企业官网建设流程全解析

简介：本资源是一套面向电子信息工程、计算机及数学等专业本科生的雷达信号处理实践工具包，聚焦低截获概率（LPI）雷达波形设计核心问题，特别适用于课程设计、期末大作业与毕业设计等中阶工程实践场景。压缩包共含8个MATLAB源文件（.m），总大小仅12KB，涵盖LFM-Barker组合信号生成、模糊函数计算、时频分析与模糊域可视化等关键模块，代码采用参数化编程架构，变量命名规范、注释详尽，支持快速修改调频带宽、码长、采样率等核心参数并即时验证效果。已有40人学习下载，用户可直接运行附赠案例数据，无需额外配置即可复现LFM与Barker码级联建模、自相关/互相关特性分析及低旁瓣波形隐蔽性评估全过程，显著降低雷达信号处理算法理解与实现门槛。 雷达刚入门的同学，第一次看到“低截获概率雷达波形”这个词，大概率会以为思路是“把发射功率压低，让敌方侦察机听不见”。这个直觉方向没错，但远远不够。发射功率压低了，探测距离也跟着垮，而敌方侦察机的灵敏度通常比雷达自己的接收机还要高一个量级，你用多大的功率喊，对面都比你听得早。真正实用的低截获思路，不是“少喊”，而是“喊得让人听不出你在喊什么”。LFM和Barker码的组合信号，就是经典且容易落地的入手方案之一。

这篇内容围绕低截获概率雷达（LPI雷达）中常用的LFM+Barker组合信号展开，从数学建模、参数设计、脉冲压缩、模糊函数、低截获评价到Python仿真完整拉一遍，适合刚接触雷达波形设计、做LPI雷达预研，或者纯粹想搞懂“线性调频和相位编码怎么叠加”的同行参考，看完可以直接拿去改参数跑仿真。

1. 低截获雷达为什么需要LFM和Barker“组队”

1.1 单载频脉冲的困境

先用最朴素的雷达方程和截获方程把话说清楚。对一台传统单载频脉冲雷达来说，探测距离 (R_d) 和发射峰值功率 (P_t) 的四次方根成正比，而截获接收机对雷达的截获距离 (R_i) 和峰值功率的平方根成正比。也就是说，峰值功率翻一倍，雷达探测距离只增长约19%，敌方截获距离却增长约41%。这个增长不对等的问题，是低截获设计绕不开的坎。

单载频脉冲频谱是一根窄带谱线，能量集中在很小的频段里，电子支援（ESM）接收机只要把中心频率对准，很容易就检测到，而且测频测向精度都能做得很高。早年雷达靠高功率压制，现在高功率等于把“我在这儿、我在发射”直接写在脸上。把峰值功率真正降下来，又会导致回波信噪比不足。所以LPI波形设计的出发点就不是“发射功率能不能再低”，而是“同样那点功率，怎么用才让雷达赚、让截获机亏”。

要同时解决峰值功率、距离分辨力、多普勒容忍度、信号特征隐蔽这几个互相打架的需求，单一波形基本没戏，所以才需要把两种调制方式组起来用。

1.2 LFM和Barker各自的“性格”

线性调频信号（LFM，Linear Frequency Modulation）最大的优点是时宽带宽积可以做很大。假设脉宽 (T=10\mu s)、带宽 (B=10MHz)，脉冲压缩比就是 (T \cdot B = 100)，也就是处理增益20dB。发射端可以把能量摊在10MHz带宽里，峰值功率不用顶到很高，回波匹配滤波之后又能把能量收拢回来。

但LFM有个明显的软肋：它的时频图是一条干净的斜线，调频率 (\mu = B/T) 是常数。现代截获接收机只要做STFT或者Wigner-Ville分布，很容易就把这条斜线提取出来，进而估计带宽和脉宽，甚至预测下一个脉冲。所以LFM虽然能抗“能不能检测到”的问题，但扛不住“被识别出来”的问题。

Barker码是双相编码序列，码元取值为 ±1，自相关旁瓣峰值恒为1。13位Barker码的主旁瓣比是 (20\log_{10}13 \approx 22.3dB)，比LFM矩形谱脉压后的-13.2dB旁瓣干净不少，距离副瓣被压得很低。但它也有两个限制：一是已知的Barker码最长只有13位，想加长只能组合扩展；二是Barker码对多普勒敏感，目标速度一旦上来，脉压主瓣衰减明显，旁瓣也会抬起来。

