匹配滤波与脉冲压缩：从时宽带宽积到雷达信号处理增益的Matlab仿真

简介：面向雷达信号处理学习者的匹配滤波Matlab仿真资料包，围绕线性调频信号脉冲压缩场景，系统整理匹配滤波增益与归一化系数的推导过程。文档对信号与白噪声两种情形下的增益分别给出公式推导，并配套两个m脚本实现LFM信号产生、脉压处理和增益计算，fig与bmp图片直观展示加窗/不加窗、归一化/不归一等对比结果。全部资料共14个文件，以m源码、docx分析文档、fig可编辑图与bmp结果图为主，整体仅1.6MB，便于下载研读。已有615人学习下载，适合需要掌握匹配滤波原理、增益公式来源及Matlab实现细节的雷达/信号处理入门与进阶人员。结合仿真程序与文档逐段对照，可快速复现实验并理解归一化系数的作用。

1. 匹配滤波：为什么发射功率没变，雷达却能把目标"看"得更远

雷达要看清远处目标，直觉上的答案是加大发射功率。但发射机的峰值功率受器件击穿电压限制，平均功率受散热限制，靠功率硬扛很快会撞到天花板。匹配滤波给了另一条路：发射一个宽脉冲，接收端用一个与发射波形共轭翻转的滤波器去"压"它。输出的信噪比增益等于时宽带宽积 (BT)——脉冲越宽、带宽越大，增益越高，功率反而不是最短板。这个机制的关键全在"匹配"二字：滤波器的相位特性必须与信号的相位共轭对齐，各频率分量才能在输出时刻同相叠加。把这件事搞透，脉冲压缩、处理增益、波形设计这些概念就都是同一个底层的推论了。

2. 匹配滤波的数学本质：为什么最优滤波器恰好是发射信号的共轭时间反转

接受机噪声是白噪声时，让输出信噪比最大的线性滤波器只有一个，就是发射信号本身的一个变形：共轭、翻转、再平移。这个结论不是经验，是柯西-施瓦兹不等式直接推出来的。本意是最大化判决时刻的信噪比，但推导的副产品解释了一个更深的机制：匹配滤波器允许输出波形严重失真，只要峰值时刻的信噪比最大。

2.1 从信噪比最大化出发：柯西-施瓦兹不等式的等号条件

设接收信号为 (r(t)=s(t)+n(t))，滤波器冲激响应为 (h(t))，滤波器输出在判决时刻 (t_0) 的信号分量为

[ y_s(t_0)=\int h(t_0-\tau)s(\tau),d\tau ]

噪声是功率谱密度为 (N_0) 的白噪声，输出噪声功率为 ((N_0/2)\int |h(u)|^2du)。于是输出信噪比写成：

[ SNR=\frac{\left|\int h(t_0-\tau)s(\tau)d\tau\right|^2}{(N_0/2)\int |h(u)|^2du} ]

对分子用柯西-施瓦兹不等式，积分内两个函数的乘积模平方不超过各自模平方积分之积，等号当且仅当两个函数共轭成比例：

[ h(t_0-\tau)=c\cdot s^*(\tau) ]

把变量换回来，取 (t_0=0)，得到 (h(t)=c\cdot s^*(-t))。这就是匹配滤波器最核心的形式：发射信号的共轭加上时间反转。在离散域里，它长成数字信号处理里最熟悉的样子：

h = conj(fliplr(s)); % 匹配滤波器的时域冲激响应

回波是信号延迟后的副本，与冲激响应做卷积，等效于对回波做滑动共轭点积。注意这里的"匹配"不是指波形形状匹配，而是指相位结构匹配。(s(t)) 反转之后，原本在时间上"散开"的相位变化在卷积运算里被重新对齐，这是后面所有脉冲压缩增益的起点。

2.2 时域视角：匹配滤波本质上是互相关运算

把 (h(t)=s^*(-t)) 代回卷积表达式，匹配滤波输出就是：

[ y(t)=\int r(\tau)s^*(\tau-t),d\tau ]

这是输入 (r) 与发射副本 (s) 的互相关。工程上经常用"相关器"来实现匹配滤波，原因就在这里：相关器结构对每个时延都算一次共轭点积，时延使目标波形对齐时，点积模值最大。所以匹配滤波并不是在"滤掉"什么不需要的频率成分，而是在所有时延候选点里找与发射波形最强相关的位置——这个位置对应目标距离。也就是说，脉冲压缩的本质是把一个宽脉冲在时间轴上"扫描"一遍，看哪里和副本最像。

