雷达目标参数估计解析
雷达信号处理中的目标检测与参数估计
雷达信号处理中的目标检测与参数估计雷达信号处理是一门研究如何利用雷达系统获取和处理目标信息的学科。
其中，目标检测和参数估计是雷达信号处理的重要应用领域。
本文将分别介绍雷达信号处理中的目标检测和参数估计的原理和方法。
目标检测是指在雷达信号中准确地识别和定位目标的过程。
在雷达系统中，目标检测是一个关键步骤，它可以用于目标跟踪、目标定位、目标识别等应用。
目标检测的主要任务是从雷达接收到的回波信号中提取出目标的特征信息，并将其与噪声进行区分。
常用的目标检测方法包括脉冲-Doppler方法、协方差矩阵检测方法、基于卷积神经网络的方法等。
脉冲-Doppler方法是一种基于传统信号处理理论的目标检测方法。
它利用雷达接收到的回波信号的脉冲宽度和频率信息来确定目标的存在和位置。
该方法根据目标在距离和速度维度上的特征，通过比较回波信号和背景噪声的统计特性来进行目标检测。
脉冲-Doppler方法具有计算复杂度低、实时性好等特点，广泛应用于雷达目标检测中。
协方差矩阵检测方法是一种基于统计特性的目标检测方法。
它利用雷达接收到的回波信号的协方差矩阵来判定目标的存在与否。
该方法通过计算回波信号的协方差矩阵，然后根据协方差矩阵的特征值和特征向量来进行目标检测。
协方差矩阵检测方法具有较好的检测性能和抗噪声性能，适用于复杂环境下的目标检测任务。
基于卷积神经网络的方法是近年来发展起来的一种新型目标检测方法。
它通过训练神经网络来学习雷达回波信号的特征表示，然后利用训练好的神经网络对新的回波信号进行目标检测。
该方法具有较好的自适应能力和泛化能力，适用于复杂目标和复杂信号环境下的目标检测任务。
参数估计是指在雷达信号中准确地估计目标的参数，如目标的距离、速度、角度等。
在雷达系统中，参数估计是一个关键问题，它可以用于目标跟踪、目标识别等应用。
参数估计的主要任务是根据雷达接收到的回波信号，通过解析和处理信号的特征信息，提取出目标的参数信息。
常用的参数估计方法包括脉冲-Doppler方法、最小二乘法、粒子滤波器等。
雷达微动目标参数估计与特征提取方法研究
雷达微动目标参数估计与特征提取方法研究雷达微动目标参数估计与特征提取方法研究摘要：雷达技术在军事、航空、天气、地质勘探等领域起着重要的作用，然而，目标微动对雷达目标参数估计和特征提取造成了很大挑战。
本文综述了雷达微动目标参数估计与特征提取的研究现状，重点介绍了微动目标参数的定义、影响因素以及常用的估计方法和特征提取方法，并探讨了未来的研究方向。
1. 引言雷达技术应用广泛，但是当目标发生微动时，对目标参数的估计和特征提取就会受到很大影响。
目标微动是由于目标本身运动或外界干扰引起的，它会导致雷达返回信号的频谱发生变化，使得参数估计和特征提取变得困难。
因此，研究雷达微动目标参数估计与特征提取方法具有重要的理论意义和实际应用价值。
2. 微动目标参数定义与影响因素微动目标参数是指目标微动时与目标运动状态相关的参数，常见的微动目标参数包括速度、加速度、振幅、相位等。
雷达微动目标参数受多种因素影响，如目标本身性质、雷达工作模式、外界环境条件等。
了解这些影响因素对于选择合适的参数估计和特征提取方法至关重要。
3. 微动目标参数估计方法目前，常用的微动目标参数估计方法包括最小二乘法、扩展卡尔曼滤波、粒子滤波等。
最小二乘法是一种常见且简便的估计方法，能够通过最小化预测值和观测值之间的均方误差来估计微动目标参数。
扩展卡尔曼滤波则是一种递归滤波算法，能够通过迭代更新状态向量和协方差矩阵来实现参数的在线估计。
粒子滤波是一种基于蒙特卡洛采样的估计方法，具有适应性强、鲁棒性好等优点。
4. 微动目标特征提取方法在微动目标的特征提取方面，波形特征、频谱特征和图像特征是常用的方法。
波形特征是通过分析目标微动引起的雷达返回信号的波形变化来获取目标的信息，如振动频率、振幅等。
频谱特征则是通过将返回信号经过傅里叶变换得到的频谱数据进行分析，从中提取目标微动的频域特征。
