LFM脉冲压缩MATLAB仿真：从信号生成到匹配滤波与验证

简介：线性调频（LFM）信号在雷达、通信与信号处理中应用广泛，尤其在脉冲压缩技术中扮演核心角色。这份资料面向雷达信号处理学习者与工程人员，提供一套基于MATLAB的LFM信号脉冲压缩研究实例，可帮助理解信号生成、频谱分析、时频分析、点目标回波模拟及匹配滤波压缩等完整流程。压缩包共1个m文件，整体仅1KB，代码精简易读，适合入门实践和算法验证。目前已有271人学习下载。通过运行LFM_PulseCompression.m，读者可以直观观察LFM信号频谱的梳状结构，结合时频分析掌握频率随时间线性变化的规律，并模拟点目标回波经过脉冲压缩后能量集中、距离分辨率提升的过程。资源虽小，但覆盖知识点完整，既能辅助雷达原理课程教学，也可为后续开展目标检测与高分辨探测研究提供起点。

1. 一段LFM信号的脉冲压缩，为什么值得亲手复现

线性调频信号（LFM）的脉冲压缩，是雷达信号处理里最值得亲手复现的基础模块。你发一个10μs宽的LFM脉冲，带宽30MHz，回波经过匹配滤波之后，距离分辨率从发射脉冲对应的1500m直接被压到5m，同时信噪比还能涨大约24.8dB。这个反直觉的结论——长脉冲发射、却拿到短脉冲的分辨率——是整套仿真最有价值的部分。这篇文章从LFM信号的频谱、时频图、点目标回波建模开始，一路做到频域脉冲压缩、加窗副瓣抑制和双目标分辨验证。适合刚开始写雷达仿真、或者手上有一堆实测数据但看不懂其中“脉冲压缩”处理环节的工程师。跟着把参数和脚本跑一遍，你就知道常见压缩源码里每一步在干什么，峰为什么在那个位置，噪声加到什么程度会出问题。

2. LFM信号频谱与时频分析：先把手里的信号看明白

2.1 带宽、时宽、时宽带宽积：LFM的三个基本量

LFM信号在复基带下的表达式通常写成：

s(t) = rect(t/T) · exp(jπKt²)

其中K是调频斜率，单位Hz/s。相位φ(t)=πKt²对时间求导再除以2π，得到瞬时频率：

f_inst(t) = Kt

也就是说，信号在脉冲持续期内，瞬时频率从-KT/2线性扫到+KT/2。定义脉冲宽度T和信号带宽B，两者之间通过调频斜率连起来：

K = B / T

如果T=10μs、B=30MHz，那么K=3×10¹² Hz/s。瞬时频率从-15MHz扫到+15MHz，以零频为中心，这样一组参数在整个仿真里会反复出现。

这里有个容易绕不过去的概念：时宽带宽积D = B·T。LFM的“压缩增益”本质上就是这个乘积。D=300意味着匹配滤波后回波的峰值信噪比相对匹配前提高约300倍，换算成对数就是10·log10(300)≈24.8dB。这个数字不是玄学，它来自匹配滤波器对信号能量和噪声带宽的联合作用。先记住它，后面验证章节会用来判断仿真有没有做对。

2.2 生成LFM复包络并看频谱：仿真参数与最小MATLAB代码

我的习惯是先固定一组仿真参数，再写代码。这里用的参数是雷达信号处理教材里最常见的一组：

生成复包络的代码很短，但时间轴的定义必须小心：

% LFM复包络生成，时间轴关于0对称 fs = 60e6; % 采样率 60 MHz T = 10e-6; % 脉宽 10 us B = 30e6; % 带宽 30 MHz K = B / T; % 调频斜率 3e12 Hz/s N = round(T * fs); % 脉冲采样点数 600 % 时间轴必须关于0对称，不能从0开始 t = (-N/2 : N/2-1) / fs; s = exp(1j * pi * K * t.^2); % LFM复基带信号 % 观察频谱，注意频谱以0频为中心 Nfft0 = 1024; f_axis = (-Nfft0/2 : Nfft0/2-1) / Nfft0 * fs; Sf0 = fft(s, Nfft0); figure; plot(f_axis/1e6, fftshift(abs(Sf0))); xlabel('频率 (MHz)'); ylabel('幅度');

