【电子战】第06篇：干涉仪与相位差测向【含matlab代码】

第06篇：干涉仪与相位差测向

一、作用：用"相位尺"量角度

上一篇文章中，Watson-Watt 利用两个正交天线的幅度比来测向，简单可靠，但精度有限------当天线方向图在峰值附近变平缓时，幅度对角度的敏感度急剧下降。

如果我们要实现 0.01° 量级的超高精度测向，必须换一把更精密的"尺子"。

这把尺子就是相位。

干涉仪（Interferometer） 利用两个（或多个）间距为 ddd 的天线，测量同一信号到达两个天线时的相位差 Δϕ\Delta\phiΔϕ。由于电磁波到达两个天线的路径长度不同，相位差与来波方向 θ\thetaθ 之间存在确定的几何关系。相位差每变化 2π2\pi2π，对应路径差变化一个波长------这个极短的距离尺度，赋予了干涉仪极高的角度敏感度。

本篇核心作用 ：从双天线干涉仪的基本公式出发，推导相位差与角度的关系，揭示相位模糊问题（当基线超过半波长时出现），并用多基线解模糊。最终通过蒙特卡洛仿真验证干涉仪测向的 CRLB，并与 Watson-Watt 做精度对比。

二、原理：数学上发生了什么？

2.1 双天线干涉仪的基本几何

考虑两个天线，间距为 ddd，来波方向与阵列法线夹角为 θ\thetaθ（远场平面波假设）。

两个天线接收到的信号路径差为：

ΔR=d⋅sin⁡θ\Delta R = d \cdot \sin\thetaΔR=d⋅sinθ

对应的相位差为：

Δϕ=2πλ⋅d⋅sin⁡θ=2π⋅dλ⋅sin⁡θ\Delta\phi = \frac{2\pi}{\lambda} \cdot d \cdot \sin\theta = 2\pi \cdot \frac{d}{\lambda} \cdot \sin\thetaΔϕ=λ2π⋅d⋅sinθ=2π⋅λd⋅sinθ

其中 λ=c/f0\lambda = c/f_0λ=c/f0 是信号波长。

由此可以反解出来波方向：

θ^=arcsin⁡(Δϕ⋅λ2πd)=arcsin⁡(Δϕ2π⋅d/λ)\hat{\theta} = \arcsin\left( \frac{\Delta\phi \cdot \lambda}{2\pi d} \right) = \arcsin\left( \frac{\Delta\phi}{2\pi \cdot d/\lambda} \right)θ^=arcsin(2πdΔϕ⋅λ)=arcsin(2π⋅d/λΔϕ)

2.2 相位模糊：干涉仪的"阿喀琉斯之踵"

相位差 Δϕ\Delta\phiΔϕ 的测量范围是 −π,π-\\pi, \\pi−π,π（相位只能测到 2π2\pi2π 的模）。当 d/λ>0.5d/\lambda > 0.5d/λ>0.5 时，真实的相位差可能超过 π\piπ，此时测量值会发生卷绕（wrap）：

Δϕmeasured=wrap(Δϕtrue)=Δϕtrue−2πk\Delta\phi_{\text{measured}} = \text{wrap}(\Delta\phi_{\text{true}}) = \Delta\phi_{\text{true}} - 2\pi kΔϕmeasured=wrap(Δϕtrue)=Δϕtrue−2πk

其中 kkk 是未知的整数。这意味着同一个相位差测量值可能对应多个不同的来波方向------这就是相位模糊。

• d/λ≤0.5d/\lambda \leq 0.5d/λ≤0.5：无模糊，但精度低（基线短，相位对角度的变化率小）。
• d/λ>0.5d/\lambda > 0.5d/λ>0.5：精度高，但存在模糊。

解决方案 ：使用多基线------长基线提供高精度，短基线提供无模糊粗估计，逐级解模糊。

2.3 多基线解模糊

假设我们有 LLL 个天线，间距分别为 d1,d2,...,dL−1d_1, d_2, \ldots, d_{L-1}d1,d2,...,dL−1。最常用的配置是双基线 ：一个短基线（d1/λ≤0.5d_1/\lambda \leq 0.5d1/λ≤0.5，无模糊）和一个长基线（d2/λ≫0.5d_2/\lambda \gg 0.5d2/λ≫0.5，高精度）。

