雷达信号处理 python实现（二）相干与非相干积累带宽与分辨率的关系

关注

原创最新推荐文章于 2026-08-29 11:55:29 发布 64 阅读 AI 写同款· GEO 优化 ›

手把手教你用Python实现FMCW雷达信号处理（附代码）本文通过Python代码实战，详细解析了FMCW雷达信号处理的全流程。从生成线性调频连续波雷达信号、模拟目标回波、混频生成中频信号，到利用傅里叶变换进行距离维FFT分析，手把手教你实现目标距离信息的提取与性能评估，并附有完整的代码示例。阅读详情

第七章（相干/非相干积累）与第八章（带宽与分辨率）的所有理论仿真：

第七章覆盖内容：

公式	可视化	物理验证
(1.28) 单脉冲SNR	单脉冲信号波形	SNR=1 (0dB)基准
(1.29-1.30) 相干积累	SNR改善曲线(10logN)	64脉冲→18dB增益
(1.31-1.32) 多普勒影响	积累损失vs多普勒频移	展示失配损失
(1.33) 非相干积累	相干vs非相干对比	64脉冲→9dB增益(√N)

第八章覆盖内容：

公式	可视化	物理验证
(1.34) 尺度变换	时域压缩↔频域展宽	高斯脉冲4倍压缩演示
(1.35) 脉冲压缩	LFM脉压结果	10μs/50MHz信号→3m分辨率
综合指标	时宽带宽积TB=500	分辨率改善500倍对比

🚀 使用方法

bash

# 安装依赖
pip install numpy matplotlib scipy

# 运行仿真
python radar_ch7_ch8_simulation.py

# 输出结果
# - 控制台: 6条理论验证结论
# - 图像文件: radar_ch7_ch8_simulation.png (12子图)

脚本包含完整中文注释，可直接用于教学演示或实验报告

完整仿真脚本

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
雷达信号处理仿真 - 第七章：相干/非相干积累 & 第八章：带宽与分辨率
版本: 1.0
功能: 实现公式(1.28-1.35)的完整仿真与可视化
"""

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
import warnings
warnings.filterwarnings('ignore')

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

def main():
    print("="*70)
    print("雷达信号处理仿真 - 第七章：相干/非相干积累 & 第八章：带宽与分辨率")
    print("="*70)

    # ==================== 参数设置 ====================
    c = 3e8              # 光速
    N_pulse = 64         # 积累脉冲数
    A = 1.0              # 信号幅度
    sigma_w = 1.0        # 噪声标准差
    chi_1 = A**2 / (sigma_w**2)  # 公式(1.28): 单脉冲SNR

    print(f"【仿真参数】积累脉冲数 N={N_pulse}, 单脉冲SNR χ₁={chi_1:.2f}dB\n")

    fig = plt.figure(figsize=(20, 16))

    # ==================== 第七章：相干与非相干积累 ====================
    print("█ 第七章：相干与非相干积累")
    print("-"*50)

    np.random.seed(42)
    phi = np.pi / 4   # 初始相位

    # 7.1 单脉冲SNR验证
    ax1 = plt.subplot(4, 3, 1)
    single_pulse = A * np.exp(1j * phi) + (sigma_w/np.sqrt(2)) * (np.random.randn(1000) + 1j*np.random.randn(1000))
    ax1.plot(np.real(single_pulse[:100]), label='信号+噪声', alpha=0.7)
    ax1.axhline(y=A*np.cos(phi), color='r', linestyle='--', label=f'信号实部={A*np.cos(phi):.2f}')
    ax1.set_xlabel('采样点')
    ax1.set_ylabel('幅度')
    ax1.set_title(f'7.1 单脉冲接收信号 (理论SNR={chi_1:.1f}dB)', fontweight='bold')
    ax1.legend(fontsize=9)
    ax1.grid(True, alpha=0.3)

    # 7.2/7.3 相干积累增益
    ax2 = plt.subplot(4, 3, 2)
    N_coherent = np.arange(1, N_pulse+1)
    coherent_gain_dB = 10 * np.log10(N_coherent)
    ax2.plot(N_coherent, coherent_gain_dB, 'b-', linewidth=2.5, label='理论: 10·log₁₀(N)')
    ax2.scatter([1, 16, 64], [0, 12, 18], color='red', s=50, zorder=5)
    ax2.set_xlabel('积累脉冲数 N')
    ax2.set_ylabel('SNR改善 (dB)')
    ax2.set_title('7.3 相干积累增益: χₙ = N·χ₁', fontweight='bold')
    ax2.grid(True, alpha=0.3)
    ax2.legend()

