得 T·B 倍增益；LFM 距离旁瓣约 -13.2 dB（sinc 包络第一旁瓣），工程上常用 Hamming 窗压低到 -43 dB 左右，代价是主瓣略有展宽。

---

四、目标模型：运动轨迹与 RCS 起伏

真实目标不是"静止的点"，目标模型覆盖了两种关键特性。

4.1 运动模型

支持三类常用运动模型：

模型	英文	说明
匀速直线	CV	速度恒定，最简单的直线运动
匀加速直线	CA	恒定加速度，位置满足 x₀+v₀t+½at²
协调转弯	CT	水平面内恒定转弯速率，z 不变（飞机典型机动）

4.2 Swerling RCS 起伏模型

同一目标的 RCS 随视角、时刻剧烈变化，工程上用 Swerling 模型描述统计特性：

def generate_rcs(config: RCSConfig, num_samples: int,
                 num_pulses_per_sample: int = 1, rng=None) -> np.ndarray:
    """按 Swerling 模型生成 RCS 序列"""
    rcs = np.zeros(num_samples * num_pulses_per_sample)

    if config.model == RCSModel.SWERLING_0:
        rcs[:] = config.mean_rcs_m2              # 非起伏

    elif config.model in (RCSModel.SWERLING_I, RCSModel.SWERLING_III):
        for i in range(num_samples):             # 慢起伏：扫描间变化
            rcs_val = _swerling_sample(config, rng)
            rcs[i * num_pulses_per_sample:(i + 1) * num_pulses_per_sample] = rcs_val

    elif config.model in (RCSModel.SWERLING_II, RCSModel.SWERLING_IV):
        for i in range(num_samples * num_pulses_per_sample):  # 快起伏：脉冲间变化
            rcs[i] = _swerling_sample(config, rng)

    return rcs

其中 Swerling I/II 服从指数分布（Rayleigh 幅度，等效 2 个独立散射点），Swerling III/IV 服从 4 自由度卡方分布（等效 4 个散射点）。这个细节对 ML 训练至关重要------训练数据必须包含 RCS 起伏多样性，模型才能学到鲁棒特征。

---

五、场景编排与回波仿真

5.1 场景生成

场景编排器负责把目标模型和雷达参数组合成完整仿真场景，支持随机多目标、批量生成、YAML 序列化：

config = SceneConfig(
    num_targets=(1, 3),                 # 目标数量范围
    target_range_range_m=(10e3, 100e3), # 距离范围
    target_velocity_range_ms=(50, 500), # 速度范围
    target_rcs_range_m2=(1.0, 100.0),   # RCS 范围
    rcs_model=RCSModel.SWERLING_I,
    trajectory_model=MotionModel.CV,
)
generator = SceneGenerator(config, params, rng)
scenes = generator.generate_batch(3, seeds=[100, 200, 300])  # 批量生成

5.2 回波合成（雷达方程）

每个目标回波的幅度由完整雷达方程决定：

Pr = (Pt · G² · λ² · σ) / ((4π)³ · R⁴)

核心实现（节选自 _generate_echo_data）：

# 目标延迟（距离→时延→采样点）
target_delay_s = 2.0 * target_range_m / SPEED_OF_LIGHT
target_delay_samples = int(round(target_delay_s * self.sample_rate_hz))

# 多普勒频移：fd = 2·vr/λ，叠加慢时间相位
fd_hz = 2.0 * radial_velocity_ms / self._wavelength_m
doppler_phase = np.exp(1j * 2.0 * np.pi * fd_hz * n * self._t_pri)

# 雷达方程计算接收功率，再归一化到噪声基底得到幅度
pr_w = (pt_w * gain_linear**2 * wavelength**2 * rcs_val) / \
       ((4 * np.pi)**3 * target_range_m**4)
amplitude = np.sqrt(pr_w / noise_power)

# 叠加回波 + 热噪声 → 匹配滤波 → 距离对齐
received[target_delay_samples:end_idx] += amplitude * doppler_phase * self._waveform[:echo_len]