图像特征是通过将雷达返回信号转换为图像进行处理，常见的方法包括基于图像处理的边缘检测、纹理分析等。
雷达目标参数估计和跟踪关键技术研究
雷达目标参数估计和跟踪关键技术研究雷达目标参数估计和跟踪关键技术研究摘要：雷达作为一种重要的感知器件，广泛应用于军事、民用、交通等领域。
雷达目标参数估计和跟踪技术是其中的关键环节，对于实现高精度、高效率的目标检测和跟踪具有重要意义。
本文将从雷达信号处理、目标参数估计和目标跟踪等方面详细介绍雷达目标参数估计和跟踪的关键技术。
1. 引言雷达目标参数估计和跟踪是雷达应用中的重要环节，它可以通过对雷达接收到的信号进行处理和分析，获取目标的位置、速度、径向加速度等关键参数。
在雷达目标探测、导航、自动控制等方面起到至关重要的作用。
目前，随着雷达技术的不断发展和应用领域的不断扩大，如何提高雷达目标参数估计和跟踪的精度和性能已经成为一个研究热点。
2. 雷达信号处理在雷达目标参数估计和跟踪中，雷达信号处理是一个关键的环节。
首先，雷达接收到的信号是经过调制、脉冲压缩等处理后的复杂信号。
通过对信号进行采样、滤波、解调等处理，可以得到目标的回波信号。
然后，对回波信号进行时域分析或频域分析，可以提取目标的时延、多普勒频移等关键参数。
最后，利用目标回波信号的特征，可以进行目标检测和目标分离。
3. 目标参数估计目标参数估计是雷达目标跟踪的关键环节之一。
通过对雷达回波信号进行处理和分析，可以估计目标的位置、速度、径向加速度等参数。
常用的目标参数估计方法包括最小二乘法、卡尔曼滤波、粒子滤波等。
其中，最小二乘法是一种基于数据的拟合方法，通过最小化拟合误差来估计目标参数；卡尔曼滤波是一种基于状态估计的方法，通过迭代更新状态估计值来估计目标参数；粒子滤波是一种基于随机粒子采样的方法，通过对粒子进行加权和重采样来估计目标参数。
4. 目标跟踪算法目标跟踪是雷达目标参数估计的核心内容之一。
通过对目标的连续观测数据进行处理和分析，可以实时跟踪目标的位置、速度、运动轨迹等信息。
目前，常用的目标跟踪算法包括卡尔曼滤波、粒子滤波、扩展卡尔曼滤波等。
雷达目标检测性能分析
雷达目标检测实例雷达对Swerling起伏目标检测性能分析1.雷达截面积(RCS)的涵义2.目标RCS起伏模型3.雷达检测概率、虚警概率推导4.仿真结果与分析雷达通过发射和接收电磁波来探测目标。
雷达发射的电磁波打在目标上，目标会将入射电磁波向不同方向散射。
其中有一部分向雷达方向散射。
雷达截面积就是衡量目标反射电磁波能力的参数。
雷达截面积(Radar Cross Section, RCS)定义:22o 24π4π4π4π()4πo i i P P R m P P Rσ=== 返回雷达接收机单位立体角内的回波功率入射功率密度在远场条件下，目标处每单位入射功率密度在雷达接收机处每单位立体角内产生的反射功率乘以4π。
R 表示目标与雷达之间的距离，P o 、P i 分别为目标反射回的总功率和雷达发射总功率☐目标RCS和目标的几何横截面是两个不同的概念☐复杂目标在不同照射方向上的RCS不同☐动目标同一方向不同时刻的RCS不同飞机舰船目标RCS是起伏变化的，目标RCS大小直接影响着雷达检测性能。
为此，需用统计方法来描述目标RCS。
基于此，分析雷达目标检测性能。
Swerling 模型是最常用的目标RCS 模型，它包括Swerling 0、I 、II 、III 、IV 五种模型。
其中，Swerling 0型目标的RCS 是一个常数，金属圆球就是这类目标。
Swerling Ⅰ/Ⅱ型：1()exp()p σσσσ=- 指数分布Swerling Ⅰ：目标RCS 在一次天线波束扫描期间是完全相关的，但本次和下一次扫描不相关（慢起伏），典型目标如前向观察的小型喷气飞机。
Swerling Ⅱ：目标RCS 在任意一次扫描中脉冲间不相关（快起伏），典型目标如大型民用客机。