    # 7.2 相干积累过程
    ax3 = plt.subplot(4, 3, 3)
    N_demo = 16
    pulses = [A * np.exp(1j * phi) + (sigma_w/np.sqrt(2)) * (np.random.randn() + 1j*np.random.randn()) for _ in range(N_demo)]
    accumulated = np.cumsum(pulses)
    snr_progress = np.abs(accumulated)**2 / (np.arange(1, N_demo+1) * sigma_w**2)
    ax3.plot(range(1, N_demo+1), 10*np.log10(snr_progress/chi_1), 'g-o', linewidth=2)
    ax3.plot(range(1, N_demo+1), 10*np.log10(np.arange(1, N_demo+1)), 'r--', linewidth=2, label='理论曲线')
    ax3.set_xlabel('积累脉冲数')
    ax3.set_ylabel('SNR改善倍数 (dB)')
    ax3.set_title('7.2 相干积累过程演示 (电压同相相加)', fontweight='bold')
    ax3.legend()
    ax3.grid(True, alpha=0.3)

    print(f"  7.3 相干积累: {N_pulse}脉冲提供{10*np.log10(N_pulse):.1f}dB增益")

    # 7.4 多普勒频移影响
    ax4 = plt.subplot(4, 3, 4)
    N_doppler = 32
    fd_range = np.linspace(0, 0.5, 100)
    loss_uncomp = []
    for f in fd_range:
        signal_sum = np.abs(np.sum(np.exp(1j * 2 * np.pi * f * np.arange(N_doppler))))
        loss_uncomp.append((signal_sum/N_doppler)**2)
    loss_uncomp = np.array(loss_uncomp)
    ax4.plot(fd_range, 10*np.log10(loss_uncomp + 1e-10), 'b-', linewidth=2.5, label='无多普勒补偿')
    ax4.axhline(y=0, color='r', linestyle='--', label='有补偿(理论值)')
    ax4.set_xlabel('归一化多普勒频率 fₐ·Tᵣ')
    ax4.set_ylabel('积累增益损失 (dB)')
    ax4.set_title(f'7.4 多普勒频移对相干积累的影响 (N={N_doppler})', fontweight='bold')
    ax4.legend()
    ax4.grid(True, alpha=0.3)

    # 7.5 非相干积累对比
    ax5 = plt.subplot(4, 3, 5)
    N_incoh = np.arange(1, N_pulse+1)
    ax5.plot(N_incoh, 10*np.log10(N_incoh), 'b-', linewidth=2.5, label='相干积累 (10logN)')
    ax5.plot(N_incoh, 10*np.log10(np.sqrt(N_incoh)), 'r--', linewidth=2.5, label='非相干积累 (5logN)')
    ax5.set_xlabel('积累脉冲数 N')
    ax5.set_ylabel('SNR改善 (dB)')
    ax5.set_title('7.5 非相干积累增益对比 (幅度平方相加)', fontweight='bold')
    ax5.legend()
    ax5.grid(True, alpha=0.3)

    print(f"  7.5 非相干积累: {N_pulse}脉冲提供约{5*np.log10(N_pulse):.1f}dB增益 (SNR∝√N)")

    # ==================== 第八章：带宽与分辨率 ====================
    print("\n█ 第八章：带宽与分辨率")
    print("-"*50)

    # 8.1 时频尺度变换
    ax7 = plt.subplot(4, 3, 7)
    t = np.linspace(-5, 5, 1000)
    pulse1 = np.exp(-(t/2.0)**2)  # 宽脉冲
    pulse2 = np.exp(-(t/0.5)**2)  # 窄脉冲 (压缩)
    ax7.plot(t, pulse1, 'b-', linewidth=2, label='宽脉冲 τ=2.0μs')
    ax7.plot(t, pulse2, 'r-', linewidth=2, label='窄脉冲 τ=0.5μs')
    ax7.set_xlabel('时间 (μs)')
    ax7.set_ylabel('归一化幅度')
    ax7.set_title('8.1 时域尺度变换 (时域压缩→脉宽减小)', fontweight='bold')
    ax7.legend()
    ax7.grid(True, alpha=0.3)

    # 8.1 频域对应
    ax8 = plt.subplot(4, 3, 8)
    dt = t[1] - t[0]
    freq = np.fft.fftshift(np.fft.fftfreq(len(t), dt))
    X1 = np.abs(np.fft.fftshift(np.fft.fft(pulse1)))
    X2 = np.abs(np.fft.fftshift(np.fft.fft(pulse2)))
    ax8.plot(freq, X1/np.max(X1), 'b-', linewidth=2, label='宽脉冲谱 (窄带)')
    ax8.plot(freq, X2/np.max(X2), 'r-', linewidth=2, label='窄脉冲谱 (宽带)')
    ax8.set_xlabel('频率 (MHz)')
    ax8.set_ylabel('归一化幅度')
    ax8.set_title('8.1 频域尺度变换 (时域压缩→频域展宽)', fontweight='bold')
    ax8.legend()
    ax8.grid(True, alpha=0.3)
    ax8.set_xlim([-2, 2])

    print("  8.1 尺度变换: 时域压缩4倍 → 频域展宽4倍")

