做雷达信号处理的工程师，看到 PLFM_RADAR 这个项目名，第一反应基本指向两件事：波形设计和雷达系统仿真。PLFM 常见理解是相位编码线性调频（Phased Linear Frequency Modulation），把 LFM 的连续线性调频和离散相位编码组合成一种混合波形，后缀 RADAR 则说明这更像一条完整的雷达信号处理链路，而不是画完波形图就收工。这类项目通常要解决的是：单一 LFM 在复杂电磁环境下旁瓣偏高、容易被干扰的问题，同时还要在不上硬件、不烧仪器的前提下，把波形的模糊函数、距离分辨率和多普勒容忍度全部摸清楚。适合雷达感知方向的学生、做波形设计的工程师，以及想从理论公式跳到工程实现的算法研究者参考。这篇文章我按自己的完整实操路径来写，尽量把每一步为什么这么做讲透。

1. 项目核心思路与波形选型逻辑：PLFM到底解决什么问题

1.1 PLFM_RADAR定位拆解：混合波形的完整仿真链路

先说说 PLFM_RADAR 这个项目名的拆法。PLFM 这个缩写在不同团队中指的东西不完全一致，有人把它理解成 Phase-coded LFM，也就是在 LFM 信号基础上叠加离散相位编码；也有人理解成 Piecewise LFM，即分段线性调频，把整个带宽切分成若干子段，每段用不同斜率。这两条路线在工程里都存在。PLFM_RADAR 这个名字没有带更多上下文，我按工程上最常见的理解展开：基于相位编码序列（P4码、Frank码、Costas阵列等）对 LFM 信号进行相位调制，形成“连续调频 + 离散编码”的混合波形，然后基于该波形搭建完整的雷达收发链路仿真。

会提到这一点，是因为不同定义下的波形数学形式和性能差异很大。如果直接搜代码或者参考别人论文，先确认对方用的哪种 PLFM 很重要，否则参数对不上，后面全是坑。我自己的习惯是拿到这种项目名，第一件事就是把命名定义写进 README，明确“本项目采用相位编码线性调频作为默认波形”，避免中途改弦更张。

PLFM_RADAR 这类项目的完整链路一般包含四个模块：发射波形生成、目标回波模拟、匹配滤波脉压、恒虚警检测。前两个解决“信号怎么构造”，后两个解决“目标怎么发现”。在数字域里把这四步跑通，就相当于拥有了一台可以随便改参数的软件雷达。波形改了、带宽改了、码型换了，重跑一次脚本就能对比性能，这才是这个项目的核心价值。

1.2 波形对比：PLFM相对LFM和纯相位编码的取舍

要看 PLFM 怎么取舍，先看它的两个“前身”。

LFM 线性调频是雷达领域最经典的波形。它的优势是匹配滤波后的主瓣非常窄，距离分辨率高，而且多普勒容限好，目标有速度时峰值衰减不大。但有个老问题：脉压输出旁瓣偏高，矩形窗下第一旁瓣只比主瓣低约 13.2dB。13dB 是什么概念？一个强反射目标的旁瓣，能轻易淹没旁边弱目标的真实峰值，这在多目标场景里非常致命。

纯相位编码波形（比如二相码、多相码）不一样。它把脉冲分成 N 个子码，每个子码用不同相位调制，自相关旁瓣可以设计得很低，抗干扰能力也强。缺点是它对多普勒非常敏感，目标速度一旦变大，匹配滤波主峰迅速衰减，相当于“目标一跑快就找不到了”。

PLFM 就是把两者叠起来。用 LFM 提供距离分辨率和多普勒宽容度，用相位编码压低旁瓣、增强波形的多样性。用一个不太严谨但好理解的类比：LFM 像大嗓门但含混不清，纯相位编码像口齿伶俐但怕跑调，PLFM 等于让合唱团按谱子唱，既有稳定音准又有清晰吐字。

