企业官网建设流程全解析

简介：这份资源是西电通信工程学院信号与系统课程大作业的完整解决方案，围绕多普勒效应展开，适合通信工程专业学生用于课程设计、仿真实验与复习参考。压缩包共6个文件，包含4个MATLAB脚本、1份PDF任务说明和1份DOCX报告文档，整体大小约1.03MB。MATLAB脚本对应题目要求的多个问题模块，涵盖多普勒效应的建模、仿真与结果分析，可直接运行或修改复用；PDF为实践大作业的题目要求，DOCX则是整理好的报告文档。目前已有1000余人学习下载，通过源码与报告对照，可以快速理解多普勒效应在信号与系统中的频率偏移分析与处理流程，掌握信号采样、频谱分析和MATLAB编程等关键技能，为完成类似课设或深入理解相关理论提供实用参考。

1. 多普勒效应大作业：从频移公式到能跑的仿真，中间隔着什么

信号与系统的大作业里，多普勒效应是典型“公式好推、仿真掉坑”的题：教材三行就能给出接收频率等于 f0 加 fd，可真到写代码时，很多人不知道应该生成一个什么样的信号。是生成一个频率变高了的正弦波，还是生成一个频率随时间扫过的调频波？这两个方向对应完全不同的物理模型。这道题的核心价值在于能把采样定理、复解析信号、频谱分辨率、参数估计串在一条链上，适合作为本科阶段最后一个系统级仿真训练。这篇文章给出一条从数学模型到可运行代码的完整路径，包含参数选取、频谱分析和 5 个实际踩过的坑，新手可以直接照着搭，熟手可以对比自己的实现方式。

2. 多普勒信号建模：教材频移公式与仿真模型之间的两个关键转换

2.1 为什么仿真里不能用“频率 = f0 + fd”直接生成

多普勒效应的教材结论是接收频率变成 f0 + fd，但如果你直接在代码里写np.sin(2 * np.pi * (f0 + fd) * t)，你会得到一个频率恒定的正弦波。它在频谱上确实偏移了，可它只是一个恒频信号，多普勒效应里“发射—反射—接收”的因果链没了，相位积累的过程也没了，课程报告里最难回答的“频移从哪来”这一问，你根本说不清。

在信号与系统的语境下，正确的出发点是回波等于发射信号的延迟版本。目标距离随时间变化时，延迟也在变化。设目标匀速运动，距离写成 R(t) = R0 + v t，那么回波延迟 tau(t) = 2 R(t) / c，代回发射信号后，回波相位中会多出一个随时间线性增长的项，对时间求导就得到一个固定的角频率偏移，这就是多普勒频移。单站、收发同置的雷达模型下，频移公式是 fd = 2 v f0 / c，系数 2 来自电磁波的双程传播；如果是声学里声源运动而接收端静止的模型，公式分母会多一项，报告里必须写明你用的是哪一种。

所以从信号处理角度看，多普勒效应就是给回波乘上一个相位因子 exp(j 2π fd t)。窄带复包络模型下，回波基带信号就是一个复单频信号，频率正是 fd。这个模型是后续所有仿真代码的基础，可以直接抄：

import numpy as np def doppler_echo(fd, T, fs, A=1.0, phase0=0.0): """ 生成匀速运动单散射目标的窄带回波复包络。 参数： fd 多普勒频移，单位 Hz，正数表示目标接近 T 观测时长，单位 s fs 采样率，单位 Hz A 幅度 phase0 初始相位 返回： t 时间轴，单位 s s 复基带信号 A * exp(j*(2*pi*fd*t + phase0)) """ t = np.arange(0, T, 1 / fs) s = A * np.exp(1j * (2 * np.pi * fd * t + phase0)) return t, s

为什么用复指数而不是实信号 sin？因为复指数只含一个正频率谱峰，频谱移动方向可以直接从峰值位置的正负读出来；实信号频谱是正负对称的两条谱线，幅度谱取绝对值以后，方向信息会变得非常隐晦。很多同学用实信号做作业，最后卡在“我怎么从图上看目标是在接近还是远离”，根源就在这里。