解模糊步骤：

1. 用短基线得到粗估计 θ^coarse\hat{\theta}_{\text{coarse}}θ^coarse（无模糊）。
2. 由粗估计预测长基线的相位差：Δϕ2,pred=2π(d2/λ)sin⁡θ^coarse\Delta\phi_{2,\text{pred}} = 2\pi (d_2/\lambda) \sin\hat{\theta}_{\text{coarse}}Δϕ2,pred=2π(d2/λ)sinθ^coarse。
3. 计算长基线测量的模糊整数：k=round(Δϕ2,pred−Δϕ2,meas2π)k = \text{round}\left( \frac{\Delta\phi_{2,\text{pred}} - \Delta\phi_{2,\text{meas}}}{2\pi} \right)k=round(2πΔϕ2,pred−Δϕ2,meas)。
4. 解模糊后的相位差：Δϕ2,unamb=Δϕ2,meas+2πk\Delta\phi_{2,\text{unamb}} = \Delta\phi_{2,\text{meas}} + 2\pi kΔϕ2,unamb=Δϕ2,meas+2πk。
5. 用解模糊后的相位差得到高精度估计。

2.4 相位差估计的 CRLB

对于加性高斯白噪声环境，相位差估计的克拉美-罗下限为：

σΔϕ2≥12Mξ\sigma_{\Delta\phi}^2 \geq \frac{1}{2M\xi}σΔϕ2≥2Mξ1

其中 MMM 是时间带宽积，ξ\xiξ 是信噪比。角度估计的 CRLB 通过相位差对角度求导得到：

∂Δϕ∂θ=2πdλcos⁡θ\frac{\partial \Delta\phi}{\partial \theta} = 2\pi \frac{d}{\lambda} \cos\theta∂θ∂Δϕ=2πλdcosθ

因此：

σθ2≥σΔϕ2(∂Δϕ∂θ)2=12Mξ⋅(2πdλcos⁡θ)2\sigma_\theta^2 \geq \frac{\sigma_{\Delta\phi}^2}{\left( \frac{\partial \Delta\phi}{\partial \theta} \right)^2} = \frac{1}{2M\xi \cdot \left( 2\pi \frac{d}{\lambda} \cos\theta \right)^2}σθ2≥(∂θ∂Δϕ)2σΔϕ2=2Mξ⋅(2πλdcosθ)21

关键洞察：基线越长（d/λd/\lambdad/λ 越大），角度精度越高 ，但模糊问题也越严重。在 θ=0\theta = 0θ=0（正对法线）时精度最高；在 θ=±90°\theta = \pm 90°θ=±90° 时精度最差（cos⁡θ→0\cos\theta \to 0cosθ→0，相位差对角度的变化率趋零）。

三、完整代码（可直接运行）

本代码复现了原书 ch7_drawFigures 中干涉仪部分的核心内容（图7.11、7.12、7.14），包含：

1. 干涉仪方向图 ：不同 d/λd/\lambdad/λ 下的响应曲线
2. 相位差与角度的关系：展示卷绕现象
3. 双基线解模糊算法：完整的解模糊流程
4. 蒙特卡洛仿真 ：验证 CRLB 并与 Watson-Watt 对比
   

%% ========================================================================
% 第06篇：干涉仪与相位差测向（完整修复版）
% 在原代码基础上新增：
%   扩展1 - 解模糊成功率 vs SNR（蒙特卡洛）
%   扩展2 - 三基线解模糊（鲁棒性提升）
%   扩展3 - 2D 干涉仪（L型阵列，方位+俯仰）
% 修复：interp1 采样点重复问题
% ========================================================================

clear; close all; clc;

%% ==================== 图1：干涉仪基础特性（3子图） ====================

d_lam_vec = [0.5, 1, 2, 4];
psi_0_deg = -10;
psi_0 = deg2rad(psi_0_deg);
psi_deg = linspace(-60, 60, 4001);
psi_rad = deg2rad(psi_deg);
colors = lines(length(d_lam_vec));

figure;
sgtitle('干涉仪测向基础特性', 'FontSize', 14, 'FontWeight', 'bold');

% 子图1：方向图
subplot(1, 3, 1); hold on;
for idx = 1:length(d_lam_vec)
    d_lam = d_lam_vec(idx);
    g = (1 + exp(1i * 2*pi * d_lam * (sin(psi_rad) - sin(psi_0)))) / 2;
    plot(psi_deg, 20*log10(abs(g) + eps), 'Color', colors(idx,:), ...
         'DisplayName', sprintf('d/\\lambda = %.1f', d_lam));
end
xlabel('角度 \psi [度]'); ylabel('响应 [dB]');
title('干涉仪方向图'); legend('Location', 'southwest'); grid on;
xlim([-60, 60]); ylim([-30, 2]);
xline(psi_0_deg, '--k', 'LineWidth', 1);