实际项目中选 PLFM，多半不是因为它十全十美，而是它在几个矛盾指标之间给出了一个工程可接受的折中。代价也很明显：系统复杂度上来了，需要设计码型、需要对子码边界做处理、需要仔细分析多普勒性能，这也是为什么这类项目值得用完整的仿真正式做一遍。

1.3 为什么先用数字仿真验证方案

雷达波形设计的迭代成本很高。如果每一步都上硬件，需要信号源、任意波形发生器、收发组件、采集卡，一套设备的时间和资金成本都不是个人项目能随便承受的，更别说调一次参数要重新烧一遍波形、重新测一遍数据。所以 PLFM_RADAR 这类项目天然适合先在数字域完整跑一遍。

我个人的工具选型是 Python + NumPy + SciPy + Matplotlib。原因很简单：Matlab 的雷达工具箱确实全，但授权成本摆在那里，而且很多信号处理细节被封装得过于“傻瓜”，不利于理解原理。Python 生态里所有操作都是显式的，从波形生成到匹配滤波，每一行代码都对应一个物理过程，遇到问题可以一层层扒开看。

对于只想快速验证波形的场景，纯 Python 足够了，不需要 GPU，不需要 TensorFlow 那套。真正到了要跑大规模相控阵仿真，再考虑 PyTorch 做并行加速也不迟。PLFM_RADAR 的核心在“波形设计与脉压处理逻辑”，不在算力。

2. PLFM雷达波形与信号处理核心细节

2.1 PLFM波形的数学结构、参数设计与计算示例

先把 LFM 的数学形式写出来。发射信号：

s_tx(t) = A · exp(j · 2π · (f0 · t + 0.5 · K · t²))，0 ≤ t ≤ T

其中 K = B / T 是调频斜率，B 是带宽，T 是脉冲宽度。匹配滤波后的距离分辨率 δR = c / (2B)，时宽带宽积 D = B · T 直接决定脉压增益。这个乘积越大，雷达能积累的能量越多，分辨率也越好。

在 LFM 基础上叠加相位编码，就把脉冲分成 N 个子码，每个子码宽度 Tc = T / N，在第 n 个子码上额外加一个相位项：

s_plfm(t) = A · exp(j · (2π · (f0 · t + 0.5 · K · t²) + φ_n))，(n-1) · Tc ≤ t < n · Tc

φ_n 就是码序列决定的相位。以 P4 码为例，相位序列是：

φ_n = (π / N) · (n-1)² - π · (n-1)，n = 1, 2, ..., N

我项目里给过一组可直接套用的基础参数：载频 f0 = 3GHz（S波段，适合交通感知和气象类场景），带宽 B = 20MHz，脉宽 T = 100μs，子码数 N = 100，采样率 fs = 50MHz。

• 距离分辨率 δR = 3×10⁸ / (2 × 20×10⁶) = 7.5 米
• 时宽带宽积 D = 20×10⁶ × 100×10⁻⁶ = 2000，理论上脉压增益就是 2000，约 33dB
• 子码宽度 Tc = 1μs，每个子码内部是一个带宽为 0.2MHz、时宽为 1μs 的小 LFM，子码时宽带宽积极小，近似单载频调制，这正好是编码起作用的区域
• 采样率取了 2.5 倍带宽，比奈奎斯特最低标准的 40MHz 略高，给相位跳变带来的频谱扩展留出裕量

注意，时宽带宽积 D 不是越大越好。D 大了，脉压增益确实高，但波形对多普勒的敏感度也会变化，相位编码部分的相干积累时间变长后，速度失配损失会更明显。做参数设计时要把目标速度范围一起考虑进来，不能只看分辨率一个指标。

提示：采样率是这类项目最容易出错的地方。相位编码信号在码元切换处有相位跳变，频谱会比理想 LFM 展宽不少。如果采样率只卡在 2 倍带宽，高频分量会折叠回带内，表现为匹配滤波后的杂散抬高，基线不再平滑。工程上我给的是 2.5 到 4 倍，宁高勿低。