这俩性格正好互补：LFM抗多普勒、大时宽带宽积但特征暴露；Barker旁瓣好、相位结构复杂但多普勒差。把相位编码调制到LFM上，等于让LFM“穿一件破碎花纹的衣服”，时频图不再是完整斜线，而又保留了LFM的多普勒容忍度。

1.3 组合信号带来的三个实质收益

我做了多组仿真之后，得出三个组合信号最重要的收益：

第一，包络仍然是恒定的。Barker码只是相位翻转，不改变幅度，LFM本身也是恒包络信号，两者相乘之后，PAPR依然接近0dB。发射机可以用饱和功率放大器，能量利用率极高。这一点对LPI雷达至关重要，因为恒包络意味着同样平均功率下，峰值电压不会猛涨，对器件要求低，也更容易被设计成噪声底下的低峰均比波形。

第二，频谱结构和时频结构被“打碎”了。LFM单一波形在频域上是近似矩形的谱，在时频域是一条清晰斜线；加Barker相位调制后，每个码元边界处发生π相位跳变，频谱上出现波纹和凹陷，时频图上看起来像斜线被分段并错开。截获接收机常规的调频率估计、脉内特征识别算法，对这类信号需要高得多的截获信噪比才有效。

第三，旁瓣结构和模糊函数特性得到综合改善。脉压主瓣宽度依然由总带宽决定，距离分辨力不损失；旁瓣不再完全由LFM的sinc结构主导，Barker码对远端旁瓣有明显抑制效果。虽然近旁瓣仍然受到LFM旁瓣的牵扯，但整体旁瓣包络比单一LFM好处理。

2. 组合信号数学基础与参数设计边界

2.1 时域模型：把Barker相位翻转直接加载到LFM上

工程上最常见的LFM+Barker组合方式，是先构造一个常规LFM基带信号，再用Barker码序列对它的相位做双相调制。发射信号可以写成：

[ s(t) = b(t) \cdot s_{LFM}(t) ]

其中LFM部分为：

[ s_{LFM}(t) = \mathrm{rect}\left(\frac{t}{T}\right) \cdot e^{j2\pi\left(f_c t + \frac{1}{2}\mu t^2\right)}, \quad \mu = \frac{B}{T} ]

Barker码部分为：

[ b(t) = \sum_{n=0}^{N-1} c_n \cdot \mathrm{rect}\left(\frac{t - nT_c}{T_c}\right), \quad c_n \in {+1, -1} ]

这里的 (T_c = T/N) 是单个码元宽度，(N) 是Barker码长度。Barker码元为-1时，码元持续时间内信号相位整体翻转π；码元为+1时相位不变。13位Barker码最常用的序列是：

[ [+1, +1, +1, +1, +1, -1, -1, +1, +1, -1, +1, -1, +1] ]

这个序列的自相关旁瓣峰值为1，是理论上的最优双相序列之一，也是工程仿真里最常用的。

注意一点，这里不是“分段LFM再接Barker”，而是把Barker相位调制实时叠加到整段LFM上。每个码元内部，信号频率依然按照LFM规律连续变化，码元边界处仅发生相位跳变。这种复合调制的物理实现非常方便，FPGA里只要有一路LFM相位累加器，再根据Barker码对输出相位做一次加法或取反，就能生成。

2.2 核心参数怎么定

参数设计主要看四件事：带宽、脉宽、子码宽度、采样率。

带宽 (B) 由距离分辨力决定，(\Delta r = c/(2B))。比如要得到1.5m的距离分辨力，带宽至少要100MHz；要保证够用，先定带宽再推算其它参数。

脉宽 (T) 通常由能量和探测距离要求决定，同时影响多普勒分辨力 (\Delta f_d = 1/T)。脉宽越长，能量越多，多普勒分辨越好，但Barker码元宽度 (T_c = T/N) 也会变长，这会带来一定问题：码元内LFM扫过的子带宽 (\Delta f_{sub} = \mu T_c = B/N)。以13位码为例，总带宽的1/13落在单个码元里，这个子带宽决定了相位跳变对频谱的“涂抹”程度，不能设计得太大，否则Barker码的旁瓣抑制特性会被LFM的频率变化破坏。

子码宽度 (T_c) 直接决定每个码元内的采样点数。我通常要求单个码元内至少8到16个采样点，否则相位跳变沿的细节会被采样丢失，仿真结果和实际硬件偏差会很大。对应采样率约束为：

[ f_s \geq \frac{N_{samples_per_chip}}{T_c} ]

码元宽度也不能太小，因为码元边界处的瞬时带宽扩展需要发射链路有足够带宽来保真。如果发射机滤波带宽不足，相位跳变沿会被平滑，等效为Barker码被低通滤波，脉压旁瓣会重新抬高。