    # 8.2 脉冲压缩
    ax9 = plt.subplot(4, 3, 9)
    T = 10e-6      # 10μs脉宽
    B = 50e6       # 50MHz带宽
    K = B / T
    Fs = 10*B
    t_pc = np.linspace(0, T, int(Fs*T))
    lfm = np.exp(1j * np.pi * K * (t_pc - T/2)**2)
    compressed = np.convolve(lfm, np.conj(lfm[::-1]), mode='full')
    compressed = compressed / np.max(np.abs(compressed))
    t_comp = np.linspace(-T, T, len(compressed))
    ax9.plot(t_comp*1e6, 20*np.log10(np.abs(compressed) + 1e-10), 'b-', linewidth=2)
    ax9.axhline(y=-3, color='r', linestyle='--', alpha=0.7, label='-3dB线')
    ax9.set_xlabel('时间 (μs)')
    ax9.set_ylabel('归一化功率 (dB)')
    ax9.set_title(f'8.2 脉冲压缩结果 (T={T*1e6}μs, B={B/1e6}MHz)', fontweight='bold')
    ax9.legend()
    ax9.grid(True, alpha=0.3)
    ax9.set_ylim([-40, 5])

    # 8.2 分辨率对比
    ax10 = plt.subplot(4, 3, 10)
    res_before = c * T / 2
    res_after = c / (2 * B)
    bars = ax10.bar(['脉压前\n(普通脉冲)', '脉压后\n(脉冲压缩)'],
                    [res_before, res_after], color=['gray', 'green'], alpha=0.7)
    ax10.set_ylabel('距离分辨率 (m)')
    ax10.set_title('8.2 脉冲压缩距离分辨率对比 (ΔR = c/(2B))', fontweight='bold')
    for bar, res in zip(bars, [res_before, res_after]):
        ax10.text(bar.get_x() + bar.get_width()/2., bar.get_height(),
                 f'{res:.1f}m', ha='center', va='bottom', fontweight='bold')
    ax10.grid(True, alpha=0.3, axis='y')

    TBWP = B * T
    print(f"  8.2 脉冲压缩: 时宽带宽积T·B={TBWP:.0f}, 分辨率改善{TBWP:.0f}倍")
    print(f"      脉压前: {res_before:.1f}m → 脉压后: {res_after:.1f}m")

    # 8.2 性能指标
    ax11 = plt.subplot(4, 3, 11)
    ax11.text(0.5, 0.6, f'时宽带宽积\nT·B = {TBWP:.0f}', fontsize=24, ha='center', va='center',
             bbox=dict(boxstyle='round,pad=0.5', facecolor='lightblue', alpha=0.5))
    ax11.text(0.5, 0.3, f'脉冲压缩比 = {TBWP:.0f}', fontsize=16, ha='center', va='center')
    ax11.text(0.5, 0.15, f'距离分辨率改善{TBWP:.0f}倍', fontsize=14, ha='center', va='center', color='red')
    ax11.set_xlim([0, 1])
    ax11.set_ylim([0, 1])
    ax11.axis('off')
    ax11.set_title('8.2 脉冲压缩性能指标', fontweight='bold')

    # 综合对比
    ax12 = plt.subplot(4, 3, 12)
    N_range = np.arange(1, 129)
    ax12.plot(N_range, 21-10*np.log10(N_range), 'b-', linewidth=2.5, label='相干积累后所需SNR')
    ax12.plot(N_range, 21-5*np.log10(N_range), 'r--', linewidth=2.5, label='非相干积累后所需SNR')
    ax12.set_xlabel('积累脉冲数 N')
    ax12.set_ylabel('所需信噪比 (dB)')
    ax12.set_title('积累技术对比：达到PD=90%所需SNR', fontweight='bold')
    ax12.legend()
    ax12.grid(True, alpha=0.3)

    plt.tight_layout()
    plt.savefig('radar_ch7_ch8_simulation.png', dpi=150, bbox_inches='tight')
    print("\n" + "="*70)
    print("仿真完成！结果已保存为 radar_ch7_ch8_simulation.png")
    print("="*70)
    plt.show()

if __name__ == "__main__":
    main()