这里的 fd 不是凭空设定的，而是由运动参数算出来的。以 10 GHz 载频、目标径向速度 20 m/s 为例，fd = 2 × 20 × 10^10 / 3×10^8 ≈ 1333 Hz。如果目标是远离，fd 取负值。把速度、载频和频移的换算关系写在一个函数里，改参数的时候不容易出错：

c = 3e8 def doppler_freq(v, f0): """ 单站雷达模型下计算多普勒频移。 v 正数表示目标接近，负数表示远离。 """ return 2 * v * f0 / c

写报告时，我一般会在第一节明确写：“采用单站雷达回波模型，目标径向速度为正代表接近。”这句话能让老师一眼看出你的模型假设是清楚的，避免和声学多普勒模型混淆。

2.2 采样率和观测时长的下限：先算参数再写代码

仿真里最常见的翻车点不在算法，在于参数没算就开跑。两个参数必须事先定下来：采样率 fs 和观测时长 T。它们各自有一个硬约束，忽略任何一个，频谱图都会给出错误结论。

采样率约束取决于你要生成的是完整回波还是只生成基带。如果回波保留了载波，信号最高频率是 f0 + fd，按实数奈奎斯特条件，采样率要超过两倍的最高频率；对 10 GHz 载频来说这就是 20 GS/s 起步，数据量直接爆炸。我在作业里通常不这么做。更合理的做法是直接生成基带复信号，载波根本不进仿真，这时信号里只有 fd 这个频率成分，采样率只需满足 fs > 2|fd|。基带模型负责证明多普勒频移，完整回波只作为原理说明里的框图出现，这样仿真负担小，频谱也干净。

观测时长 T 的硬约束来自频率分辨率。FFT 的频率分辨率约为 1/T，要想把一个多普勒频移从频谱上分辨出来，必须满足 T > 1/|fd|。这还只是理论下界；实际做峰值检测时，如果频移峰只占一个频率分辨单元，抛物线插值也没多少操作空间。我一般要求 T × |fd| ≥ 10，让峰跨至少十个分辨单元，这样测频误差才能压到可接受范围。比如 fd = 50 Hz，T 至少取 0.2 s 而不是理论上的 0.02 s。

把这两个约束写成一个参数自检函数，放在仿真入口处，能在改速度时第一时间发现问题：

def check_params(f0, v, c, T, fs): fd = 2 * v * f0 / c res = 1.0 / T if res > abs(fd): print("警告：频率分辨率 %.1f Hz 大于 fd %.1f Hz，谱峰无法分辨" % (res, fd)) if T * abs(fd) < 10: print("提示：观测时长偏短，峰值只占 %.1f 个分辨单元" % (T * abs(fd))) if fs < 4 * abs(fd): print("错误：采样率低于 4 倍 fd，存在频谱折叠风险") else: print("参数检查通过：fd=%.1f Hz, 分辨率=%.1f Hz, fs=%d Hz" % (fd, res, fs)) return fd

注意采样率那一项我用的是 4 倍 fd 而不是 2 倍，这是经验值。留出一倍裕量后，后续做频谱展宽或者加窗时，搬移后的旁瓣不会直接撞到采样率边界。先跑一遍这个检查，再决定要不要继续，比直接看频谱图猜问题高效得多。

3. 用 Python 跑通连续波回波与脉冲回波：两版可复现实现

3.1 连续波回波：从发射到加噪的完整流程

这一节给一个“作业可直接用”的版本，模拟连续波雷达 10 GHz 载频、目标以 20 m/s 径向速度接近的场景。观测时长 0.1 秒，基带采样率 2000 Hz，加入 20 dB 高斯白噪声，最后从频谱估计多普勒频移。整段代码可以一次跑通：