采样率方面，低通等效仿真可以直接取 (f_s) 略大于 (2B)，并留有处理余量；如果做带通中频仿真，则要考虑带通采样定理，确保信号频谱在任何奈奎斯特区都不混叠。

2.3 频谱会变成什么样

单一LFM大时宽带宽积信号，频谱幅度近似矩形，左右沿陡峭。叠加Barker相位调制后，频谱不再平滑，原因在于每个码元边界跳变的π相位会产生额外的频谱分量，总体上看，带内出现周期性波纹和凹陷，带外旁瓣也有变化。

从截获机角度理解，这种频谱“破碎化”是好事：传统能量检测器也许还能检测到总功率，但用于识别波形的频谱模板匹配算法会失去干净的参考特征。LFM的那条直线时频特征被相位跳变打断，截获接收机需要更高的信噪比才能勉强提取出斜率。在低信噪比下，这种“特征模糊”直接转化为截获概率的下降。

如果你用周期图法做频谱估计，可以把捕获到的组合信号频谱和等带宽LFM频谱放在一起对比，肉眼就能看到区别。功率谱密度不再平坦，而是呈类似梳状波纹的轮廓，这正是相位编码调制在频域留下的指纹。

3. 脉冲压缩性能实测：旁瓣、主瓣与处理增益

3.1 匹配滤波的标准流程

接收端对LFM+Barker组合信号做脉冲压缩，标准做法是用发射信号的时间反转共轭作为匹配滤波器：

[ h(t) = s^*(-t) ]

对接收信号做卷积就得到脉压输出。数字实现上就是发射信号序列逆序取共轭，然后与接收序列做线性卷积。匹配滤波器输出的主瓣宽度理论上由信号带宽决定，约为 (1/B)；处理增益理论上等于时宽带宽积 (T \cdot B)。

需要注意，匹配滤波对LFM天然匹配，也对Barker码天然匹配，但两者叠加后，匹配滤波器实际上是对“复合信号”整体匹配，而不是分别对两部分匹配再相加。因此旁瓣性能不能简单地拿LFM旁瓣和Barker旁瓣线性叠加来预估，必须单独做仿真或用模糊函数看。

3.2 一组可复现的仿真参数与测量结果

我在仿真里常用的基准参数如下：

• 采样率 (f_s = 120MHz)
• 脉宽 (T = 10\mu s)
• 带宽 (B = 10MHz)
• 载频（中频） (f_c = 10MHz)
• Barker码长度 (N = 13)
• 码元宽度 (T_c \approx 0.769\mu s)

按这套参数，脉冲压缩后的测量结果大致如下：

近旁瓣没有显著改善的原因，我在前面提过：Barker码理想的旁瓣性能依赖于码元内相位恒定，而LFM让每个码元内相位持续变化，旁瓣的精确抵消被打破。不过在远离主瓣的区域，Barker码的相位结构仍然起作用，旁瓣包络比纯LFM干净得多。所以，组合信号的价值不是“近旁瓣降低到-22dB”，而是“在保持LFM多普勒容忍度的同时，把远端旁瓣压低”。

3.3 加窗与不加窗的取舍

实测脉压旁瓣不够用的时候，常规做法是加窗。Hamming窗、Taylor窗、Kaiser窗都可以，我以Hamming窗为例给一组参考数据：

加窗本质上是用“轻微的失配”换取旁瓣抑制。在目标密集或大动态范围场景下，旁瓣电平从-13dB降到-36dB意义非常大，否则强目标旁瓣会淹没弱目标。但主瓣从0.09us展宽到0.13us，意味着距离分辨力下降到约19.5m（对应0.13us），这个代价必须在系统预算里提前算清楚。

我的经验是：如果系统对旁瓣要求高且目标速度范围不大，可以直接用加权脉压，把窗函数乘在频域匹配滤波器上；如果既想保留LFM的多普勒容忍度，又想旁瓣干净，可以在恒虚警检测后对旁瓣区域做加窗处理，或者用旁瓣抑制滤波器做两级处理。

4. 模糊函数分析：为什么这个波形“又准又稳”

4.1 模糊函数怎么看

模糊函数是评价雷达波形分辨特性、多普勒敏感性和模糊度的核心工具，定义如下：

[ \chi(\tau, f_d) = \int_{-\infty}^{+\infty} s(t) s^*(t-\tau) e^{j2\pi f_d t} dt ]