注意 1/R⁴ 衰减------距离翻倍，回波功率降为 1/16，这是远距离目标检测难的根本原因。

---

六、信号处理链：MTD 与 CFAR 检测

6.1 MTD：慢时间 FFT 得到 RDM

对同一距离单元上的 64 个脉冲回波做 FFT，分离多普勒频率，得到距离-多普勒图（RDM）：

def _process_signal(self, iq_data: np.ndarray):
    """MTD：慢时间加窗 + FFT，生成距离-多普勒图"""
    n_pulses, n_range = iq_data.shape
    slow_time_window = np.hamming(n_pulses)     # 降低多普勒旁瓣

    rdm = np.zeros((n_pulses, n_range), dtype=np.complex128)
    for r in range(n_range):
        slow_data = iq_data[:, r] * slow_time_window
        rdm[:, r] = np.fft.fftshift(np.fft.fft(slow_data))

    rdm_power = np.abs(rdm) ** 2
    return rdm, rdm_power

6.2 CFAR 检测

固定门限在噪声变化时必然漏检或虚警，CFAR 用自适应门限解决：对被测单元（CUT）前后取训练单元估计噪声功率，紧邻单元作保护单元防止目标能量泄漏。

def _detect_targets(self, rdm_power: np.ndarray):
    """简化 CFAR：中值估计噪声基底 + 峰值搜索"""
    noise_floor = np.median(rdm_power)          # 噪声基底估计

    indices = np.unravel_index(
        np.argsort(rdm_power.ravel())[::-1], rdm_power.shape)

    for d_idx, r_idx in zip(indices[0], indices[1]):
        # 与已选峰值的间距约束，避免同一目标重复检测
        if not is_far_enough:
            continue
        snr_db = 10 * np.log10(peak_power / noise_floor)
        if snr_db > 3.0:                        # 过门限才记录
            detections.append(DetectionResult(
                range_bin=r_idx,
                doppler_bin=d_idx,
                range_m=r_idx * self._sample_spacing_m,
                velocity_ms=self._doppler_bin_to_velocity(d_idx, n_pulses),
                snr_db=snr_db,
            ))

CFAR 的价值在于：环境噪声变大时门限自动抬高，变小时自动降低，虚警率恒定，这就是"恒虚警"的含义。

---

七、可视化教学模块

项目一键生成 19 张教学图，覆盖四个领域：

领域	示例图
天线	阵元方向图、栅瓣演示、阵列增益 vs 阵元数
波形	LFM 时域、频域、时频谱图
信号链	雷达工作流程、信号流详细图、RDM 形成过程
关键概念	脉冲压缩对比、多普勒模糊、距离模糊、CFAR 原理

典型如 v10_pulse_compression_comparison.png（不同 T·B 值脉压对比）和 v14_rdm_formation.png（RDM 形成流程），初学者一眼就能理解"长脉冲高能量 + 频率调制高分辨率"的思想。

---

八、验证体系

项目内置完整验证框架，81 项理论 vs 仿真验证全部通过，每项都带明确的误差容限。验证粒度覆盖：

• 目标模型：轨迹运动学公式、RCS 均值与分布特性、径向速度计算；
• 场景编排：目标数量范围、批量场景独立性、YAML 读写一致；
• 仿真器：输出数据结构、检测命中率、批量仿真独立性、真值对比。

这意味着仿真的每个环节都有"理论值可对照"，不是黑盒生成，适合作为算法验证的基准环境。

---

九、总结

从 LFM 波形生成、匹配滤波、雷达方程回波合成，到 MTD 和 CFAR 检测，Radar-Sim 用约 2000 行纯 Python 实现了雷达信号处理的完整链路，并额外覆盖了相控阵、STAP、MIMO 等进阶专题。它既能当教学工具，也能作为带真值标签的仿真数据工厂，为雷达检测 ML 模型提供训练数据。

工程代码与配套可视化脚本见：

原文链接EWFrontier