% 子图2：相位差卷绕
subplot(1, 3, 2); hold on;
for idx = 1:length(d_lam_vec)
    d_lam = d_lam_vec(idx);
    delta_phi = 2*pi * d_lam * sin(psi_rad);
    plot(psi_deg, wrapToPiLocal(delta_phi)/pi, 'Color', colors(idx,:), ...
         'DisplayName', sprintf('d/\\lambda = %.1f', d_lam));
end
xlabel('角度 \psi [度]'); ylabel('相位差 / \pi');
title('相位差卷绕'); legend('Location', 'southwest'); grid on;
xlim([-60, 60]); ylim([-1.4, 1.4]);
yline(1, '--k', 'LineWidth', 0.8); yline(-1, '--k', 'LineWidth', 0.8);

% 子图3：角度灵敏度
subplot(1, 3, 3); hold on;
for idx = 1:length(d_lam_vec)
    d_lam = d_lam_vec(idx);
    plot(psi_deg, 2*pi*d_lam*abs(cos(psi_rad)), 'Color', colors(idx,:), ...
         'DisplayName', sprintf('d/\\lambda = %.1f', d_lam));
end
xlabel('角度 \psi [度]'); ylabel('|d\Delta\phi/d\psi|');
title('角度灵敏度'); legend('Location', 'southwest'); grid on;
xlim([-60, 60]); ylim([0, 30]);

%% ==================== 图2：双基线解模糊原理（2子图） ====================

d1_lam = 0.5; d2_lam = 4.0;
theta_true_deg = 25;
theta_true_rad = deg2rad(theta_true_deg);

phi1_true = 2*pi*d1_lam*sin(theta_true_rad);
phi2_true = 2*pi*d2_lam*sin(theta_true_rad);

rng(42);
noise_std = 0.15;
phi1_meas = wrapToPiLocal(phi1_true + noise_std*randn());
phi2_meas = wrapToPiLocal(phi2_true + noise_std*randn());

theta_coarse = asin(phi1_meas / (2*pi*d1_lam));
phi2_pred    = 2*pi*d2_lam*sin(theta_coarse);
k_est        = round((phi2_pred - phi2_meas) / (2*pi));
phi2_unamb   = phi2_meas + 2*pi*k_est;
theta_fine   = asin(phi2_unamb / (2*pi*d2_lam));

fprintf('======= 双基线解模糊演示 =======\n');
fprintf('真实角度       : %.4f°\n', theta_true_deg);
fprintf('短基线粗估计   : %.4f°\n', rad2deg(theta_coarse));
fprintf('模糊整数 k     : %d\n', k_est);
fprintf('长基线精估计   : %.4f°\n', rad2deg(theta_fine));

figure;
sgtitle('双基线解模糊原理', 'FontSize', 14, 'FontWeight', 'bold');

theta_scan_deg = linspace(-60, 60, 2001);
theta_scan_rad = deg2rad(theta_scan_deg);
phi2_true_curve = 2*pi*d2_lam*sin(theta_scan_rad);
k_vec = -3:3;

for sp = 1:2
    subplot(1, 2, sp); hold on;
    plot(theta_scan_deg, phi2_true_curve/pi, 'k-', 'LineWidth', 1.5, ...
         'DisplayName', '长基线真实相位差');
    yline(phi2_meas/pi, 'r-', 'LineWidth', 2, 'DisplayName', '测量值');
    for k = k_vec
        plot(theta_scan_deg, (phi2_meas + 2*pi*k)/pi * ones(size(theta_scan_deg)), ...
             '--', 'Color', [0.5 0.5 0.5], 'LineWidth', 0.8, 'HandleVisibility', 'off');
    end
    for k = k_vec
        sin_arg = (phi2_meas + 2*pi*k) / (2*pi*d2_lam);
        if abs(sin_arg) <= 1
            plot(rad2deg(asin(sin_arg)), (phi2_meas + 2*pi*k)/pi, 'bo', ...
                 'MarkerSize', 8, 'MarkerFaceColor', 'b', 'HandleVisibility', 'off');
        end
    end
    plot(rad2deg(theta_fine), (phi2_meas + 2*pi*k_est)/pi, 'r^', ...
         'MarkerSize', 14, 'MarkerFaceColor', 'r', 'DisplayName', '选中解');
    plot(theta_true_deg, phi2_true/pi, 'kp', 'MarkerSize', 14, 'LineWidth', 2, ...
         'DisplayName', '真实角度');
    xlabel('角度 \theta [度]'); ylabel('相位差 / \pi');
    grid on; legend('Location', 'northwest');
end
subplot(1, 2, 1); title('全局视图'); xlim([-60, 60]); ylim([-10, 10]);
subplot(1, 2, 2); title(sprintf('局部放大 (k = %d)', k_est));
xlim([theta_true_deg-15, theta_true_deg+15]);
ylim([(phi2_true/pi)-3, (phi2_true/pi)+3]);