我一般会这么理解它：匹配滤波不关心你长什么样，只关心"你是不是我发出去的那个波形"。因此它对与发射波形正交的干扰天然不敏感，而对噪声的压制来自相干积累——(N) 个样本同相叠加，信号幅度涨 (N) 倍，噪声功率只涨 (\sqrt{N}) 倍。时域做相关，频域做共轭相乘，两种实现只是同一件事的两种记账方式。

2.3 频域视角：共轭相乘就是把相位全部"掰直"

匹配滤波器频响由 (h(t)=s^*(-t)) 直接给出：

[ H(f)=c\cdot S^*(f) ]

幅度响应 (|H(f)|=|S(f)|) 意味着信号能量强的频带给更高权重，这是白噪声背景下每个频点独立做最大比合并的结果；相位响应则是 (- \angle S(f))，恰好把信号自身的相位全部抵消。目标回波经过匹配滤波后，每个频率分量的相位归零，所有分量在判决时刻同相叠加，形成尖锐峰值。这就是频域实现 (\texttt{ifft}(X\cdot \texttt{conj}(S))) 能工作的全部原理。

线性调频信号的频谱相位是二次函数，跨度很大，不做共轭直接反变换的话，输出还是散开的；共轭相乘之后相位变成常数，反变换得到的是 (|S(f)|^2) 的傅里叶逆变换，对近似矩形谱来说就是 (\text{sinc}) 函数。所以频域实现里那句 (\texttt{conj}(S)) 不是形式主义，漏了它整个脉冲压缩就塌了。

3. 线性调频信号与脉冲压缩：时宽带宽积如何变成实打实的增益

匹配滤波对任意波形都能最大化输出信噪比，但只有波形本身具有大时宽带宽积时，匹配滤波才有意义。线性调频就是最常用的这类波形，它让增益从表达式变成可观测的距离分辨力和处理增益。

3.1 LFM的复包络与瞬时频率

线性调频信号复基带形式为：

[ s(t)=\mathrm{rect}\left(\frac{t}{T}\right)\exp\left(j\pi K t^2\right), \quad K=\frac{B}{T} ]

瞬时频率是相位的导数除以 (2\pi)，(f_i(t)=Kt)，从 (-B/2) 线性扫到 (+B/2)。参数 (K) 是调频斜率，决定频率扫过半程 (T) 恰好扫过带宽 (B)。这个波形的好处不用绕弯子讲：包络恒定，发射机功放可以满功率工作；频谱近似矩形，带宽 (B) 直接决定距离分辨力 (\Delta R=c/(2B))；时宽 (T) 决定信号能量。匹配滤波后距离分辨力只看带宽，和脉宽无关——这就是脉冲压缩里"压缩"二字的来源。

3.2 压缩后的波形：sinc函数的由来

把 LFM 信号代入匹配滤波输出表达式，(y(t)=\int s(\tau)s^*(\tau-t)d\tau)。忽略小幅度的包络锥削，令 (a=T/2-|t|)，得到：

[ y(t)\approx \exp(-j\pi Kt^2)\cdot (T-2|t|)\cdot \mathrm{sinc}\big(Kt(T-2|t|)\big) ]

当 (|t|\ll T) 时近似为 (T\cdot\mathrm{sinc}(Bt))。第一零点出现在 (|t|=1/B)，主瓣宽度 (1/B)，第一旁瓣约 (-13.26,\text{dB})。旁瓣来自 LFM 频谱近似矩形、矩形谱的傅里叶逆变换天然是 sinc，这一对关系是捆绑在一起的。压缩前后的脉冲宽度比：

[ \frac{T}{1/B}=BT ]

这个无量纲的 (BT) 就是脉冲压缩比，也是后面处理增益的理论上限。它同时回答了一个反直觉的问题：脉宽越长，压缩比越大，而不是越"钝"。

3.3 处理增益BT：从能量守恒到信噪比翻倍

设回波信号幅度 (A)，信号能量 (E=A^2T)。匹配滤波前，噪声被接收机前端限制在信号带宽 (B) 内，噪声功率 (N_0B)，输入信噪比：

[ SNR_{in}=\frac{A^2}{N_0B} ]

匹配滤波输出峰值功率为 (E^2=(A^2T)^2)，输出噪声功率 (N_0E=N_0A^2T)，所以：

[ SNR_{out}=\frac{(A^2T)^2}{N_0A^2T}=\frac{A^2T}{N_0} ]