这段代码有两个关键点。第一，时间轴从-T/2开始到T/2-1/fs结束，而不是从0开始；如果偷懒写成t=0:1/fs:T，信号相当于被平移了半个脉宽，频谱里会多出线性相位项，后面匹配滤波的峰位置和相位关系全部对不上。第二，这里直接生成复基带信号，没有把1GHz载频带进去。原因是匹配滤波处理的是解调后的复包络，载波相位只要在相干模型中保留即可，不会改变压缩输出包络。

频谱画出来之后，你会看到幅度谱近似一个矩形，宽度约30MHz，边缘有轻微倾斜和过冲。这就是LFM的“频谱形状”：它在整个频带内把能量摊开，而不是集中在某个单频上。相位谱则是抛物线形状，这正是匹配滤波器需要用共轭相位去“对消”的东西。

2.3 用spectrogram看时频脊：一条斜率固定的斜线

幅度谱只能告诉你信号占据多宽的频带，但回答不了“某一时刻信号的频率是多少”这个问题。对LFM来说，瞬时频率从-15MHz线性扫到+15MHz，这个变化过程在普通的频谱图上是看不出来的。要看到它，需要用短时傅里叶变换（STFT）做时频分析：

% 短时傅里叶变换观察LFM时频脊 figure; spectrogram(s, hamming(64), 32, 512, fs, 'yaxis'); title('LFM 时频图');

spectrogram里四个参数需要解释。窗长64个采样，对应时间约1.07μs；重叠32点让时频图平滑一些；FFT点数512，决定了频率轴分辨率约117kHz；采样率直接给fs。对LFM这类线性扫频信号，窗长决定了斜线在时频图上的“线宽”：窗太长会模糊瞬时频率变化，窗太短频率分辨率又不够。按上面这组参数，时频图上会看到一条从-15MHz到+15MHz的斜线，斜率恰好是K=3×10¹² Hz/s，这是检验LFM参数是否设对的最直观方法。

多说一句，时频分析在实际雷达工程里不只是画图好看。信号分选和调制识别经常把时频图当成二维图像处理，LFM在时频图上表现为斜线，而常规脉冲表现为水平亮线。这个区别可以用来自动识别对方雷达波形。如果你后面要处理实测数据，spectrogram的输出矩阵本身就是一张可供分类器使用的特征图。

3. 点目标回波建模与频域脉冲压缩：从时延到窄脉冲

3.1 点目标回波模型：时延、幅度、相位怎么进代码

点目标回波建模是整个仿真的出发对象。假设目标在距离R处，发射脉冲在t=0时刻发出，电磁波双程传播后，回波到达接收机的时间是：

τ = 2R / c

R=5km时，τ=33.33μs。注意这个时延远大于脉冲宽度10μs，所以接收信号里，回波和发射脉冲在时间轴上是完全分开的。接收窗要留足够长，至少要大于τ+T，也就是43.33μs；我习惯留到8000个采样点，对应约133μs，余量充足。

幅度上，真实雷达回波服从雷达方程，按R⁴衰减。本仿真的关注点是脉冲压缩本身，所以先取幅度为1的归一化简化模型。如果后面要用这个流程分析实测数据，只需要在回波上乘一个距离衰减因子，它不影响压缩后的目标位置，只影响信噪比。

相位方面有一点要留意：相干接收机把射频信号搬回基带后，回波复包络里会保留一个常数相位exp(-j2πfcτ)。这个常数相位不改变|y|的包络，所以只做脉冲压缩时可以忽略；但如果你要做相参积累或多普勒处理，这个相位必须保留。代码注释里我会写清楚。