%% ==================== 图3：CRLB 对比（2子图） ====================

figure;
sgtitle('干涉仪性能分析', 'FontSize', 14, 'FontWeight', 'bold');

subplot(1, 2, 1); hold on;
theta_scan2 = linspace(-60, 60, 1001);
theta_scan2_rad = deg2rad(theta_scan2);
M_a = 10; SNR_dB = 10; SNR_lin = 10^(SNR_dB/10);
crlb_short = rad2deg(1 ./ (2*pi*d1_lam*cos(theta_scan2_rad) * sqrt(2*M_a*SNR_lin)));
crlb_long  = rad2deg(1 ./ (2*pi*d2_lam*cos(theta_scan2_rad) * sqrt(2*M_a*SNR_lin)));
semilogy(theta_scan2, crlb_short, 'b-', 'LineWidth', 2, 'DisplayName', '短基线 d/\lambda=0.5');
semilogy(theta_scan2, crlb_long, 'r-', 'LineWidth', 2, 'DisplayName', '长基线 d/\lambda=4');
xlabel('角度 \theta [度]'); ylabel('CRLB [度]');
title(sprintf('短基线 vs 长基线 (SNR=%ddB, M=%d)', SNR_dB, M_a));
legend('Location', 'northwest'); grid on;
xlim([-60, 60]); ylim([1e-3, 10]);

subplot(1, 2, 2); hold on;
snr_db_vec = -5:0.5:25;
snr_lin_vec = 10.^(snr_db_vec/10);
M_a2 = 10;
crlb_ifm = rad2deg(1 ./ (2*pi*0.5 * sqrt(2*M_a2*snr_lin_vec)));
crlb_ww  = rad2deg(1 ./ sqrt(2*M_a2*snr_lin_vec));
semilogy(snr_db_vec, crlb_ww, 'b--', 'LineWidth', 2, 'DisplayName', 'Watson-Watt');
semilogy(snr_db_vec, crlb_ifm, 'r-', 'LineWidth', 2, 'DisplayName', '干涉仪 (d/\lambda=0.5)');
xlabel('信噪比 \xi [dB]'); ylabel('CRLB [度]');
title('干涉仪 vs Watson-Watt (M=10)');
legend('Location', 'southwest'); grid on;
xlim([-5, 25]); ylim([0.01, 30]);

%% ==================== 扩展1：解模糊成功率 vs SNR ====================

fprintf('\n执行扩展1：解模糊成功率蒙特卡洛...\n');

theta_true_ex = 25;
theta_true_ex_rad = deg2rad(theta_true_ex);
snr_db_ex = -10:2:20;
snr_lin_ex = 10.^(snr_db_ex/10);
num_mc_ex = 5000;

success_rate = zeros(size(snr_db_ex));

for idx = 1:length(snr_db_ex)
    snr = snr_lin_ex(idx);
    phase_std = sqrt(1/(2*snr));

    phi1_true_ex = 2*pi*d1_lam*sin(theta_true_ex_rad);
    phi2_true_ex = 2*pi*d2_lam*sin(theta_true_ex_rad);
    phi1_meas_mc = wrapToPiLocal(phi1_true_ex + phase_std*randn(1, num_mc_ex));
    phi2_meas_mc = wrapToPiLocal(phi2_true_ex + phase_std*randn(1, num_mc_ex));

    theta_c = asin(phi1_meas_mc / (2*pi*d1_lam));
    phi2_p = 2*pi*d2_lam*sin(theta_c);
    k_est_mc = round((phi2_p - phi2_meas_mc) / (2*pi));
    phi2_u = phi2_meas_mc + 2*pi*k_est_mc;
    theta_f = asin(phi2_u / (2*pi*d2_lam));

    err_mc = abs(rad2deg(theta_f) - theta_true_ex);
    success_rate(idx) = sum(err_mc < 1) / num_mc_ex;
end

figure;
plot(snr_db_ex, success_rate*100, 'bo-', 'LineWidth', 2, 'MarkerSize', 9);
xlabel('信噪比 \xi [dB]'); ylabel('解模糊成功率 [%]');
title(sprintf('双基线解模糊成功率 (\\theta=%d°, d_1/\\lambda=%.1f, d_2/\\lambda=%.1f)', ...
              theta_true_ex, d1_lam, d2_lam));
grid on; ylim([0, 105]); xlim([-10, 20]);
yline(99, 'r--', 'LineWidth', 1.5);
text(-8, 100, '99% 成功率门限', 'Color', 'r', 'FontSize', 10);