从工程角度，切片更容易看懂。零多普勒切片 (\chi(\tau, 0)) 就是匹配滤波后的自相关，体现距离分辨力和旁瓣；零时延切片 (\chi(0, f_d)) 体现多普勒分辨力和测速模糊。这两个切片基本就能判断一个波形适不适合某个场景。

4.2 组合波形的模糊图特征

单一LFM的模糊图特征是一条沿距离-多普勒平面的“斜刀刃”，刀刃方向由调频率决定。好处是目标存在距离-多普勒耦合时峰值不会消失，坏处是模糊能量集中在这条刀刃上，副峰过不了门限。

单一Barker码的模糊图在零多普勒附近表现优秀，旁瓣低，但多普勒轴一拉远，自相关峰值迅速下降。也就是说，纯Barker码波形对高速目标不友好。这一点在动目标检测里很致命，因为目标速度未知，脉压峰值损失会直接造成漏检。

LFM+Barker组合信号的模糊函数，等于把LFM的“斜刀刃”与Barker码的距离旁瓣抑制特性做了折衷。零多普勒切面主瓣窄、远端旁瓣低；零时延切面依然保留LFM的sinc形多普勒包络，多普勒容忍度不至于像纯Barker码那样崩掉。总体表现为：距离维“准”，多普勒维“稳”。

4.3 我用仿真验证的一个典型场景

我做过一组多普勒容忍度对比：目标多普勒频移从0做到200kHz，观察脉压主瓣峰值衰减。

可以看到，组合信号的多普勒容忍度介于两者之间，但明显优于纯Barker码。如果目标速度很高，超过100kHz对应的多普勒，就需要考虑在接收端做多普勒补偿或者采用多通道多普勒滤波器组，这和单一LFM的处理思路一致。

5. 低截获性能评估：不只是“看不见”这么简单

5.1 截获因子和PAPR才是硬指标

评价一个LPI波形好不好，不能只看“我肉眼从频谱里看不到它”。工程上常用截获因子来量化：

[ \alpha = \frac{R_i}{R_d} ]

其中 (R_i) 是截获接收机的作用距离，(R_d) 是雷达自身的探测距离。(\alpha < 1) 意味着雷达探测到目标之前，敌方截获机还没发现雷达，这是LPI设计追求的目标。

LFM+Barker组合信号对降低截获因子直接有效的两个机制：一是大时宽带宽积让能量摊薄，峰值功率低；二是恒包络使得发射机可以用饱和功放，平均功率提升，间接拉大探测距离。PAPR越低，功放利用效率越高，同样平均功率下的等效辐射功率越大，这是LPI工程里容易被忽略的一点。

顺便多说一句，有些波形虽然仿真里旁瓣性能做得很好，但PAPR很高，比如某些正交多载波波形，发射机必须回退功率来避免非线性失真，一回退，平均功率就掉下来，截获因子反而恶化。这是设计LPI波形时最容易踩的坑：光看波形在仿真里的“好看程度”没有用，要落到实际发射链路上。

5.2 对截获接收机识别算法的影响

截获接收机检测到信号之后，下一步是分类识别。LFM信号被识别的最强特征是时频图上的直线斜率和频谱矩形包络。LFM+Barker组合信号把直线打成“虚线”和“碎线”，频谱引入波纹，传统基于Hough变换提取时频斜率的算法在低信噪比下就会失效。

我用Wigner-Ville分布做过一次直观对比：单一LFM的时频图是一条清晰亮线，组合信号则是若干短线交替、相位跳变处出现交叉项。对识别算法来说，特征从“单一强特征”变成了“多个不稳定的弱特征”，需要的信噪比门限明显抬高。概括说，这个波形增加的不是“检测难度”，而是“识别难度”，而识别难度最终会转化为截获系统的虚警和误判。

5.3 三种波形的低截获参考对比

表格里的“相对截获因子”是我基于典型场景仿真得到的相对变化趋势，不是某个雷达的绝对指标。不同载频、脉宽、带宽、侦察机灵敏度下数值会变，但趋势一致：LFM+Barker组合比单一LFM在识别特征隐蔽性上更优，且在恒包络这一点上不输任何单一波形。