05101520253035404500.10.20.30.40.50.60.70.8脉冲序号RC S 05101520253035404500.20.40.60.811.21.41.61.8脉冲序号R C SSwerling I ：目标RCS 在一次扫描内各脉冲完全相关，扫描间脉冲不相关。
雷达信号处理原理
雷达信号处理原理雷达（Radar）是利用电磁波传播的原理，通过接收和处理信号来探测、定位和追踪目标的一种技术。
雷达信号处理是指对接收到的雷达回波信号进行解调、滤波、增强、特征提取等一系列处理操作，以获取目标的位置、速度、形状、材料等信息。
本文将介绍雷达信号处理的基本原理及其主要方法。
一、雷达信号处理基本原理雷达信号处理的基本原理可以归纳为以下几个步骤：回波信号采集、信号预处理、目标检测、参数估计和跟踪。
1. 回波信号采集雷达将发射出的脉冲信号转化为电磁波，通过天线向目标发送，并接收目标反射回来的回波信号。
回波信号会包含目标的位置、形状、速度等信息。
2. 信号预处理由于雷达接收到的回波信号存在噪声、多径干扰等问题，需要对信号进行预处理。
预处理的主要目标是消除噪声、降低多径干扰，并使信号满足后续处理的要求。
3. 目标检测目标检测是指在预处理后的信号中判断是否存在目标。
常用的目标检测算法包括：恒虚警率检测、动态门限检测、自适应门限检测等。
目标检测的结果通常是二值化图像，目标区域为白色，背景区域为黑色。
4. 参数估计参数估计是指根据目标检测结果，对目标的位置、速度、方位角等参数进行估计。
常用的参数估计方法包括：最小二乘法、卡尔曼滤波等。
参数估计的结果可以用来进一步对目标进行跟踪和识别。
5. 跟踪目标跟踪是指根据参数估计的结果，对目标在时间上的变化进行预测和跟踪。
常用的目标跟踪算法包括：卡尔曼滤波、粒子滤波等。
目标跟踪的结果可以用来对目标进行轨迹分析和行为预测。
二、雷达信号处理方法雷达信号处理方法主要包括：滤波、相关、谱估计、目标识别等。
1. 滤波滤波是对信号进行频率或时间域的处理，常用于去除噪声、消除多径干扰等。
常见的滤波器包括：低通滤波器、高通滤波器、带通滤波器等。
滤波的方法有时域滤波和频域滤波两种。
2. 相关相关是利用信号的自相关或互相关性质，计算信号之间的相似度。
在雷达信号处理中，相关常用于目标的距离测量和速度测量。
雷达信号测试参数指标
雷达信号测试参数指标雷达信号测试是对雷达系统的各项参数进行评估和验证的重要手段。
通过对雷达信号的测试，可以了解雷达系统的性能表现，指导系统的优化和改进。
本文将从不同角度介绍雷达信号测试的参数指标。
1. 信号强度：信号强度是指雷达系统接收到的信号的功率大小。
信号强度的测量可以通过接收到的信号的电压或功率进行评估。
信号强度的大小直接影响雷达系统的探测能力和探测距离，强的信号可以提供更远的探测距离。
2. 信噪比：信噪比是指雷达系统中信号与噪声的功率比。
信噪比的高低直接影响雷达系统的探测能力和探测精度。
信噪比越高，系统的性能越好。
因此，对于雷达信号的测试中，需要评估信噪比的大小。
3. 雷达图像质量：雷达图像质量是指雷达系统生成的图像的清晰度和准确度。
图像质量的好坏直接影响着雷达系统的目标识别和跟踪能力。
在雷达信号测试中，需要评估雷达图像的分辨率、噪声水平、图像畸变等指标。
4. 探测概率和虚警概率：探测概率和虚警概率是评估雷达系统探测性能的重要指标。
探测概率是指雷达系统正确地探测到目标的概率，虚警概率是指雷达系统错误地将噪声或杂波识别为目标的概率。
探测概率和虚警概率的大小直接影响着雷达系统的可靠性和准确性。
5. 目标跟踪精度：目标跟踪精度是指雷达系统对目标的位置、速度等参数估计的准确程度。
目标跟踪精度的高低直接影响着雷达系统的目标追踪能力和目标识别能力。
在雷达信号测试中，需要评估目标跟踪误差、速度估计误差等指标。
6. 可用性和可靠性：可用性和可靠性是评估雷达系统性能的重要指标。
可用性是指雷达系统在给定时间内正常工作的概率，可靠性是指雷达系统在给定时间内完成任务的能力。
可用性和可靠性的高低直接影响着雷达系统的实际应用价值。
7. 频率稳定性：频率稳定性是指雷达系统中发射和接收信号的频率的稳定程度。