生成点目标回波的MATLAB代码：

% 点目标回波生成 c = 3e8; R = 5000; % 目标距离 5 km delay = 2 * R / c; % 双程时延 33.33 us fc = 1e9; phase_c = exp(-1j * 2 * pi * fc * delay); % 相干载波相位，压缩可忽略 Nrec = 8000; % 接收窗采样点数 t_rec = (0 : Nrec-1) / fs; % 接收时间轴 r = zeros(1, Nrec); idx0 = round(delay * fs); % 回波起始采样点索引 r(idx0 : idx0+N-1) = s * phase_c; % 放入回波，幅度归一化为1

这段代码里idx0=2000，回波落在索引2000到2599之间。整个接收窗已经包含回波和足够的噪声观察区。注意赋值的区间长度必须和s的长度N一致，否则MATLAB会报维度错误。如果你把phase_c去掉，压缩结果不变；如果要做多普勒仿真，再把它加回来。

3.2 为什么匹配滤波要放到频域做

匹配滤波的本质是让接收信号通过一个冲激响应为h(t)=s*(-t)的滤波器，等价于在频域对接收信号频谱乘以参考信号频谱的共轭：

H(f) = S*(f)

输出Y(f) = R(f)·S*(f)。对LFM信号来说，S(f)的幅度谱近似矩形、相位谱是抛物线型，乘上共轭之后相位被完全抵消，输出时域波形变成窄脉冲。这就是“压缩”二字的来历：把宽带LFM的能量集中到一个时间很短的主瓣里。

工程实现上，时域卷积可以直接调用conv，但序列长度一长，计算量就很可观。回波序列8000点、参考序列600点，时域卷积有约480万次乘加；FFT做一次16384点变换只需要十几万次运算量级，而且匹配滤波可以在频域一次性完成。当你要处理几百上千个脉冲积累时，时域卷积基本不可接受。所以常见做法是频域相乘，也就是下面要写的方案。

这里还有一个必须提前说清楚的坑：频域相乘对应的是循环卷积，只有在FFT长度足够时，循环卷积结果才等于线性卷积。条件很简单：

Nfft >= Nrec + N - 1

Nrec=8000、N=600时，线性卷积长度为8599，下一个2的整数次幂是16384。如果你为了省事把Nfft设成和Nrec一样大，回波尾部会“卷”回到时间轴开头，出现一个假的峰值。这是脉冲压缩仿真最常见的错误之一，后面避坑章节还会展开。

3.3 最小可运行的匹配滤波代码与峰值对齐

以下是完整的频域脉冲压缩实现，直接把回波r和参考信号s放进来：

% 频域匹配滤波 Nfft = 2^nextpow2(Nrec + N - 1); % 保证线性卷积无混叠 Sf = fft(s, Nfft); % 参考信号频谱 Rf = fft(r, Nfft); % 回波频谱 y = ifft(Rf .* conj(Sf), Nfft); % 匹配滤波输出 % 找峰值位置，并反推目标距离 [~, idx_pe] = max(abs(y)); R_est = (idx_pe - (N-1)) / fs * c / 2; % 减去卷积固有的N-1偏移 fprintf('估计距离: %.2f m\n', R_est);

逻辑说明：接收回波在idx0处开始，匹配滤波器等效于把参考信号共轭翻转后与回波做卷积。峰值出现在回波起点加上参考长度减1的位置，即idx0+N-1。如果不做这个偏移修正，反推出来的距离会多出约1500m——恰好对应一个脉宽的距离，这个误差非常容易被忽略。

幅度方面有一个值得记的结论：在MATLAB的ifft实现下（不额外除以Nfft），匹配滤波输出峰值幅度约等于输入回波幅度乘以√(D)，即√300≈17.3倍。这个倍数对不上信号的目测幅度，但它不是bug。SNR增益是按功率算的，幅度增益开根号，所以幅度放大17.3倍、功率增益300倍，两者不矛盾。后面验证章节会用这个数字检查实现是否正确。