6. 仿真实操与代码实现（可直接运行）

6.1 信号生成与脉冲压缩的Python实现

理论讲再多，不如自己动手跑一遍。下面这段代码用Python生成LFM+Barker13组合信号，完成匹配滤波，并计算脉压输出的关键指标。我尽量把注释写全，方便直接改参数做实验。

import numpy as np # 基础参数 fs = 120e6 # 采样率 120 MHz T = 10e-6 # 脉宽 10 us B = 10e6 # 带宽 10 MHz fc = 10e6 # 中频 10 MHz（基带仿真可设为0） # 13位Barker码 barker13 = np.array([1, 1, 1, 1, 1, -1, -1, 1, 1, -1, 1, -1, 1]) # 时间轴 N = int(fs * T) t = np.linspace(0, T, N, endpoint=False) # LFM信号 mu = B / T lfm = np.exp(1j * 2 * np.pi * (fc * t + 0.5 * mu * t**2)) # Barker码序列按时间轴映射 Tc = T / len(barker13) chip_idx = np.floor(t / Tc).astype(int) chip_idx = np.clip(chip_idx, 0, len(barker13) - 1) pcm = barker13[chip_idx] # 组合信号 s = lfm * pcm # 匹配滤波器：发射信号时间反转取共轭 h = s[::-1].conj() # 脉压输出 y = np.convolve(s, h) y = y / np.abs(y).max() # 取中间区域分析 center = len(y) // 2 segment = y[center - 500 : center + 500] y_db = 20 * np.log10(np.abs(segment) + 1e-12) # 找主瓣和峰值旁瓣 mainlobe_width_samples = np.sum(y_db > -3) peak_sidelobe_db = np.max(y_db[np.argmax(y_db) + 10 :]) # 避开主瓣附近 print(f"采样点数: {N}") print(f"-3dB主瓣宽度: {mainlobe_width_samples / fs * 1e6:.3f} us") print(f"峰值旁瓣电平(不加窗): {peak_sidelobe_db:.1f} dB")

这里用np.floor(t / Tc)把每个采样点映射到对应的Barker码元位置，是保证时序正确的关键。如果直接对Barker序列做np.repeat，在末尾码元不完整的时候引入的误差会直接影响旁瓣测量结果。

6.2 加窗和模糊函数切片的扩展代码

加Hamming窗的加权脉压可以在匹配滤波器中实现：

w = np.hamming(N) hw = h * w yw = np.convolve(s, hw) yw = yw / np.abs(yw).max() yw_db = 20 * np.log10(np.abs(yw[center - 500 : center + 500]) + 1e-12)

模糊函数的零时延切片，也就是多普勒维自相关，可以这样算：

dopp_freqs = np.linspace(-100e3, 100e3, 201) peak_vals = [] for fd in dopp_freqs: s_dopp = s * np.exp(1j * 2 * np.pi * fd * t) yd = np.convolve(s_dopp, h) peak_vals.append(np.abs(yd).max()) peak_vals = np.array(peak_vals) peak_db = 20 * np.log10(peak_vals / peak_vals.max() + 1e-12)

跑完这段代码，你可以画出来：零时延切片形状接近sinc，主瓣宽度近似 (1/T)，也就是100kHz级别。这个多普勒分辨力对10us脉宽的LFM来说符合理论值。

6.3 复现时最容易踩的坑

第一，Barker码方向搞反。匹配滤波器要求发射信号逆序共轭，如果Barker码序列方向反了，脉压主瓣会出现明显的不对称拖尾，旁瓣测量全部失真。我建议生成信号后先画一个脉压输出图，主瓣应该是对称的单峰，否则检查方向。

第二，采样率不够导致相位跳变沿丢失。Barker码的π相位跳变如果处在两个采样点之间，采样率又刚好卡在奈奎斯特边界，脉压旁瓣会意外抬高。最简单的方法是把采样率提高到带宽的8到10倍，确认结果稳定后再降到实际硬件采样率。

第三，中频和基带混淆。如果你的仿真里fc不为0，频谱会以fc为中心向两边展开，匹配滤波器在时域做卷积时没问题，但一旦你要对频谱做加窗或滤波处理，必须保证整个信号带都落在采样率支持范围之内，否则边缘频率会被“折叠”到带内，仿出来的旁瓣电平就是错的。

第四，模糊函数切片计算时要遍历多普勒频点，每个频点都要做一次卷积，如果目标多普勒范围很大，计算量会上升。可以先用较少频点粗扫，定位峰值附近后再细化，能省很多时间。

这个波形我已经反复用了很久，最大的感受是它非常适合做LPI波形设计的“第一课”：数学门槛不高、硬件实现不难、仿真结果稳定，却能把恒包络、相位编码、调频、模糊函数、截获因子这些雷达波形设计的核心概念全部串起来。后续想深入，可以在此基础上扩展NLFM、P4码、Costas跳频或者组合Barker码，思路都是一样的——用复合调制增加信号的“不可识别性”，同时保住雷达自己需要的处理增益和分辨力。

本文还有配套的精品资源，点击获取