频率稳定性的好坏直接影响雷达系统的测量精度和探测距离。
在雷达信号测试中，需要评估雷达系统的频率稳定性。
总结起来，雷达信号测试的参数指标包括信号强度、信噪比、雷达图像质量、探测概率和虚警概率、目标跟踪精度、可用性和可靠性以及频率稳定性等。
机载相控阵雷达STAP及目标参数估计方法研究
机载相控阵雷达STAP及目标参数估计方法研究机载相控阵雷达STAP及目标参数估计方法研究引言：随着现代雷达技术的发展，相控阵雷达（Synthetic Aperture Radar, SAR）已广泛应用于军事和民用领域。
作为一种重要的传感器系统，相控阵雷达能够提供高分辨率、全天候的观测能力。
然而，在目标检测与跟踪中，雷达系统往往面临着无数的干扰信号和杂波干扰，这对准确的目标参数估计提出了巨大的挑战。
本文将重点研究机载相控阵雷达空时自适应处理（Space-Time Adaptive Processing, STAP）技术和目标参数估计方法，以提高雷达系统的抗干扰能力和目标识别准确度。
一、相控阵雷达STAP技术概述相控阵雷达是一种基于相位控制和阵列信号处理的多波束雷达系统。
STAP技术是相控阵雷达中广泛应用的一种信号处理方法，其主要目的是抑制干扰和增强目标信号。
STAP通过利用辅助波束的协方差矩阵来估计干扰信号的统计特性，并使用这些特性来抑制干扰。
STAP技术通过将单个像元的信息与邻近多个像元的信息进行组合来提高雷达系统的性能。
二、STAP技术中的脉冲压缩脉冲压缩是STAP技术的一个重要组成部分。
脉冲压缩可以提高雷达系统的距离分辨率，使得雷达能够更准确地估计目标的位置和速度。
脉冲压缩可以通过使用匹配滤波器实现，匹配滤波器可以将原始雷达信号与散射目标的理想响应进行匹配，并提供距离方向上的增益。
三、STAP技术中的空时滤波器在STAP技术中，空时滤波器是用来抑制干扰信号的关键。
空时滤波器通过对雷达的接收信号进行空间和时间上的处理来抑制杂波干扰。
为了实现这一目标，空时滤波器需要获取到干扰信号的统计特性，包括空间谱和时间谱。
然后，通过将接收信号与干扰信号的相关性进行比较，得到最佳的空时滤波器。
四、目标参数估计方法目标参数估计是在STAP技术中非常关键的一步，它可以提供目标的位置、速度、方位角等重要信息。
传统的目标参数估计方法包括最小二乘法（Least Square, LS）、最大似然法（Maximum Likelihood, ML）和非线性最小二乘法（Nonlinear Least Square, NLS）等。
毫米波阵列雷达近场动目标参数估计算法
毫米波阵列雷达近场动目标参数估计算法毫米波阵列雷达(MillimeterWaveArrayRadar,MWAR)是一种新型测量技术，它可以获取我们传统测量方法难以获取的信息，用于有效跟踪特定目标。
近场动态目标参数估计是毫米波阵列雷达的重要功能，也是研究该领域的重要研究内容。
本文首先对毫米波阵列雷达近场动目标参数估计算法进行了简介，然后重点研究了该算法的两个主要组成部分：建立合理的近场动态目标参数物理模型，以及利用最小二乘法(Least Squares, LS)来进行参数估计，并给出了相应的算法框架。
其中，在建立近场动态目标参数物理模型部分，分析了近场动态目标的参数特征，提出了一种基于多项式拟合的目标参数物理模型，以便估计毫米波信号反射强度的瞬时值得到更精确的估计。
而在最小二乘法参数估计部分，提出了一种利用正交变换求解最小二乘估计问题的方法，避免了由于搜索空间太大带来的搜索时间过长和计算量大的问题，从而提高了估计的效率和精度。
最后，通过大量的仿真实验，验证了本文提出的毫米波阵列雷达近场动态目标参数估计算法的有效性，并讨论了算法的优缺点和可能的改进方向。
毫米波阵列雷达可以对目标有效进行测量，因此在智能机器人、实时定位系统、智能交通与安全监测等领域有着重要的应用。
近场动态目标参数估计算法也被广泛应用于模拟毫米波阵列雷达的实验测试和实时信号处理，因此，本文提出的毫米波阵列雷达近场动态目标参数估计算法对于提高该领域的研究水平具有重要的意义。