2.2 脉冲体制参数：PRF与模糊问题的权衡

PLFM_RADAR 走的是脉冲体制，那就绕不开脉冲重复频率 PRF 的选择。PRF 决定两件事：最大不模糊距离和最大不模糊多普勒频率。

• 最大不模糊距离：R_un = c / (2 · PRF)
• 最大不模糊多普勒：fd_max = PRF / 2，对应最大不模糊速度 v_un = λ · PRF / 4

两个约束是矛盾的。PRF 高，不模糊距离小，但速度测量范围大；PRF 低，不模糊距离大，但速度容易模糊。以我上面的参数为例，载频 3GHz，波长 λ = 0.1m，如果 PRF = 1kHz，那么最大不模糊距离是 150km，这个距离对绝大多数近程感知都足够；但最大不模糊速度只有：

v_un = 0.1 × 1000 / 4 = 25 m/s

这个速度范围太小了。场景里如果目标是高速运动的，必须提高 PRF，又会牺牲距离探测范围。工程上常用多重 PRF 交替发射来解距离/速度模糊，即用两个不同 PRF 的测量结果联立求解真实距离和速度。PLFM_RADAR 里我建议先把单 PRF 的仿真跑通，再在数据后处理里加多 PRF 解模糊模块，这样逻辑更清晰。

这个取舍没有标准答案，完全取决于应用场景。车载近程雷达目标距离近、速度高，PRF 就选高一些；远程监视雷达要求看得远，PRF 就压低。做波形仿真时一定要把场景先定义清楚，否则后面做的所有分析都没有落点。

2.3 匹配滤波与加窗处理的取舍

匹配滤波是雷达信号处理的“看家本领”。接收回波和发射波形的共轭时间反转做卷积，输出信号在目标时延处形成尖峰，同时把噪声压低。在数字实现里，等价于对回波做傅里叶变换、乘上发射信号的共轭频谱、再逆变换回来，或者直接用 scipy.signal.fftconvolve 做快速卷积。

脉压后 SNR 增益等于时宽带宽积 D，这一点在上一节已经算过。但匹配滤波给的是理论最佳性能，前提是回波和目标环境没有任何失配。实际使用里几乎总要加窗，因为默认的矩形窗旁瓣太高，PLFM 的相位编码部分又可能引入额外旁瓣。

加窗有两个结论性的经验：

• 汉明窗：旁瓣可以压到约 -43dB，但主瓣宽度大约展宽 2 倍，SNR 损失约 1.3dB
• 切比雪夫窗：可以指定任意旁瓣电平，比如 -40dB，主瓣宽度按参数调整，更灵活，但需要自己算等效噪声带宽

窗外加在哪个环节，很多初学者容易搞错。有人直接把窗乘在回波上，这是不对的。加窗要加在匹配滤波器的参考信号上，或者在频域匹配滤波时乘到频域信号上，否则会破坏匹配滤波的“匹配”关系，导致失配损失。我自己的做法是：先生成发射波形的共轭反转序列，乘以窗函数，再用它当滤波器系数做卷积。这样既压了旁瓣，又保持了脉压的正确性。

加窗的直接代价是主瓣变宽，也就是距离分辨率变差。原来 7.5 米的分辨率，加汉明窗后实际可分辨距离大约变成 15 米。所以不能一味靠窗压旁瓣，波形本身的设计要先把旁瓣压低，窗只是最后一道兜底。

3. 实操过程：从波形生成到目标检测全流程

3.1 仿真环境与目标场景搭建

整个仿真代码量不大，我建议按模块拆分：参数配置、波形生成、回波模拟、脉压、检测、画图。环境依赖就三个库，numpy、scipy、matplotlib，安装不超过五分钟。

场景我设置了三个目标，让旁瓣性能和多普勒性能都能暴露出来：

三个目标里，目标 2 距离目标 1 只有 100 米，在 7.5 米分辨率下理论上是完全能分开的，但如果目标 1 的旁瓣太高，弱目标很容易被淹没。目标 3 用高速来做多普勒敏感性的试金石。噪声加的是高斯白噪声，把接收端信噪比控制在约 15dB，保证不是被噪声“难倒”的。