两者相除：

[ G=\frac{SNR_{out}}{SNR_{in}}=BT ]

这就是处理增益等于时宽带宽积的完整推导。需要注意这个结果默认噪声带限到 (B)；如果仿真里直接加全带宽白噪声，增益会变成离散样本数 (N=Tf_s)，比 (BT) 多出过采样因子 (f_s/B)。不少人在 Matlab 里发现增益对不上 (BT)，十有八九是这个口径问题，后面避坑章节会专门展开。

4. Matlab仿真：频域实现、归一化系数与处理增益的量化验证

仿真不是把公式翻译成代码就完了，真正的坑藏在实现细节里：FFT 点数怎么选、三种实现方式峰值为什么在不同位置、归一化系数到底该除以什么。这一章用一组可复现的参数把这些问题逐个落在数值上。

4.1 参数口径与复基带LFM生成

仿真参数如下：

% LFM参数与发射信号 B = 10e6; % 带宽 10 MHz T = 50e-6; % 脉宽 50 us fs = 50e6; % 采样率 50 MHz K = B / T; % 调频斜率 0.2 MHz/us N = round(T * fs); % 2500 个样本 t = (0:N-1) / fs - T/2; % 以脉宽中心为时间零点 s = exp(1j * pi * K * t.^2); % 复基带 LFM，幅度 1 E = sum(abs(s).^2); % 离散能量 = 2500

代码里有两点容易被新手忽略。一是复数基带信号幅度是 1，但能量是 (N) 而不是 (T)，因为每个样本代表一个复数自由度，离散能量是样本数；二是时间轴中心对齐到脉宽中心，这样频谱相位关于零频对称，后面做共轭相乘时峰值位置的理论值更好算。基带复数处理是现代雷达数字信号处理的通行做法，载频在仿真里被搬走了，多普勒和时延信息都在复包络里。

4.2 三种实现：时域卷积、频域相乘、互相关，结果为何对不齐

构造回波：目标时延 400 个样本，信号幅度取 1，后面补一段静默区：

delay = 8e-6; D = round(delay * fs); % 400 x_clean = [zeros(1, D), s, zeros(1, N)]; % 干净回波，长度 5400 % 方式一：频域实现 L = length(x_clean) + N - 1; % 线性相关长度 7899 Nfft = 2^nextpow2(L); % 8192 y_fft = ifft(fft(x_clean, Nfft) .* conj(fft(s, Nfft))); y_fft = y_fft(1:L); % 截断到线性相关范围 % 方式二：时域卷积 h = conj(fliplr(s)); y_conv = conv(x_clean, h); % 长度也是 7899 % 峰值位置对比 [~, i1] = max(abs(y_fft)); % 1-based 索引 401 [~, i2] = max(abs(y_conv)); % 1-based 索引 2900 fprintf('频域峰值索引 %d，卷积峰值索引 %d\n', i1, i2); % 频域峰值索引 401，卷积峰值索引 2900

两者相差 (N-1=2499) 个样本，但数值完全一致：(y_{fft}(401)==y_{conv}(2900))。原因在于 (\texttt{conv}) 与 (\texttt{fft}) 的参考时间原点不同。(\texttt{conj(fliplr(s))}) 把发射信号翻转后，时间零点的定义偏了 (N-1) 个样本，而 FFT 域的 (\texttt{conj}(\texttt{fft}(s))) 对应的是循环移位后的相关，两者的峰值索引差正好是翻转带来的延迟。如果再用 (\texttt{xcorr}) 实现，峰值又会出现在 (\text{lag}=400)。三种写法结果相同、坐标不同，这是正常现象，不是 bug。

4.3 归一化系数推导：输出峰值、噪底与信噪比三个口径

匹配滤波输出的原始幅度是能量 (E)。给回波加复高斯白噪声后，输出噪声功率等于输入噪声方差乘以滤波器能量：(\sigma_{out}^2=\sigma^2\cdot E)，因为 (\texttt{fliplr}) 不改变 (\sum|h|^2)。这个关系可以推导出三套归一化系数：

% 三种归一化对比 y_norm_sqrt = y_fft / sqrt(E); % 峰值约 50，噪底保持 sigma^2 y_norm_peak = y_fft / E; % 峰值 1