毫米波阵列雷达在近场动态目标参数估计算法领域仍然存在一定的挑战。
首先，受限于现有技术，雷达传感器的尺寸和重量有一定的限制，这限制了毫米波阵列雷达的有效距离，因此在这种情况下，目标参数估计会受到某种影响，这是必须要解决的关键问题。
其次，由于毫米波频率的较高，毫米波阵列雷达信号容易受到传播环境和静态障碍物的影响，这会严重影响雷达获取的信号质量，从而影响参数估计算法的性能。
最后，多信号处理技术的发展催生了大量的算法，但是大多数算法都局限于仿真，缺少实验证据，甚至有的算法根本没有被实验验证。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1、设10个阵元半波长间距的ULA ，请画出其波束指向0度、-20度和45度的波束方向图，并计算其波束宽度。
解答：（1）理论分析设来波方向为0θ ，阵元数为N ，阵元间距为d ，波长为λ ，且/2d λ= 。
令2/j d τπλ= ，则导向向量表示为：[]{}0exp sin 0:1'w j N τθ=-(1)扫描方向设为θ，扫描向量表示为：[]{}exp sin 0:1'a j N τθ=-(2)则波束形成器输出为：'p w a = (3)波束宽度：波束宽度是峰值波束功率下降3dB 对应的方向角范围。
（2）计算步骤第一步，参数设置：阵元数element_num=10，阵元间距为半波长d_lamda=1/2，扫描方向theta 从-pi/2 到pi/2，来波方向theta0分别等于0度、-20度、45度；标记虚数单位imag=sqrt(-1)；第二步：计算导向向量，计算不同theta 值时的扫描向量，进而求出波束形成器输出。
第三步，绘图，标出波束宽度。
（3）仿真结果仿真结果如图1所示，其中（a-c ）分别是来波方向为0度、-20度、45度时的波束方向图，波束宽度分别为10.4度，10.8度，14.8度。
θ/deg幅度/d B(a)来波方向0度的波束方向图θ/deg幅度/d B(b)来波方向-20度的波束方向图θ/deg幅度/d B(c)来波方向45度的波束方向图图1 来波方向为0度（a ）、-20度（b ）、45度（c ）时的波束方向图及波束宽度（4）matlab 程序 %% 波束成形%% 10个阵元，阵元间距为半波长%% 画出theta0 =0度的波束方向图，并观察波束宽度。
-20度及45度的波束方向图时，只需要更改theta0的值即可。
clc;clear all;imag=sqrt(-1);element_num=10; %阵元数为10d_lamda=1/2; %阵元间距d 与波长lamda 的关系 theta=linspace(-pi/2,pi/2,400); theta0 = 0 /180*pi; %来波方向w=exp(imag*2*pi*d_lamda*sin(theta0)*[0:element_num-1]'); % 导向向量 for j=1:length(theta)a=exp(imag*2*pi*d_lamda*sin(theta(j))*[0:element_num-1]'); % 扫描向量 p(j)=w'*a; %波束形成器输出 end figure(1)plot(theta/pi*180,abs(p)),grid on xlabel('\theta/deg') ylabel('幅度/dB')title('(a)来波方向0度的波束方向图')2、设单个脉冲信噪比是10分贝，进行10脉冲相干累积，累积后信噪比是多少分贝？并进行计算机仿真验证。
解答：（1）理论分析设单脉冲的信噪比为()1SNR ，相干累积N 个脉冲得到的信噪比为：()()1CI SNR N SNR =⋅(4)在对数形式下，已知()110SNR dB =，N=10，则()20CI SNR dB =。
