简介：面向雷达信号处理学习者与工程技术人员，该压缩包提供空时自适应处理（STAP）的MATLAB实现，围绕杂波抑制与干扰消除场景，演示空间、时间联合滤波的核心流程，适合入门STAP原理并快速跑通基础实验。包内仅含1个m脚本，文件体量约3KB，代码精简而聚焦，便于逐行阅读和修改参数，理解自适应权重计算与滤波后的目标检测思路。该资源目前已有613人下载学习，说明其在雷达课程设计、科研预研或面试准备中具备一定参考价值。对使用者而言，拿到的是一个可运行的杂波抑制脚本，能够辅助对照STAP理论梳理数据立方体、样本选取和滤波器设计等关键环节，省去从零搭建环境的时间。
1. 从 stap_clutter_ori 开始理解空时自适应处理
机载雷达正侧视工作时，地杂波会沿一条斜线铺满整个角度—多普勒平面，运动目标却只是这条斜线附近的孤立亮点。只做多普勒滤波压不掉同方向不同速度的杂波，只做波束形成又分不清同一方位里的慢动小目标。空时自适应处理（STAP）把阵元维和脉冲维合成一个空时快拍，用自适应权同时压制整条杂波脊，这正是它能在强杂波里留出目标检测通道的原因。stap_clutter_ori 这类命名在 MATLAB 仿真工程里通常代表一段已经生成好的杂波数据，保存为距离门—阵元—脉冲的复矩阵，供后续叠加目标、估计协方差、检验算法用。下面从数据模型讲起，给出能直接跑的 MATLAB 生成、训练和验证流程，适合刚接触 STAP 的雷达工程师，也适合需要快速搭一个可控杂波数据集的仿真人员。
2. 空时自适应处理的模型：stap_clutter_ori 为什么是两维数据
2.1 从一维自适应阵列到空时二维联合处理
常规自适应阵列只利用空间导向矢量 a_s，能够对某个方向的干扰形成零陷，但对正侧视杂波来说，不同方位角的杂波带有多普勒频率各不相同，纯空间滤波很难在抑制杂波的同时保留全向目标。脉冲多普勒雷达只利用时域导向矢量 a_t，能分辨径向速度，却无法区分同一多普勒频点下来自不同方位的强杂波。STAP 的思路是把这两个自由度合并：每个距离门的快照写成 N×M 矩阵 X，再拉成 NM 长的向量 x = vec(X)，对应的空时导向矢量是 v_st = a_t ⊗ a_s（按先空间后时间的顺序）。这样自适应权矢量 w 同样是 NM 长，能同时在空间频率和多普勒频率两个维度上形成二维凹口。
这里有一个经常被忽略的点：普通脉冲多普勒处理假设脉冲维是均匀采样，阵列维也要求阵元间距恒定。如果数据里出现阵元幅相不一致、脉冲缺失或者距离门错位，STAP 的导向矢量模型就失效了。所以 stap_clutter_ori 这类数据必须先确认采样结构完整，再谈协方差估计。很多仿真数据直接假设理想阵面和等间隔 PRI，实际工程里还要额外做内定标修正。
2.2 杂波的空时耦合关系：杂波脊方程
设阵元间距 d，载波波长 λ，平台速度 v，脉冲重复周期 T。某个杂波源相对阵面法线的方位角为 θ，则归一化空间频率为：
f_s = d sin θ / λ
归一化多普勒频率为：
f_d = 2vT sin θ / λ
两式相除得到正侧视均匀杂波的关键关系：
f_d = β f_s，β = 2vT / d
β 就是杂波脊斜率。当 d = λ/2，β 取决于平台速度与 PRF 的比值。仿真中只要给定 v、T、d，杂波脊就完全确定。可以用下面这段 MATLAB 代码把这条脊算出来，作为后续检查生成数据是否正确的标尺。
% 计算正侧视杂波脊上的归一化频率对 d = 0.15; % 阵元间距，单位米 lambda = 0.3; % 工作波长，对应 1 GHz v = 100; % 平台速度，单位 m/s PRF = 2000; % 脉冲重复频率 T = 1 / PRF; theta_q = -90:0.5:90; % 方位角扫描，单位度 f_s = d / lambda * sind(theta_q); % 归一化空间频率 f_d = 2 * v * T / lambda * sind(theta_q); % 归一化多普勒 beta = 2 * v * T / d; % 杂波脊斜率 % 验证 f_d 与 beta * f_s 一致 max(abs(f_d - beta * f_s))这段代码的关键在最后一行验证：如果两者的最大误差在浮点精度范围内，说明参数自洽。sind 函数直接接受角度，避免手动转弧度出错。f_s 的范围是 [-d/λ, d/λ]，当阵元间距取半波长时恰好覆盖 [-0.5, 0.5]，与 FFT 谱的归一化坐标一致；f_d 的范围由速度和 PRF 决定，超过 ±0.5 就意味着存在多普勒模糊，此时杂波脊会折叠。
2.3 常见存储维度与变量名约定
stap_clutter_ori 这类数据在不同工程里的维度顺序可能完全不同。常见写法有两种：一是 N×M×L，即第一个维度是阵元，第二个是脉冲，第三个是距离门；二是 L×N×M，即距离门放在最前面。读数据前先看 size 输出，不要靠猜。
| 常见变量名 | 维度 | 含义 | 典型大小 |
|---|---|---|---|
| clutter | N × M × L | 第 l 页是第 l 个距离门的空时快照 | 8 × 16 × 64 |
| data_vec | NM × 1 | 单距离门的空时快拍向量 | 128 × 1 |
| train_idx | 1 × K | 训练样本对应的距离门序号 | 1 × 256 |
| R_hat | NM × NM | 采样协方差矩阵 | 128 × 128 |