实际工程里选哪个取决于下游处理。测距测速只看峰值位置，归一化不影响；做恒虚警检测时，输出噪声方差必须已知，此时除以 (\sqrt{E}) 最方便，因为输出噪声方差直接等于输入噪声方差，检测门限可以沿用输入端的估计值；做幅度校准（比如标定目标 RCS）时，除以 (E) 让峰值恒为 1，便于换算成目标反射系数。还有一种常见做法是除以 (\sqrt{BT})，这在临界采样且回波幅度为 1 时与除以 (\sqrt{E}) 等价，过采样时两者就不一样了，优先以离散能量为准。

4.4 处理增益实测：白噪声口径与带限噪声口径

加噪并做频域匹配滤波，测量输出峰值信噪比相对输入端的变化：

sigma2 = 1e-4; % 每个样本的复噪声方差 noise = sqrt(sigma2/2) * (randn(1, length(x_clean)) + 1j*randn(1, length(x_clean))); x = x_clean + noise; y = ifft(fft(x, Nfft) .* conj(fft(s, Nfft))); y = y(1:L); snr_out = 10*log10(max(abs(y))^2 / (sigma2 * E)); % 输出噪声功率 = sigma2 * E，峰值功率约 E^2 snr_in = 10*log10(1 / sigma2); % 单样本信噪比 G_meas = snr_out - snr_in; fprintf('实测增益 %.2f dB，理论 N %.2f dB，BT %.2f dB\n', ... G_meas, 10*log10(N), 10*log10(B*T)); % 实测增益约 33.98 dB，理论 N 33.98 dB，BT 26.99 dB

单次仿真会因噪声随机性偏差零点几 dB。这里的关键是口径：全带宽白噪声下匹配滤波增益等于样本数 (N=2500)，因为白噪声的全部带宽 (f_s) 都被匹配滤波器接收；只有接收机先把噪声限制到信号带宽 (B) 内，增益才收敛到 (BT=500)。两个理论值差的就是过采样率 (f_s/B=5)。所以看见"增益 34dB"不必怀疑公式，先问一句：你的噪声是带限的还是全带的。

5. 匹配滤波仿真避坑指南：五个最常见的"结果对不上"现场

匹配滤波的公式十分钟能推完，仿真却经常一调一整天。下面这五个问题按"现象 → 原因 → 解决"展开，都是我实际踩过的坑。

5.1 FFT点数不足导致循环混叠：波形两端冒出假目标

现象：匹配滤波输出主峰旁边多出对称的伪峰，或者主峰幅度明显低于理论值 (E)，压缩波形不对。

原因：(\texttt{ifft}(X\cdot\texttt{conj}(S))) 本质是循环相关，只有当 (\texttt{Nfft}\ge \text{length}(x)+\text{length}(s)-1) 时循环才不重叠。点数不够时，回波尾部样本绕回头部参与相关，相当于把静默区的噪声和信号尾部"折叠"到主峰附近。

解决：显式计算线性相关长度并向上取 2 的幂：

L = length(x) + length(s) - 1; Nfft = 2^nextpow2(L); y = ifft(fft(x, Nfft) .* conj(fft(s, Nfft))); y = y(1:L); % 截断到有效长度

养成习惯：先算 (L) 再定 (\texttt{Nfft})，不要图省事直接用 (\texttt{length(x)+length(s)}) 或某个凑整的点数。

5.2 峰值位置三套坐标混用：目标距离差了 50 米

现象：频域实现和时域卷积实现各自找峰，距离差了一倍脉宽对应的长度。例如 4.2 节里，频域峰值在索引 401，卷积峰值在索引 2900，两者对应同一个物理时延，但直接相减会得到 2499 个样本的距离误差。

原因：(\texttt{conj(fliplr(s))}) 的翻转操作把时间原点平移了 (N-1) 个样本，而 (\texttt{ifft}) 的循环相关以 0 为原点，(\texttt{xcorr}) 又以中心抽头为原点。三个实现的参考系不同。

解决：统一换算到"时延样本数"。频域结果峰值索引减 1 就是时延样本（0-based 的 (D)）；卷积结果峰值索引减 (N) 才是时延样本；(\texttt{xcorr}) 用返回的 (\texttt{lags}) 值直接读。验证手段很简单：构造一个无噪声回波，找峰后打印索引，对照理论 (D=400) 检查。

5.3 漏了共轭：用 (\texttt{fliplr(s)}) 而不用 (\texttt{conj(fliplr(s))})