（2）计算步骤第一步，参数设置：设采样点数N ，通道数为C ，多普勒为fd ，脉冲宽度为Te ，相干累积的脉冲数为M ；第二步，生成信号：生成M 行N 列的信号矩阵，其中每个通道行的第150列为感兴趣的目标信号，其它为零，然后加上随机噪声。
设置噪声强度使信噪比为10dB 。
第三步，对信号进行C 个点的傅里叶变换从而相干累积，并画出三维相干累积信号图。
第四步，通道累加求和。
第四步，计算累积后信号的信噪比。
（3）仿真结果matlab 随机计算一次，得到输入信号信噪比9.9376dB ，相干累积后信噪比19.066dB 。
三维的相干累积信号如图2所示。
多普勒/Hz相干累积信号通道图2 三维相干累积信号图（4）matlab 程序%% 回波信号信噪比10dB ，验证10个脉冲相干累积后的信噪比提高10dB clear all close all clc%%%%构造回波信号 N=300; %采样点数 C=100; % 通道数 fd=100; % 多普勒Te = 50e-6; % 脉冲宽度M=10; % 参与相干累积的脉冲数量signal = zeros(M,N); % M 行N 列signal(:,150) = exp(j*2*pi*fd*(0:M-1)*Te);% 每行第1000个代表感兴趣的目标信号,同时进行多普勒noise = sqrt(0.05)*(randn(M,N)+j*randn(M,N)); %噪声signal_power = sum(abs(signal(:,150)).^2)/M; % 信号功率为 1 nosie_power = sum(var(noise))/N; % 噪声功率为0.1SNR_in = 10*log10(signal_power/nosie_power) %信噪比为10dBecho = signal + noise; % 信号与噪声加合for i=1:Necho_CI(:,i) = fftshift(fft(echo(:,i),C)); % 相干累积，通道数为C endmesh(1:N,1:C,abs(echo_CI)) %画出累积信号的三维图 xlabel('多普勒/Hz');ylabel('通道'); title('相干累积信号');echo_CI_sum = sum(echo_CI); % 通道求和signal_CI_power = sum(abs(echo_CI_sum(150)).^2)/C; %相干累积信号功率 noise_CI_power = var(echo_CI(1,:)); %相干累积噪声功率SNR_out = 10*log10(signal_CI_power/noise_CI_power) % 相干累积信号信噪比3、设脉冲宽度是50us ，信号宽度是1MHz ，LFM 波形，采样频率是2MHz ，请进行数字脉压仿真（脉压系数加权不加权都可以，要事先声明）。
同时对其模糊函数进行仿真验证。
解答：声明：脉压系数没有加权；采用升频线性调频脉冲。
（1）理论分析升频线性调频信号表示为：()2j t p t s t ct e T πμ⎛⎫=⎪ ⎪⎝⎭(5)其中p T 为脉冲宽度，μ为调频斜率，信号带宽为p B T μ=。
匹配滤波器为()*s t ，脉压信号为调频信号与匹配滤波器的时域卷积或频率乘积。
模糊函数为：()()()()()()22222*;1Re Re sin 11,1dp j f d j t T j t pppd p p pp d p p f s t s t edtt t ct ct e e dt T T T f T T T T f T T ππμπμχττττπμττττπμτ∞-∞∞+-∞=+⎛⎫⎛⎫+= ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭⎛⎫⎛⎫+- ⎪⎪ ⎪ ⎪⎛⎫⎝⎭⎝⎭=-≤ ⎪ ⎪⎛⎫⎝⎭+-⎪ ⎪⎝⎭⎰⎰ (6)（2）计算步骤第一步，参数设置：设脉冲宽度T ，信号宽度B ，采样频率Fs ；并由以上计算出啁啾斜率K=B/T ，采样间隔Ts=1/Fs ，采样点数N=T/Ts ；第二步：形成总长度为T ，个数为N 的时间序列t ；并根据啁啾斜率求出调频信号St ，及匹配滤波器Ht ；然后将调频信号与匹配滤波器在时域求卷积，得到脉压信号。