import numpy as np import matplotlib.pyplot as plt f0 = 10e9 c = 3e8 v = 20.0 fd = 2 * v * f0 / c fs = 2000.0 T = 0.1 t = np.arange(0, T, 1 / fs) # 基带发射信号：在复基带里载频被搬移到 0 Hz tx = np.ones_like(t) # 回波复包络：多普勒频移体现在相位线性增长上 # 固定相位移 2*pi*f0*tau0 只是常数，不影响频率，这里省略 rx_baseband = np.exp(1j * (2 * np.pi * fd * t)) # 加入复高斯白噪声，SNR = 20 dB snr_db = 20.0 noise_power = 10 ** (-snr_db / 20) noise = (np.random.randn(len(t)) + 1j * np.random.randn(len(t))) / np.sqrt(2) rx = rx_baseband + noise_power * noise # 频谱分析 freq = np.fft.fftshift(np.fft.fftfreq(len(t), 1 / fs)) spec = np.fft.fftshift(np.fft.fft(rx)) / len(t) plt.figure(figsize=(8, 4)) plt.plot(freq, 20 * np.log10(np.abs(spec) + 1e-12)) plt.xlabel("频率 (Hz)") plt.ylabel("幅度 (dB)") plt.title("连续波回波频谱：主峰位于多普勒频移处") plt.xlim([-300, 300]) plt.grid(True) plt.show() # 峰值估计 idx = np.argmax(np.abs(spec)) f_est = freq[idx] print("理论 fd = %.2f Hz, 峰值估计 = %.2f Hz" % (fd, f_est))

代码里的发射信号在基带是常数 1，物理含义是“发射载波在基带里位于 0 Hz”。回波是频率为 fd 的复指数，频谱主峰就出现在 fd 处。加噪声时，复噪声的实部和虚部各用一个标准正态随机序列，再除以根号 2 保证噪声功率归一化，乘上 10^(-SNR/20) 就能精确控制信噪比。

峰值估计直接取幅度谱最大值对应的频率。这个估计的精度受离散谱线间隔限制，误差大约在半个分辨单元内，具体修正在第 6 章给出。这段代码的参数选得比较保守：fd 约 1333 Hz，采样率 2000 Hz，频谱只画到 ±300 Hz，所以你能看到完整主峰和一段平坦的噪声基底。观测时间 0.1 秒，分辨率 10 Hz，峰值跨越约 133 个分辨单元，非常好认。

如果你想换成实信号展示，可以生成np.cos(2 * np.pi * fd * t)再画幅度谱，但你会看到正负频率各有一个峰，方向信息需要额外说明。作业里两种图都放也行：复信号图讲频移方向，实信号图讲实信号频谱对称性，展示的是同一个多普勒效应在不同信号表示下的面貌。

3.2 脉冲回波：梳状谱的整体搬移与“非整数倍齿距”现象

连续波只给一条谱线，脉冲信号下频谱形态完全不同。许多大作业会要求对比连续波和脉冲串，并解释频谱结构。脉冲串以 PRI = 1 ms 重复，脉宽 0.1 ms，回波复包络仍然是多普勒复指数，只是作用在时间窗上：

pri = 1e-3 pulse_width = 1e-4 fs_p = 1e6 T_total = 0.01 t_p = np.arange(0, T_total, 1 / fs_p) # 生成脉冲串包络 train = np.zeros_like(t_p) for start in np.arange(0, T_total, pri): idx = (t_p >= start) & (t_p < start + pulse_width) train[idx] = 1.0 # 回波复包络 = 脉冲串 * 多普勒相位 rx_pulse = train * np.exp(1j * 2 * np.pi * fd * t_p) # 频谱 freq_p = np.fft.fftshift(np.fft.fftfreq(len(t_p), 1 / fs_p)) spec_p = np.fft.fftshift(np.fft.fft(rx_pulse)) / len(t_p) plt.figure(figsize=(8, 4)) plt.plot(freq_p, 20 * np.log10(np.abs(spec_p) + 1e-12)) plt.xlim([-500, 500]) plt.title("脉冲回波频谱：梳状谱整体搬移 fd") plt.xlabel("频率 (Hz)") plt.ylabel("幅度 (dB)") plt.grid(True) plt.show()