% ---- 修复段：手动线性插值求 99% 门限（避免 interp1 采样点重复问题） ----
idx_above = find(success_rate >= 0.99, 1, 'first');
if isempty(idx_above)
    snr_threshold = NaN;
elseif idx_above == 1
    snr_threshold = snr_db_ex(1);
else
    x1 = snr_db_ex(idx_above-1); y1 = success_rate(idx_above-1)*100;
    x2 = snr_db_ex(idx_above);   y2 = success_rate(idx_above)*100;
    if y2 == y1
        snr_threshold = x2;
    else
        snr_threshold = x1 + (99 - y1) * (x2 - x1) / (y2 - y1);
    end
end

if ~isnan(snr_threshold) && snr_threshold >= min(snr_db_ex) && snr_threshold <= max(snr_db_ex)
    text(snr_threshold + 0.5, 90, ...
         sprintf('SNR_{min} ≈ %.1f dB', snr_threshold), ...
         'FontSize', 11, 'Color', 'r', 'FontWeight', 'bold');
end
% ---- 修复段结束 ----

%% ==================== 扩展2：三基线解模糊（鲁棒性提升） ====================

fprintf('\n执行扩展2：三基线解模糊对比...\n');

d_lam_set = [0.5, 2.0, 4.0];
num_base = length(d_lam_set);

success_rate_3 = zeros(size(snr_db_ex));

for idx = 1:length(snr_db_ex)
    snr = snr_lin_ex(idx);
    phase_std = sqrt(1/(2*snr));

    phi_true_all = 2*pi*d_lam_set * sin(theta_true_ex_rad);
    phi_meas_all = wrapToPiLocal(phi_true_all(:) + phase_std*randn(num_base, num_mc_ex));

    % 逐级递推解模糊
    theta_c3 = asin(phi_meas_all(1,:) / (2*pi*d_lam_set(1)));

    phi2_pred3 = 2*pi*d_lam_set(2)*sin(theta_c3);
    k2 = round((phi2_pred3 - phi_meas_all(2,:)) / (2*pi));
    phi2_unamb3 = phi_meas_all(2,:) + 2*pi*k2;
    theta_mid = asin(phi2_unamb3 / (2*pi*d_lam_set(2)));

    phi3_pred3 = 2*pi*d_lam_set(3)*sin(theta_mid);
    k3 = round((phi3_pred3 - phi_meas_all(3,:)) / (2*pi));
    phi3_unamb3 = phi_meas_all(3,:) + 2*pi*k3;
    theta_f3 = asin(phi3_unamb3 / (2*pi*d_lam_set(3)));

    err3 = abs(rad2deg(theta_f3) - theta_true_ex);
    success_rate_3(idx) = sum(err3 < 1) / num_mc_ex;
end

figure;
plot(snr_db_ex, success_rate*100, 'bo-', 'LineWidth', 2, ...
     'MarkerSize', 9, 'DisplayName', '双基线 (0.5, 4)');
hold on;
plot(snr_db_ex, success_rate_3*100, 'rs-', 'LineWidth', 2, ...
     'MarkerSize', 9, 'DisplayName', '三基线 (0.5, 2, 4)');
xlabel('信噪比 \xi [dB]'); ylabel('解模糊成功率 [%]');
title('双基线 vs 三基线解模糊鲁棒性对比');
grid on; ylim([0, 105]); xlim([-10, 20]);
legend('Location', 'southeast');

% ---- 修复段：直接用 find，不再依赖 interp1 ----
idx_99_2 = find(success_rate >= 0.99, 1, 'first');
idx_99_3 = find(success_rate_3 >= 0.99, 1, 'first');

if ~isempty(idx_99_2) && ~isempty(idx_99_3)
    fprintf('双基线达到 99%% 成功率的 SNR 门限: %.1f dB\n', snr_db_ex(idx_99_2));
    fprintf('三基线达到 99%% 成功率的 SNR 门限: %.1f dB\n', snr_db_ex(idx_99_3));
    fprintf('三基线带来的 SNR 门限改善: %.1f dB\n', ...
            snr_db_ex(idx_99_2) - snr_db_ex(idx_99_3));
end
% ---- 修复段结束 ----