参数说明到这里已经覆盖了实现所需的全部要素：Nfft的选择、共轭相乘、ifft还原、峰值偏移修正。把这十几行代码跑通，你就已经完成了一次完整的LFM脉冲压缩。只看懂还不够，建议现在就去改R=5000为其他距离，确认峰值和R_est同步变化。

4. 验证脉冲压缩结果：分辨率、主瓣宽度与信噪比增益

4.1 先把理论预估值写出来：5m分辨率与24.8dB增益

仿真跑通后，最难回答的问题是“这个结果是不是对的”。我的做法是先算理论值，再拿理论值去卡仿真结果。对B=30MHz的LFM脉冲压缩，关键理论值如下：

这里有个分辨率表述的细节。雷达原理书里常写“距离分辨率=c/2B”，这个5m指主瓣第一零点之间的宽度。而工程上衡量两个目标能否区分，更常用的是“半功率宽度”，约0.886/B，对应4.4m左右。两者相差不大，但你在阅读资料时如果看到不同数字，要知道它们定义不同，不是计算错误。

4.2 从输出波形上量主瓣宽度和副瓣电平

理想无噪声情况下，匹配滤波输出包络|y|应该是sinc形状。验证方法很简单：把横轴从时间换成距离，然后在图上量主瓣宽度和第一副瓣高度。

% 输出横轴换算为距离 t_out = (0 : Nfft-1) / fs; R_out = t_out * c / 2; % 取匹配滤波输出的前三段观察 y_abs = abs(y) / max(abs(y)); % 包络归一化 figure; plot(R_out(1:4000), y_abs(1:4000)); xlabel('距离 (m)'); ylabel('归一化包络'); % 用data cursor量主瓣左右3dB点，时间差 * c/2 即3dB宽度

代码逻辑不复杂，但有两个实际观察要点。第一，主瓣3dB宽度约30ns，而采样间隔是16.7ns，主瓣只占不到两个采样点。直接靠data cursor点出来的宽度误差很大，我通常对输出做sinc插值再量，或者直接接受“1到2个采样点”这个粗略结论。第二，第一副瓣应该在峰值右侧约14米处，高度比主瓣低约13.2dB。副瓣高度是最容易判定“压缩做对了没有”的指标：如果第一副瓣明显高于-13.2dB，说明参考信号和回波存在失配，或者FFT长度不够混叠进来了。

副瓣这个特性也是后面加窗的动机。不加窗时第一副瓣-13.2dB意味着，一个强目标旁边会有一串假目标亮斑，弱目标可能直接被淹没。这是在正式设备上不能接受的，所以实际系统几乎都会做加权处理。

4.3 给回波叠加噪声，实测SNR增益是否接近24.8dB

验证SNR增益时，先明确输入信噪比的定义。把回波信号平均功率归一化为1（因为回波幅度为1），指定输入SNR=5dB，那么噪声总功率应该是：

Pn = 10^(-SNR_dB/10) = 0.316

对复信号加复高斯白噪声，实部虚部各占一半功率，所以噪声的每个分量标准差是sqrt(Pn/2)。

% 给点目标回波叠加复高斯白噪声 SNR_dB = 5; Pn = 10^(-SNR_dB/10); noise = sqrt(Pn/2) * (randn(1, Nrec) + 1j*randn(1, Nrec)); r_noisy = r + noise; % 对含噪回波做同样的匹配滤波 Rf_noisy = fft(r_noisy, Nfft); y_noisy = ifft(Rf_noisy .* conj(Sf), Nfft); % 测量输出SNR：取峰值功率和远端噪声功率 [Pk, idx_pk] = max(abs(y_noisy)); noise_win = y_noisy([1:200, end-200:end]); % 远离目标的噪声区 Pn_out = mean(abs(noise_win).^2); SNR_out_dB = 10*log10(Pk^2 / Pn_out); fprintf('输出SNR约 %.2f dB, 增益约 %.2f dB\n', SNR_out_dB, SNR_out_dB-SNR_dB);