3.2 PLFM波形生成与回波模拟

波形生成代码我直接给出核心部分。P4 码相位序列和 PLFM 波形生成可以这样写：

import numpy as np def p4_phase(N): n = np.arange(1, N + 1) return (np.pi / N) * (n - 1) ** 2 - np.pi * (n - 1) def gen_plfm(T, B, fs, f0, N): t = np.arange(0, T, 1 / fs) K = B / T # 基础LFM相位 phase_lfm = 2 * np.pi * (f0 * t + 0.5 * K * t ** 2) # P4码相位，按时间映射到子码 code_idx = np.floor(t / (T / N)).astype(int) code_idx = np.clip(code_idx, 0, N - 1) phase_code = p4_phase(N)[code_idx] return np.exp(1j * (phase_lfm + phase_code)), t

这里np.floor(t / (T / N))的作用是把连续时间轴切成 N 段，每一段对应一个子码序号，再取该子码对应的 P4 相位。相位序列一旦选定，波形就固定了。

回波模拟的关键是给每个目标叠加时延、幅度和多普勒频移：

def simulate_targets(s_tx, t, fs, targets, f0=3e9, c=3e8): rx = np.zeros_like(s_tx, dtype=complex) for distance, velocity, amp in targets: tau = 2 * distance / c fd = 2 * velocity * f0 / c delay_samples = int(round(tau * fs)) if delay_samples >= len(s_tx): continue # 回波 = 延迟后的发射波形 * 多普勒相位 rx[delay_samples:] += amp * s_tx[:len(s_tx) - delay_samples] * \ np.exp(1j * 2 * np.pi * fd * t[:len(s_tx) - delay_samples]) return rx

这里有两个容易踩的坑。第一个是回波延迟如果不是采样周期的整数倍，直接按四舍五入取整会带来距离量化误差。我这个场景里目标距离 10km 时，时延是 66.67μs，在 50MHz 采样率对应 3333.33 个采样点，四舍五入后是 3333，误差 0.33 个采样点，相当于 1 米左右的距离偏移。对 7.5 米分辨率可以接受，但如果要做更高精度的分析，需要用插值或频域相位法精确实现小数时延。

第二个坑是多个目标回波叠加时幅度容易溢出。目标多、幅度大、再加上噪声，数字域峰值可能超过 1e6，直接画图会爆坐标轴。回波生成时可以把幅度归一化，或者画图时用 dB 显示，我习惯上先把回波整体除以最大幅度再进入后续处理。

3.3 匹配滤波脉压与CFAR检测

脉压实现我用的频域快速卷积，等效于时域卷积但计算更快。关键是要在参考信号上先加窗：

from scipy.signal import fftconvolve def matched_filter(rx, s_tx, window=None): # 匹配滤波器系数 = 发射波形的共轭时间反转 h = s_tx[::-1].conj() if window is not None: h = h * window y = fftconvolve(rx, h, mode='full') return y

接收端信噪比 15dB 时，脉压输出里目标 1 和 目标 2 应该能清晰分离。目标 2 距离目标 1 只有 100 米，按 7.5 米分辨率，两个峰值相距约 13 个采样单元，完全可以在脉压曲线上直接用峰值位置估算距离。

脉压只能给出“距离维”的信息，真正稳健的目标检测要靠恒虚警检测。PLFM_RADAR 里我用了最经典的单元平均 CFAR（CA-CFAR）：

def ca_cfar(abs_y, guard_bins=4, ref_bins=16, pfa=1e-4): n = len(abs_y) threshold = np.zeros_like(abs_y) for i in range(n): left = ref_bins + guard_bins right = ref_bins + guard_bins if i - left < 0 or i + right >= n: threshold[i] = np.inf continue ref_win = np.concatenate([ abs_y[i - left : i - guard_bins], abs_y[i + guard_bins + 1 : i + right + 1] ]) noise_est = np.mean(ref_win) alpha = ref_bins * 2 * (pfa ** (-1 / (ref_bins * 2)) - 1) threshold[i] = alpha * noise_est return abs_y > threshold