%% ==================== 扩展3：2D 干涉仪（L型阵列，方位+俯仰） ====================

fprintf('\n执行扩展3：2D 干涉仪（L型阵列）...\n');

d_x_lam = 0.5;
d_y_lam = 0.5;

az_true_deg = 30;
el_true_deg = 60;
az_true = deg2rad(az_true_deg);
el_true = deg2rad(el_true_deg);

u_true = sin(el_true)*cos(az_true);
v_true = sin(el_true)*sin(az_true);
phi_x_true = 2*pi*d_x_lam*u_true;
phi_y_true = 2*pi*d_y_lam*v_true;

noise_std_2d = 0.1;
phi_x_meas = wrapToPiLocal(phi_x_true + noise_std_2d*randn());
phi_y_meas = wrapToPiLocal(phi_y_true + noise_std_2d*randn());

u_est = phi_x_meas / (2*pi*d_x_lam);
v_est = phi_y_meas / (2*pi*d_y_lam);

el_est = asin(min(max(sqrt(u_est^2 + v_est^2), -1), 1));
az_est = atan2(v_est, u_est);

fprintf('真实方位角: %.2f°, 真实俯仰角: %.2f°\n', az_true_deg, el_true_deg);
fprintf('估计方位角: %.2f°, 估计俯仰角: %.2f°\n', ...
        rad2deg(az_est), rad2deg(el_est));

% 2D 可视化
figure;
sgtitle('L型 2D 干涉仪方向估计', 'FontSize', 14, 'FontWeight', 'bold');

subplot(1, 2, 1);
plot3([0 d_x_lam], [0 0], [0 0], 'ko-', 'LineWidth', 2, 'MarkerSize', 10, ...
      'MarkerFaceColor', 'k'); hold on;
plot3([0 0], [0 d_y_lam], [0 0], 'ko-', 'LineWidth', 2, 'MarkerSize', 10, ...
      'MarkerFaceColor', 'k');
r_vis = 1.2;
plot3([0 r_vis*u_true], [0 r_vis*v_true], [0 r_vis*cos(el_true)], ...
      'r-', 'LineWidth', 2);
plot3([0 r_vis*u_est], [0 r_vis*v_est], [0 r_vis*cos(el_est)], ...
      'b--', 'LineWidth', 2);
text(0.1, 0, 0, 'A_0', 'FontSize', 11, 'FontWeight', 'bold');
text(d_x_lam+0.05, 0, 0, 'A_1 (x)', 'FontSize', 10);
text(0, d_y_lam+0.05, 0, 'A_2 (y)', 'FontSize', 10);
xlabel('x/λ'); ylabel('y/λ'); zlabel('z');
title('几何示意'); grid on; axis equal;
view([30, 20]);
legend({'x 基线', 'y 基线', '真实方向', '估计方向'}, 'Location', 'northeast');

subplot(1, 2, 2);
polarplot(az_true, el_true, 'r^', 'MarkerSize', 14, 'MarkerFaceColor', 'r'); hold on;
polarplot(az_est, el_est, 'bo', 'MarkerSize', 12, 'MarkerFaceColor', 'b');
polarplot(az_true, el_true, 'r--', 'LineWidth', 1);
polarplot(az_est, el_est, 'b--', 'LineWidth', 1);
title('方位-俯仰估计（极坐标，半径=俯仰角）');
legend({'真实', '估计'}, 'Location', 'southoutside');

% 蒙特卡洛：2D 估计精度
num_mc_2d = 5000;
az_rmse = zeros(size(snr_db_ex));
el_rmse = zeros(size(snr_db_ex));

for idx = 1:length(snr_db_ex)
    snr = snr_lin_ex(idx);
    phase_std = sqrt(1/(2*snr));

    phi_x_mc = wrapToPiLocal(phi_x_true + phase_std*randn(1, num_mc_2d));
    phi_y_mc = wrapToPiLocal(phi_y_true + phase_std*randn(1, num_mc_2d));

    u_mc = phi_x_mc / (2*pi*d_x_lam);
    v_mc = phi_y_mc / (2*pi*d_y_lam);

    el_mc = asin(min(max(sqrt(u_mc.^2 + v_mc.^2), -1), 1));
    az_mc = atan2(v_mc, u_mc);

    az_err = mod(rad2deg(az_mc) - az_true_deg + 180, 360) - 180;
    el_err = rad2deg(el_mc) - el_true_deg;

    az_rmse(idx) = sqrt(mean(az_err.^2));
    el_rmse(idx) = sqrt(mean(el_err.^2));
end

figure;
sgtitle('2D 干涉仪测向精度（L型阵列，d/λ=0.5）', 'FontSize', 14, 'FontWeight', 'bold');