这段代码的运行结果有个统计特性：单次运行输出SNR在27到30dB之间波动是正常的，因为随机噪声样本本身有起伏，而且远端窗的噪声功率估计也有方差。想得到稳定结论，可以把整个加噪-匹配-测量过程循环50次，取SNR增益的中位数。按上面的理论，中位数应该接近24.8dB。

如果你的实测增益明显小于这个值，先检查参考信号Sf是否和发射信号完全一致，再检查窗函数有没有引入额外损失。如果明显大于24.8dB，多数情况下不是更好，而是噪声功率算错了——比如把实噪声当复噪声用，或者把信号峰值对应的那一小段噪声也算进了信号里。

5. 脉冲压缩仿真常见问题：5个经典翻车点与排查方法

5.1 频谱和压缩结果都对，但信号看起来“多了半个脉宽”：时间原点没对齐

现象：LFM频谱幅度看似矩形，但相位图不是平滑抛物线，或者匹配滤波后峰值位置总是比预期多出N个采样点。

原因：时间轴写成了t=0:1/fs:T-1/fs，而不是关于0对称。LFM瞬时频率从0开始扫到+B，等效于频谱乘以一个线性相位exp(-jπfT)，整个信号在时间轴上被平移了半个脉宽。匹配滤波虽然还能压缩，但输出峰的位置、相位关系都会带着这个平移量，距离反算时直接错误。

解决：统一改成t=(-N/2:N/2-1)/fs。凡是发现距离估计偏出一个脉宽对应距离（本例约1500m），优先怀疑这个点。频谱相位不再出现额外线性项后，参考信号和回波的卷积关系才干净。

5.2 输出峰跑到目标前面，出现“折叠假峰”：FFT长度没有留够

现象：无噪声时输出波形在目标主峰之前几微秒处出现一个幅度差不多的峰，或者主峰旁边出现重复的拖尾。

原因：把Nfft直接设成Nrec=8000。频域相乘等价于循环卷积，回波的后600个样本会绕回到时间轴开头，和目标回波叠加出虚假峰值。Nrec+N-1=8599，而8192小于这个值，所以必须用16384。

解决：始终坚持Nfft=2^nextpow2(Nrec+N-1)。代码里写成动态计算，不要手填8000或8192。这个检查成本最低，收益最大，是每次匹配滤波前必看的第一项。

5.3 复噪声写成了实噪声，SNR增益永远差3dB

现象：输入SNR设为5dB，输出SNR增益只有21.8dB左右，怎么调都差3dB。

原因：如果用randn(1,Nrec)生成噪声加到复信号上，等效噪声功率只有正常复噪声的一半。因为复信号由I/Q两路组成，实噪声只污染了I路，Q路不受影响，总噪声功率比设置值低3dB，所以输出信噪比虚高或增益错位。实测数据是复数谱，仿真噪声也必须用复平面上的二维扰动。

解决：使用代码中给出的噪声生成方式——sqrt(Pn/2)(randn(1,Nrec)+1jrandn(1,Nrec))。表达式里除以2是因为复噪声总功率等于实部功率加虚部功率。这个细节容易漏，但它直接影响SNR验证的可信度。

5.4 压缩后主瓣变宽、没有sinc旁瓣：参考信号不是发射信号

现象：匹配滤波输出是一个又宽又矮的鼓包，第一副瓣消失，峰值增益远小于17.3。

原因：参考信号不是直接拷贝发射数组s，而是自己重新写公式生成的，比如时间起点不同、漏了π系数、把负号写反了。失配的后果是匹配滤波条件不再严格满足，相位没能完全抵消，回波无法被压缩到理论宽度。

解决：参考信号必须和发射波形完全一致。最可靠的做法是直接复制发射变量，写ref=s，不要再敲一遍公式。甚至当你后续仿真里加了幅度窗或相位抖动时，参考信号也要同步更新，否则就是人为制造失配。