现象：输出峰值很低，且随目标时延变化，有时甚至找不到峰。

原因：匹配滤波器要求相位共轭对齐。LFM 相位是二次函数，样本间相位差随 (t) 线性增长，漏掉共轭意味着相位不仅没对齐，还变成了两倍，各样本不再同相叠加而是相互抵消。对实信号 (\texttt{fliplr}) 够用，但复基带信号必须有 (\texttt{conj})。

解决：写滤波器时先用无噪声回波做基线测试，断言 (\max|\texttt{conv}(s,\texttt{conj(fliplr(s))})|\approx \sum|s|^2)。这个断言能同时暴露漏共轭、循环混叠和归一化错误，一石三鸟。

5.4 多普勒失配：目标一动，输出幅度就塌

现象：仿真里目标静止时峰值漂亮，加上速度后幅度下降，且峰值位置发生偏移。

原因：匹配滤波假设回波是发射信号的纯延迟副本。目标运动引入多普勒频移 (f_d) 后，回波变成 (s(t-\tau)e^{j2\pi f_d t})，与参考信号的相关性下降。对 LFM 波形，失配不仅降幅度，还会把峰值搬移 (\delta t=-f_d/K)，看起来像距离变了。

解决：要么按多普勒通道做一组匹配滤波器，每个通道用 (s(t)e^{j2\pi f_d t}) 做参考；要么接受 LFM 的距离-速度耦合特性，在测距时用多普勒估计值反算修正。幅度损失可以用模糊函数 (\chi(\tau,f_d)) 预估，先算理论值再决定要不要上多通道。

5.5 归一化和SNR口径混用：增益和理论值永远差几倍

现象：处理增益算出来要么是理论值的一半，要么多出 5 倍，换台机器换个数据结果还不一样。

原因：三个层次的口径被混在一起。第一，输出信噪比的定义——用峰值功率还是平均旁瓣功率；第二，输入信噪比的定义——用单样本功率还是带内总噪声功率；第三，实现误差——(\texttt{conv}) 和 (\texttt{fft}) 的缩放不同，(\texttt{fft}) 自带 (1/N)，(\texttt{conv}) 没有。任何一个对不上，增益就漂。

解决：固定一套校验流程。无噪声时输出峰值必须等于 (\sum|s|^2)；加噪声后输出噪声功率必须等于 (\sigma^2\cdot E)；两个断言都过了，再比较增益和 (10\log_{10}(BT)) 或 (10\log_{10}(N))。只要断言不过，先别算增益，回去查实现。

6. 匹配滤波之外：低旁瓣与多普勒稳健性之间的设计取舍

匹配滤波在"白噪声下最大输出信噪比"这个意义上是最优的，但雷达系统从来不只是最大化信噪比。sinc 波形的第一旁瓣只有 (-13.26,\text{dB})，强目标旁瓣会淹没邻近的弱目标，这是匹配滤波的直接代价。工程上最常见的处理是加权，即主动让滤波器"失配"：

加窗的本质是把矩形频谱变成缓变频谱，旁瓣压低的同时主瓣展宽，距离分辨力和信噪比各让一步。更一般的设计是失配滤波器：用凸优化直接约束旁瓣电平，把信噪比损失作为目标函数最小化。这时的滤波器已经不是发射信号的共轭翻转了，但设计逻辑依然是匹配滤波思想的延伸——先明确代价函数，再求最优滤波器。

多普勒稳健性是另一个取舍。LFM 的模糊函数是倾斜的刀片形，多普勒失配带来的不是幅度塌陷而是距离偏移，这既是缺点也是特点：运动目标测量距离必须同时测量速度，但反过来，距离-速度耦合也让 LFM 在中等多普勒范围内保持可用。换用相位编码波形可以消除耦合，但相位编码对多普勒更敏感，峰值会直接下降。没有免费的午饭，波形设计就是在这几个维度里权衡。

我自己吃过一次亏：给某模拟项目加窗压旁瓣，窗函数选对了，却忘记把加窗后的滤波器能量重新归一化，结果输出噪声功率跟着变，恒虚警门限全部偏掉。从那以后我每次匹配滤波仿真都强制走一遍基线流程——无噪峰值等于信号能量、输出噪底等于 (\sigma^2E)、增益和理论值对上——全部断言通过后才进入后续处理。这套习惯帮我挡掉了后面几十年仿真里至少一半的玄学问题，希望也能帮到你。

本文还有配套的精品资源，点击获取