CA-CFAR 的数学原理是：用目标单元周围的参考单元估计噪声功率，再乘一个门限因子得到自适应门限。门限因子 α 的设计保证了虚警概率恒定——噪声越大，门限跟着升高；目标越多，周围单元平均功率可能被抬高，所以要在目标两侧留出保护单元。保护单元的数量要大于目标脉压主瓣的宽度，否则目标自己的旁瓣会进入参考窗，把门限拉高，导致弱目标被漏检。

我实测下来，保护单元设 4 个、参考单元单侧 16 个，对 100μs 脉宽、50MHz 采样率的波形比较稳妥。CIFAR 的关键不是门限公式，而是窗口设计。窗口设计不合理，强目标会把弱目标“顶”出检测门限。

3.4 模糊函数与性能指标评估

脉压和检测跑通，只是完成了“能用”这一步。PLFM_RADAR 真正要回答的问题是：为什么这个波形好、好在哪里、坏在哪里。这就必须看模糊函数。

模糊函数是发射波形对时延和多普勒的二维匹配滤波响应，公式形式每个教科书都有，我直接说怎么看：把波形复制一份，加上不同的时延 τ 和多普勒频移 fd，分别做匹配滤波取模平方，画出二维等高线图。横轴时延反映距离分辨率，纵轴多普勒反映速度容忍度，主瓣形状反映距离-多普勒耦合程度。

对 PLFM 波形，你会在模糊函数图上看到两个典型特征：距离轴主瓣很窄，说明分辨率好；但沿着多普勒轴存在若干“脊线”或旁瓣区域，说明编码部分在某些速度上会产生额外的杂散响应。这些都是纯 LFM 看不到的，需要靠仿真在波形设计阶段就暴露出来。

性能指标我一般看四个：主瓣 3dB 宽度、峰值旁瓣电平 PSLR、积分旁瓣电平 ISLR、多普勒 3dB 宽度。PLFM 设计目标通常要求 PSLR 低于 -25dB 到 -30dB，ISLR 尽可能低。如果脉压后旁瓣压不下来，就回到码型选择和窗函数上去调，这才是波形设计的核心闭环。

4. 常见问题与排查技巧实录

4.1 脉压后旁瓣抬高，小目标被淹没怎么办

这是 PLFM 项目里最常碰到的问题。具体表现是：脉压后主峰旁边一堆隆起的“包子”，弱目标峰值被埋在包子底下，CFAR 检测不出来。

排查顺序我是这么定的：先用矩形窗跑一遍基线，看是窗的问题还是波形本身的问题。如果矩形窗下旁瓣就有问题，说明波形设计有问题，比如相位编码在子码边界产生了严重频谱扩展；如果矩形窗还行、加窗后旁瓣仍然高，才考虑是窗函数和主瓣匹配的问题。

另外一个容易忽略的原因是 P4 码相位在子码切换瞬间发生跳变，这个跳变相当于对波形做了一个相位调制冲击，频谱会向外扩展。解决方向有两个：一是提高采样率，给频谱扩展留出空间；二是在子码边界做相位连续化处理，比如在切换点附近用一个很小的过渡带平滑相位。第二个方法效果更直接，但会让码的约束变弱，需要反复试。我实测下来，把采样率从 2 倍带宽提到 2.5 倍，PSLR 改善就很明显。

4.2 多普勒敏感导致的检测损失

PLFM 相对纯 LFM 更敏感于多普勒。场景里那个 80m/s 的目标，在 S 波段 3GHz 载频下，多普勒频率约 1600Hz，脉压峰值会比静止目标明显下降，如果速度更大，甚至会直接漏检。

原因是相位编码波形好比一串精心编排的口令，目标一有速度，回波每个码元之间会叠加上一个额外相位增量，相当于“口令跑调了”，匹配滤波器的匹配关系被破坏。PLFM 因为有 LFM 成分，容忍度比纯编码好，但依然有限。