这段代码能观察两个现象。第一，脉冲越窄，梳状谱的包络越宽，包络主瓣宽度约 1/脉宽 = 10 kHz；第二，梳齿间隔严格等于 1/PRI = 1000 Hz，而 fd 在这个例子里算出来约 1333 Hz，于是整把梳子被平移了 1.33 个齿距。0.33 这个非整数倍部分是报告里最值得讲的一页：它说明多普勒频移不必等于脉冲重复频率的整数倍，频谱搬移是连续的，离散谱线只是在搬移后的位置上被采样。把这一条写成文字，直接对应傅里叶变换的频移性质和周期信号离散谱两个知识点。

脉冲模式做参数扫描时，你还可以观察一个现象：提高脉冲重复频率会让梳齿间距变大，但包络主瓣不变；改变脉宽会改变包络宽度，却不动梳齿位置。这些交叉对比能让报告的分析深度明显上一个台阶。

4. 频谱分析的关键操作：加窗、短时傅里叶变换与参数扫描

4.1 FFT 频谱泄漏：为什么多普勒峰总是“塌”的

窄带多普勒信号只有一个频率，直接 FFT 后如果观测时长不是信号周期的整数倍，主峰会展宽、旁边出现波纹，峰值位置也不再精确。很多同学把这个现象误判成“多普勒频移消失了”或“模型写错了”，其实只是频谱泄漏。

处理方法就是加窗。矩形窗谱峰尖锐但旁瓣高；Hann 窗主瓣略胖但旁瓣干净。下面这段对比代码可以直接运行，用来给报告配图：

from numpy.fft import fft, fftfreq, fftshift def spectrum(signal, fs, window='rect'): N = len(signal) if window == 'hann': w = np.hanning(N) else: w = np.ones(N) spec = fftshift(fft(signal * w)) / N freq = fftshift(fftfreq(N, 1 / fs)) return freq, spec t2 = np.arange(0, 0.1, 1 / 2000) s2 = np.exp(1j * 2 * np.pi * 50 * t2) f_rect, spec_rect = spectrum(s2, 2000, 'rect') f_hann, spec_hann = spectrum(s2, 2000, 'hann') plt.figure(figsize=(8, 4)) plt.plot(f_rect, 20 * np.log10(np.abs(spec_rect) + 1e-12), label='rect') plt.plot(f_hann, 20 * np.log10(np.abs(spec_hann) + 1e-12), label='hann') plt.xlabel("频率 (Hz)") plt.ylabel("幅度 (dB)") plt.title("矩形窗与 Hann 窗对多普勒峰的影响") plt.legend() plt.grid(True) plt.show()

加窗之后，主瓣变宽意味着频率分辨率下降。对测频来说这不是免费的：加窗降低了旁瓣，却让你更难看清单频点附近的细节。我的一般策略是矩形窗做粗测，Hann 窗做细看和展示；Hann 窗下的幅度比矩形窗低约 6 dB，这个差值要在报告里交代，否则老师会质疑你的噪声基底计算。如果作业要求做检测概率分析，窗函数对噪底和旁瓣的影响必须单独列一节讨论。

4.2 变速目标：用短时傅里叶变换看清多普勒频移随时间变化

匀速目标只是入门，很多大作业会加一问“目标加速或制动时频谱会变成什么样”。变速目标的多普勒频移 fd(t) 随时间变化，单个 FFT 只能给出一个时间平均的结果，信息混叠在一起，这时需要短时傅里叶变换。直接用 scipy.signal 的 stft 接口：

from scipy.signal import stft fd0 = 100.0 k = 200.0 t3 = np.arange(0, 1.0, 1 / 2000) # 相位 = 2*pi*(fd0*t + 0.5*k*t^2)，瞬时频率 = fd0 + k*t phase = 2 * np.pi * (fd0 * t3 + 0.5 * k * t3 ** 2) s3 = np.exp(1j * phase) f_stft, t_stft, Zxx = stft(s3, fs=2000, nperseg=256, noverlap=200) plt.figure(figsize=(8, 4)) plt.pcolormesh(t_stft, f_stft, np.abs(Zxx), shading='gouraud') plt.xlabel("时间 (s)") plt.ylabel("频率 (Hz)") plt.title("匀加速目标的 STFT：多普勒频移随时间线性扫过") plt.colorbar(label="幅度") plt.show()