subplot(1, 2, 1);
semilogy(snr_db_ex, az_rmse, 'bo-', 'LineWidth', 2, 'MarkerSize', 8, ...
         'DisplayName', '方位角 RMSE');
hold on;
semilogy(snr_db_ex, el_rmse, 'rs-', 'LineWidth', 2, 'MarkerSize', 8, ...
         'DisplayName', '俯仰角 RMSE');
xlabel('信噪比 \xi [dB]'); ylabel('RMSE [度]');
title(sprintf('估计精度 (az=%d°, el=%d°)', az_true_deg, el_true_deg));
grid on; legend('Location', 'southwest');
xlim([-10, 20]); ylim([0.01, 100]);

subplot(1, 2, 2);
SNR_fix_dB = 10;
SNR_fix = 10^(SNR_fix_dB/10);
el_scan_deg = 10:5:85;
el_scan_rad = deg2rad(el_scan_deg);
phase_std_fix = sqrt(1/(2*SNR_fix));

az_rmse_vs_el = zeros(size(el_scan_deg));
for idx = 1:length(el_scan_deg)
    u_t = sin(el_scan_rad(idx))*cos(az_true);
    v_t = sin(el_scan_rad(idx))*sin(az_true);
    px = 2*pi*d_x_lam*u_t;
    py = 2*pi*d_y_lam*v_t;
    px_mc = wrapToPiLocal(px + phase_std_fix*randn(1, 2000));
    py_mc = wrapToPiLocal(py + phase_std_fix*randn(1, 2000));
    u_mc = px_mc / (2*pi*d_x_lam);
    v_mc = py_mc / (2*pi*d_y_lam);
    az_mc = atan2(v_mc, u_mc);
    az_err = mod(rad2deg(az_mc) - az_true_deg + 180, 360) - 180;
    az_rmse_vs_el(idx) = sqrt(mean(az_err.^2));
end
semilogy(el_scan_deg, az_rmse_vs_el, 'k^-', 'LineWidth', 2, 'MarkerSize', 8);
xlabel('俯仰角 \theta_{el} [度]'); ylabel('方位角 RMSE [度]');
title(sprintf('方位角精度 vs 俯仰角 (SNR=%ddB)', SNR_fix_dB));
grid on; xlim([10, 85]); ylim([0.01, 100]);

text(15, 20, '低俯仰角精度恶化', 'FontSize', 10, 'Color', 'r');

fprintf('\n======= 全部扩展完成 =======\n');

%% ==================== 函数定义 ====================

function y = wrapToPiLocal(x)
    % 将角度卷绕到 [-pi, pi]（本地实现，避免与工具箱冲突）
    y = mod(x + pi, 2*pi) - pi;
end

四、代码讲解：为什么这么写？

4.1 干涉仪复响应的构造

g = (1 + exp(1i * 2 * pi * d_lam * (sin(theta_rad) - sin(psi_0)))) / 2;

这是两阵元等权合成波束的响应。为什么用 sin(theta) - sin(psi_0)？因为相位差取决于路径差相对于参考方向 的增量。当 θ=ψ0\theta = \psi_0θ=ψ0 时，相位差为零，两路信号同相叠加，响应最大。当 d/λd/\lambdad/λ 增大时，响应主瓣变窄，旁瓣增多------这就是干涉仪的"多瓣"特性（图7.12的核心）。

4.2 相位卷绕与 wrapToPi

delta_phi_wrapped = wrapToPi(delta_phi_true);

真实相位差可能达到 2π×d/λ2\pi \times d/\lambda2π×d/λ（当 d/λ=4d/\lambda = 4d/λ=4 时，最大相位差约 252525 rad，约 8π8\pi8π）。但实际相位测量只能给出 −π,π-\\pi, \\pi−π,π 内的值，所以需要卷绕。wrapToPi 将任意角度映射到 −π,π-\\pi, \\pi−π,π。这正是干涉仪模糊问题的数学根源。

4.3 解模糊算法的四步逻辑

theta_coarse = asin(phi1_meas / (2 * pi * d1_lam));
phi2_pred = 2 * pi * d2_lam * sin(theta_coarse);
k_est = round((phi2_pred - phi2_meas) / (2 * pi));
phi2_unamb = phi2_meas + 2 * pi * k_est;
theta_fine = asin(phi2_unamb / (2 * pi * d2_lam));

每一步都有明确的物理意义：

1. 短基线粗估计 ：d1/λ=0.5d_1/\lambda = 0.5d1/λ=0.5 保证无模糊，但精度低。
2. 预测长基线相位差 ：用粗估计的 θ\thetaθ 代入长基线的相位公式。
3. 计算模糊整数 ：预测值与测量值之差除以 2π2\pi2π，四舍五入得到整数 kkk。
4. 解模糊并精估计 ：将 2πk2\pi k2πk 加回测量值，再用长基线公式得到高精度角度。