第三步，根据（2）式求模糊函数。
第四步，绘图。
（3）仿真结果仿真结果如图3所示，（a-b ）为线性调频信号时域波形、频谱图，（c ）为脉压信号频谱图；（d ）为模糊函数等高线图。
-20-1001020-0.50.5时间/us幅度/v(a)时域调频信号-1-0.500.5151015频率/MHz 幅度/d B m(b)频域调频信号-50050-150-100-50050时间/us幅度/d B(c)时域脉压信号时延/us多普勒/M H z(d)模糊函数-50050-1-0.500.51图3 线性调频信号时域波形（a ）、频谱图（b ）； 脉压信号频谱图（c ）；模糊函数等高线图（d ）（4）matlab 程序%% 调频信号的产生，及经过匹配滤波器后变为脉压信号T=50e-6; % 脉冲宽度50us B=1e6; % 信号宽度1MHz K=B/T; % 啁啾斜率 Fs=2e6;Ts=1/Fs; % 采样频率与采样间隔 N=T/Ts; % 采样点数t=linspace(-T/2,T/2,N); %形成总长度为T ，个数为N 的序列 St=exp(j*pi*K*t.^2); % 调频信号 Ht=exp(-j*pi*K*t.^2); % 匹配滤波器Sot=conv(St,Ht); % 求调频信号与匹配滤波器的时域卷积，即为所需要的脉压信号 freq=linspace(-Fs/2,Fs/2,N); % 频域序列subplot(221) %两行两列图 plot(t*1e6,real(St)) % 脉压 axis([-T/2*1e6,T/2*1e6, -inf,inf]); xlabel('时间/us'); ylabel('幅度/v'); title('调频信号');subplot(222)plot(freq*1e-6,fftshift(abs(fft(St)))); % 对调频信号的频谱xlabel('频率/MHz');ylabel('电平/dBm');title('调频信号的幅度');grid on;axis tight;subplot(223)L=2*N-1; % 卷积之后变为（2N-1）个点t1=linspace(-T,T,L); % 卷积之后的横坐标Z=abs(Sot); % 绝对值Z=Z/max(Z); %归一化Z=20*log10(Z+1e-6); % 化为对数形式plot(t1*1e6,Z);grid on;xlabel('时间/us');ylabel('幅度/dB');title('脉压信号');subplot(224)x = lfm_ambg(T, B, 1); % 求模糊函数，1表示升频线性调频tau = (-1.1:.002:1.1)*T; % 时延坐标fd = (-1.1:.002:1.1)*B; % 多普勒坐标contour(tau*1e6,fd/1e6,x) % 三维网格图xlabel ('时延/us')ylabel ('多普勒/MHz')title('(d)模糊函数');%% 模糊函数%% taup: 脉冲宽度%% b：带宽%% up-down：1为升频线性调频，-1为降频线性调频%% 返回模糊函数矩阵function x = lfm_ambg(taup, b, up_down)eps = 0.000001;i = 0;mu = up_down * b / taup;for tau = (-1.1:.002:1.1)*taupi = i + 1;j = 0;for fd = (-1.1:.002:1.1)*bj = j + 1;val1 = 1 - abs(tau)/taup;val2 = pi*taup*(1-abs(tau)/taup);val3 = (fd+mu * tau);val = val2*val3;x(j,i) = abs(val1*(sin(val+eps)/(val+eps))).^2;endend。