这里的相位是 t 的二次函数，瞬时频率是相位对时间的导数，所以谱线在时频图上表现为一条斜线。STFT 的时间分辨率和频率分辨率由窗口长度 nperseg 控制：窗口越短，时间定位越准，但每个窗口内的频率分辨率越差；窗口越长则反过来。这个此消彼长的关系是报告里值得单独讨论的点，把 nperseg 从 256 改成 64 和 1024 对比一下，你能看到完全不同的时频图形态。

如果作业要求更高，还可以用同步压缩变换对 STFT 结果做重排，让斜线变成一条细线。不过对于信号与系统课程，STFT 能解释“频率随时间倾斜”就够了。

4.3 参数扫描表：速度、载频、观测时长和信噪比对结果的影响

把参数做成扫描表是拿高分最省力的一步。下面这张表既可以用来指导仿真设置，也能直接放进报告结论页：

对应扫描代码是一个简单循环：

v_list = np.arange(5, 50, 5) errors = [] for v in v_list: fd_v = 2 * v * f0 / c t_v = np.arange(0, 0.1, 1 / 2000) s_v = np.exp(1j * 2 * np.pi * fd_v * t_v) f_v, spec_v = spectrum(s_v, 2000, 'rect') idx = np.argmax(np.abs(spec_v)) f_est = f_v[idx] errors.append(abs(f_est - fd_v)) plt.figure(figsize=(8, 4)) plt.plot(v_list, errors, marker='o') plt.xlabel("速度 (m/s)") plt.ylabel("测频误差 (Hz)") plt.title("FFT 峰值估计的量化误差") plt.grid(True) plt.show()

这里会看到一个典型现象：误差不是单调变化的，而是在 ±1/(2T) 之间无规律跳动。这个锯齿状的误差曲线不是 bug，而是离散谱栅栏效应的直接体现。报告里把这一点讲清楚，老师就知道你理解 FFT 的本质，而不是只会调包。

5. 大作业避坑与自查清单：我调多普勒仿真时踩过的 5 个坑

5.1 现象：频谱峰值不移动，只是整条谱线变形

有人把回波写成 A 乘以 sin(2π f0 t) 再乘以 sin(2π(f0+fd)t)，以为两个实信号相乘就能产生多普勒频移。实际观察到的谱峰往往在 fd 和 2f0+fd 两处，但因为是实信号，正负频率各有一对镜像，幅度谱上一片混乱，很难说清“频移到底在哪”。

原因：实信号相乘产生的是和差频率，不是单纯的载波搬移；且实信号频谱天然对称，方向信息丢失。

解决：统一用复包络模型，回波写成 exp(j2π fd t) 的形式。如果必须要展示实信号，先用希尔伯特变换构造解析信号，再取复包络，不要在时域直接乘两个实信号。这个改动能把 80% 的“频谱不移动”问题一次性解决。

5.2 现象：理论 fd 是 50 Hz，FFT 峰值却测成 47 Hz，误差随机跳

原因：这是离散谱线的栅栏效应。FFT 只在离散频点上采样，真实峰落在两条谱线之间时，最大值点只能给出其中一个频点，误差在半个分辨单元内无规律变化。

解决：对幅度谱做抛物线插值，取峰值附近三个点拟合峰顶位置。代码在下一章给出，误差通常能降一个数量级。报告里可以把插值前后的误差对比画成曲线，这比单纯贴频谱图更能体现你的处理能力。

5.3 现象：时域波形开头有明显毛刺，频谱噪底整体抬高

原因：信号从 t=0 的瞬态开始，如果发射信号在基带不是常数而是突然跳变的波形，或者噪声序列和信号序列拼接时相位不连续，FFT 就会把跳变当成高频分量，表现为噪底抬升。

解决：先让仿真从负时间开始，比如 t 从 -T/4 到 T，取最后 3T/4 做分析；或者在主信号前后加一段前导零。对复指数信号，更常见的做法是保证初始相位连续，不要随机生成 phase0 又不对齐。波形开头毛刺这种问题，看时域图最直观，先排除拼接错误，再去调滤波器。