5.5 峰值幅度标定错误：把幅度增益当成功率增益

现象：有资料说输出峰值是输入的300倍，有人实测峰值只有17.3倍，怀疑自己少做了某个步骤。

原因：匹配滤波的SNR增益是功率比，为300倍，即24.8dB。而信号幅度是功率的开方，幅度增益是√300≈17.3。MATLAB的ifft默认不做1/N归一化，所以峰值直接比输入幅度放大17.3倍，这是正确的。如果手动在ifft后除以Nfft，峰值会被压到0.001量级，这时候不要慌，是标定问题而不是压缩失效。

解决：明确区分“相对包络比较”和“绝对电平标定”。只验证压缩形状、目标距离时，不要除以Nfft；要从匹配滤波输出反推目标回波绝对功率时，需要按Parseval定理把归一化因子和窗函数能量一起算清楚。多数仿真场景只需要前者，保持默认即可。

6. 进阶：频域加窗抑制副瓣与双目标分辨验证

6.1 频域加窗：Hamming和Taylor怎么选

不加窗的压缩输出第一副瓣只有-13.2dB，真实场景中强目标旁边会压住弱目标。加窗是工程上必做的失配滤波，常见做法是在匹配滤波器频响上乘一个窗向量：

% 频域加Hamming窗的失配滤波 Sf = fft(s, Nfft); win = fftshift(hamming(Nfft)).'; % 频域加权窗 Hw = conj(Sf) .* win; y_w = ifft(Rf .* Hw, Nfft);

代码里窗直接作用在匹配滤波器的频响上，而不是对参考信号本身乘窗再取FFT。后者会在频域引入卷积，破坏相位匹配关系，压缩效果反而变差。加窗的代价和收益是一组典型权衡：

工程上我一般优先用Taylor窗，因为它的主瓣展宽和SNR损失都小于Hamming，副瓣又可以按指标定制。Hamming在仿真里做快速演示最方便。

6.2 双目标分辨验证：30m间隔能不能看清

把点目标从1个改成2个，是验证距离分辨率和加窗效果最快的方式。两个目标距离设为5000m和5030m，时间差约200ns，对应12个采样点：

% 双目标回波，距离5000m和5030m R2 = 5030; delay2 = 2 * R2 / c; idx2 = round(delay2 * fs); r2 = zeros(1, Nrec); r2(idx0 : idx0+N-1) = r2(idx0 : idx0+N-1) + s; r2(idx2 : idx2+N-1) = r2(idx2 : idx2+N-1) + s; % 用同一个匹配滤波器做压缩 Rf2 = fft(r2, Nfft); y2 = ifft(Rf2 .* conj(Sf), Nfft); y2_w = ifft(Rf2 .* Hw, Nfft); % 对比两种窗下的双峰 figure; plot(R_out(1:4000), abs(y2(1:4000))/max(abs(y2(1:4000)))); hold on; plot(R_out(1:4000), abs(y2_w(1:4000))/max(abs(y2_w(1:4000))));

从图上可以直观看到两件事：30m间隔远大于5m分辨率，矩形窗下两个峰完全分开；加Hamming窗后主瓣变宽，但30m间隔依旧清晰分辨。如果把第二个目标改成5003m，即间距3m，两个峰就会融合成一个鼓包，这说明目标间距已经低于系统分辨率极限。双目标验证比单目标量主瓣更可靠，因为它直接回答了“两个目标能不能分开”这个工程问题。

这套流程我跑过很多轮，后来养成了一个习惯：每次改参数，先看理论值表，再跑无噪声验证，最后才加噪声和窗函数。匹配滤波的坑往往不在公式，而在时间轴的对称性、FFT长度、参考信号一致性这些看起来“太基础”的地方。这个顺序能帮你把变量隔离开，定位问题快很多。希望帮到你。

本文还有配套的精品资源，点击获取