工程上解决多普勒敏感性的主流做法是多普勒滤波器组：对同一距离门做多个不同多普勒假设的匹配滤波，每个假设覆盖一段速度范围，用一组滤波器把目标“捞”出来。具体实现就是在匹配滤波前给参考信号乘上不同 fd 的旋转因子，逐次扫描。代价自然是计算量成倍上涨。波形设计阶段可以先用模糊函数看多普勒 3dB 宽度，如果目标速度范围明显超出，就必须考虑补偿或滤波器组，不要等实机跑完再补救。

4.3 相位量化与采样率不足的坑

如果波形最终要交给 DDS 或任意波形发生器生成，相位量化位数就要在仿真里先考虑。相位量化常见 8bit（256 级）或 12bit，量化误差近似 2π / 2^M。量化位数太低，等效于在波形上叠加一个相位噪声，脉压输出会抬高底噪基线，看起来像“雾”一样。我做过一组对比：6bit 量化和 12bit 量化，前者的检测底噪能抬升好几个 dB，CFAR 门限被迫拉高，弱目标检测能力明显下降。

采样率不足的坑更隐蔽。PLFM 的相位跳变产生频谱扩展，这部分扩展分量如果超过了奈奎斯特带宽，会混叠回带内，表现为匹配滤波后主瓣附近出现对称的小杂散。判断方法很简单：保持波形不变，把采样率从 2 倍带宽提到 4 倍带宽，如果旁瓣和杂散明显变化，说明原来采样率不足。正常设计至少留 20% 到 30% 的带宽余量。

4.4 距离-速度耦合与解耦思路

LFM 信号有一个固有特性叫距离-多普勒耦合：匹配滤波峰值的时延位置不仅和真实距离有关，还和目标速度有关。理论推导可以看出，峰值时延偏移约等于 -fd / K，换算成距离偏移是：

ΔR ≈ -v · f0 · T / B

代入我上面的 S 波段参数：目标速度 100m/s 时，ΔR ≈ 100 × 3×10⁹ × 100×10⁻⁶ / 20×10⁶ = 1.5 米。速度 300m/s 时，ΔR 约 4.5 米，已经超过 7.5 米分辨率的一半。如果不补偿，测距误差会随着目标速度线性放大。PLFM 的编码部分在一定程度上打破了这种线性耦合，但整体行为仍然由 LFM 主导，不能忽略。

解耦思路最常用的是发射正负调频斜率交替的脉冲，利用正斜率脉冲和负斜率脉冲对同一目标产生的距离偏移方向相反，联立两个方程就能解出真实距离和速度。PLFM_RADAR 里可以先不做这套解模糊，但要清楚：如果最终系统要求测距精度优于 2 米，速度补偿就是必须的模块，波形设计前期就要把接口留出来。

4.5 常见问题速查表

4.6 实操心得与扩展建议

拿 PLFM_RADAR 这套仿真做下来，我最大的体会是：千万不要上来就写 PLFM，先把纯 LFM 链路完整跑通，确认脉压、检测、参数都没问题，再叠加相位编码。叠加编码后再出现问题，就能用“去掉编码是否复现”这个二分法，快速定位是编码引入的问题还是链路本身的问题。这个排查习惯帮我省了很多时间。

另外一个小技巧：波形仿真过程一定要把每个阶段的关键中间量存下来，波形、回波、脉压结果、门限曲线，全部导出成数组，继续分析时直接载入。否则每次改参数重跑一遍，回头想对比几组波形时，只能重新跑，既慢又容易搞混。我自己会在工程目录下建一个 results 文件夹，每个参数组合一个子目录，命名带时间和关键参数，比如 plfm_20M_100us_p4_50MHz，这个是个人项目里最容易忽略但收益最大的习惯。

PLFM_RADAR 跑顺之后，扩展方向很明确：换码型（Frank码、Costas阵列）、加目标跟踪模块、做多 PRF 解模糊，甚至把接收段换成阵列信号处理模型。但所有扩展的地基都是波形本身，把这个地基用仿真夯实，后面做什么都稳。