5.4 现象：把目标速度从 20 m/s 改到 50 m/s，频谱峰反而消失了

原因：采样率没跟着改。fd 随速度线性增大，当 fd 接近或超过 fs/2 时，频谱发生混叠，峰值折叠到另一侧，看起来就像消失了。

解决：把采样率与最大 fd 绑定，仿真入口统一用 fs = 4 × max(|fd|) 计算，速度是扫描参数时尤其要注意。出现这个坑，第一反应不是改代码逻辑，而是回看参数检查函数里 fs 是否满足当前 fd。

5.5 现象：频谱图上只有一个峰，分不清目标在接近还是远离

原因：基带模型里正频率峰代表接近、负频率峰代表远离，但如果图上没有参考谱线，读者无法判断这个峰相对谁是正谁是负。只画幅度谱、不标 0 Hz 参考线，是最容易被扣分的一点。

解决：在频谱图上叠加一条发射信号的参考谱线，回波峰在它右侧就是接近，在左侧就是远离。实操时可以直接画一条竖虚线标记 0 Hz，并在图注里写明“正频率为接近，负频率为远离”。这一条不需要改代码，只需要改画图细节，但对报告的得分影响非常大。

6. 从作业到项目：多普勒参数估计的三种进阶技巧

6.1 抛物线插值：把测频误差压低一个数量级

直接取幅度谱最大值，频率误差最多达半个分辨单元。用峰值附近三个点的幅度做抛物线插值，可以显著提高估计精度：

def parabolic_interp(freq, spec_mag): idx = np.argmax(spec_mag) if idx == 0 or idx == len(spec_mag) - 1: return freq[idx] y0, y1, y2 = spec_mag[idx - 1], spec_mag[idx], spec_mag[idx + 1] delta = 0.5 * (y0 - y2) / (y0 - 2 * y1 + y2) return freq[idx] + delta * (freq[1] - freq[0])

三点抛物线拟合假设谱峰顶部近似为二次曲线，delta 落在 ±0.5 之间，输出频率可以突破离散谱线的量化步长。这个方法对单频信号、中等以上信噪比时非常稳定；信噪比很低或两个目标靠得过近时，插值结果会变差，报告里要补一句适用范围。用 2.1 节的信号测一下，插值前后误差对比足以支撑一篇实验小节。

6.2 双目标分离：频率差必须大于 1/T

作业的扩展题常常是两个速度不同的目标。基带信号就是两个复指数之和，频谱上出现两个峰。可分辨的理论条件是 |fd1 - fd2| > 1/T。下面这个最小示例可以放在代码附录里：

fd1, fd2 = 120.0, 180.0 T = 0.4 t4 = np.arange(0, T, 1 / 2000) s4 = np.exp(1j * 2 * np.pi * fd1 * t4) + 0.9 * np.exp(1j * 2 * np.pi * fd2 * t4)

0.4 秒观测对应的频率分辨率是 2.5 Hz，而两个频移间隔 60 Hz，远远大于分辨率，谱图上是两个清晰的峰。如果观测缩到 0.01 秒，分辨率变成 100 Hz，两个峰就会融合成一个鼓包。把这两个观测时长下的频谱并排放在报告里，比任何文字都更能说明“分辨率由观测时长决定”这个信号与系统核心概念。

6.3 交付形态：一张框图、一张频谱图、一段自检输出

课程大作业的评审读代码时间有限，把结果固化成“参数输入—频谱图—峰值估计输出”三件套最省沟通成本。我习惯在脚本入口保留一个if __name__ == "__main__":，运行一次把参数表、理论 fd、插值估计值、误差一起打印出来，贴到报告附录。这不算高技术含量，但能显著降低“老师看不懂你在仿什么”的风险。

多普勒效应做完给我的最大感触是：这个公式不应该靠背，而应该看相位到底转了多少圈。把 exp(j2πfd t) 画在复平面上，看着它一圈圈旋转，再回来看频谱上的那个峰，一切就都通了。希望帮到你。

本文还有配套的精品资源，点击获取