4.4 蒙特卡洛中的相位差估计

R = sum(y1 .* conj(y2), 1);
phi_est = angle(R);

这是互相关相位差估计 ：将通道1与通道2的共轭相乘，求和后取相位。等价于最大似然相位差估计。在低信噪比下，angle(R) 的噪声较大，导致角度估计误差上升，但整体趋势严格遵循 CRLB。

4.5 CRLB 公式在代码中的体现

crlb_ifm_mc(idx_snr) = rad2deg(1 / (2*pi*d_lam*cos(theta_true_rad) * sqrt(2*M*snr)));

这行代码直接翻译了公式：

σθ=12πdλcos⁡θ⋅2Mξ\sigma_\theta = \frac{1}{2\pi \frac{d}{\lambda} \cos\theta \cdot \sqrt{2M\xi}}σθ=2πλdcosθ⋅2Mξ 1

注意 cos⁡θ\cos\thetacosθ 因子：当 θ\thetaθ 接近 ±90°\pm 90°±90° 时，cos⁡θ→0\cos\theta \to 0cosθ→0，CRLB 趋于无穷------这解释了为什么干涉仪在正对法线方向精度最高，在端射方向精度最差。

五、运行结果解读

运行代码后，你将看到：

图1（响应方向图） ：d/λ=0.5d/\lambda = 0.5d/λ=0.5 时主瓣宽、无旁瓣；d/λ=4d/\lambda = 4d/λ=4 时主瓣极窄，但出现多个旁瓣。基线越长，角度分辨率越高，但模糊越多。

图2（相位差卷绕） ：d/λ=0.5d/\lambda = 0.5d/λ=0.5 时相位差始终在 −π,π-\\pi, \\pi−π,π 内，无卷绕；d/λ=4d/\lambda = 4d/λ=4 时相位差在 θ≈±7°\theta \approx \pm 7°θ≈±7° 处就已超过 π\piπ，发生多次卷绕。

图3（角度灵敏度） ：灵敏度 ∣dΔϕ/dθ∣|d\Delta\phi/d\theta|∣dΔϕ/dθ∣ 正比于 d/λd/\lambdad/λ，且随 θ\thetaθ 接近 90°90°90° 而下降。长基线在法线附近灵敏度极高。

图4（解模糊） ：蓝色点表示所有候选解（不同 kkk 对应的角度），红色三角是算法选中的正确解。短基线粗估计将搜索范围缩小到正确候选解附近，round 操作选中了正确的 kkk。

图5（精度对比） ：长基线（红线）的 CRLB 比短基线（蓝线）低了近一个数量级，但注意这是在已解模糊的前提下。

图6（干涉仪 vs Watson-Watt） ：在相同 MMM 和 SNR 下，干涉仪（d/λ=0.5d/\lambda=0.5d/λ=0.5）比 Watson-Watt 精度高约 10 dB （即误差小约 3 倍）。如果基线更长（如 d/λ=4d/\lambda=4d/λ=4），优势可达 30 dB 以上------这就是为什么现代 ESM 系统几乎都采用干涉仪。

蒙特卡洛图：RMSE 曲线紧密贴合 CRLB，验证了互相关相位差估计器是渐进有效的。

六、原书代码对照与延伸思考

• 原书对应 ：ch7_drawFigures 中的图7.12（干涉仪方向图）、图7.14（干涉仪示例，由 ex7_1~ex7_4 生成）。原书还包含了单脉冲测向（图7.15b、7.16），其原理与干涉仪类似，但利用和差波束的比值，而不是相位差。
• 解模糊的实用技巧 ：实际系统中，短基线可能仍存在少量噪声导致的错误解模糊。工程上常用多基线冗余（如三个以上基线）做投票或最小二乘，提高解模糊的鲁棒性。
• 2D 测向：本代码只演示了1D（方位角）。实际系统中，干涉仪通常排列成L形或圆形阵列，同时估计方位角和俯仰角。这将在第09篇（阵列信号处理）中详细展开。

---

下一篇预告（第07篇）：多普勒测向

除了幅度和相位，还有一种完全不同的测向维度：频率 。当接收机（或辐射源）运动时，多普勒频移随来波方向的变化规律可以被用来测向------这就是多普勒测向（Doppler DF）。下篇将用原书第7章的代码，解析旋转天线/运动平台如何通过多普勒频率曲线反推方位角，并推导其 CRLB。敬请期待！