我会在生成数据时把参数也存进同一个 .mat 文件里，变量名记成 params。这样后续读取时可以直接用 params.N、params.PRF 来恢复导向矢量，避免把 16 当成阵元数、8 当成脉冲数。实际踩过的坑里，至少有一半问题出自维度顺序错位：数据明明是 M×N×L，却按 N×M×L 拉成向量，导致空间导向矢量和时域导向矢量互换，最后谱图里看不到杂波脊。所以进入算法前，先执行size(clutter)并对照生成参数检查一遍。
3. 用 MATLAB 生成 stap_clutter_ori 杂波数据：参数与逐距离门实现
3.1 仿真参数表和杂波源建模
生成杂波数据的常见做法是把每个距离门内的杂波看成大量独立散射体的相干叠加。仿真参数需要在一个合理的范围内选择，既让杂波脊明显，又不让计算量失控。
| 参数 | 值 | 说明 |
|---|---|---|
| N | 8 | 阵元数，典型线阵规模 |
| M | 16 | 相干处理间隔内脉冲数 |
| L | 64 | 距离门数，用于后续训练样本选择 |
| d | 0.15 m | 阵元间距，这里取半波长 |
| λ | 0.3 m | 载波波长，对应 1 GHz |
| v | 100 m/s | 平台速度 |
| PRF | 2000 Hz | 脉冲重复频率 |
| β | 0.667 | 由上式算出的杂波脊斜率 |
| Q | 360 | 每个距离门的离散杂波源数量 |
每个杂波源的复幅度用复高斯随机变量建模，实部和虚部独立同分布，方差各取 1/2，这样每个源的平均功率为 1。将所有源的贡献叠加后，再叠加一定功率的热噪声。Q 取 360 意味着方位角从 -90 度到 90 度每 0.5 度一个源，单距离门计算量不大，但已经能形成连续杂波脊。如果 Q 取得太小，比如 16，谱上会出现离散亮线，和真实杂波差别太大，训练出来的协方差矩阵也会过于稀疏。
3.2 逐距离门生成空时数据矩阵
完整的生成代码如下。这段代码直接生成 N×M×L 的复数据块，并保存为 stap_clutter_ori.mat。
N = 8; M = 16; L = 64; d = 0.15; lambda = 0.3; v_plat = 100; PRF = 2000; T = 1 / PRF; beta = 2 * v_plat * T / d; Q = 360; clutter = zeros(N, M, L); noise_pow = 0.01; % 噪声功率，对应相对杂波 -20 dB for l = 1:L % 每个距离门的杂波源复幅度 amp = sqrt(1/2) * (randn(Q, 1) + 1i * randn(Q, 1)); % 先合成空时向量，再 reshape 成矩阵 x_l = zeros(N*M, 1); for q = 1:Q theta_q = (q - 0.5) * pi / Q - pi/2; % 每个源的方位角 f_s = d / lambda * sin(theta_q); % 空间频率 f_d = beta * f_s; % 由杂波脊方程确定多普勒 a_s = exp(1i * 2 * pi * f_s * (0:N-1).'); a_t = exp(1i * 2 * pi * f_d * (0:M-1).'); v_st = kron(a_t, a_s); % 空时导向矢量，先空间后时间 x_l = x_l + amp(q) * v_st; end % 加复高斯热噪声 x_l = x_l + sqrt(noise_pow) * (randn(N*M, 1) + 1i * randn(N*M, 1)); clutter(:, :, l) = reshape(x_l, N, M); end params = struct('N', N, 'M', M, 'L', L, ... 'd', d, 'lambda', lambda, 'v_plat', v_plat, ... 'PRF', PRF, 'beta', beta, 'noise_pow', noise_pow); save('stap_clutter_ori.mat', 'clutter', 'params');kron(a_t, a_s)配合后面的reshape(x_l, N, M)需要放在一起理解：reshape 后第 m 列对应第 m-1 个脉冲的所有阵元数据，kron 的第一个参数是时域导向矢量，因此 v_st 的前 N 个元素属于第一个脉冲的空间快照，接着 N 个元素属于第二个脉冲，以此类推。这是 STAP 数据里最常见的排列方式，也是训练时X(:,i) = clutter(:,:,idx)(:)能直接得到正确快照的前提。
amp使用sqrt(1/2)是为了让复幅度实部虚部方差之和为 1，randn产生的实高斯基带信号再与导向矢量相乘，代表不同方位杂波源的随机初相和随机幅度。noise_pow = 0.01是相对单杂波源功率而言的，实际单个距离门里 360 个源叠加后功率会高很多，这样噪声在数据里只是一个弱本底，不会把杂波脊抹掉。
3.3 保存为 .mat 并检查尺寸
保存后第一步不是跑算法，而是确认数据尺寸和参数一致：
load('stap_clutter_ori.mat'); whos('clutter', 'params'); size(clutter) % 期望输出 8 16 64 params.beta % 期望输出 0.6667如果 size 输出是 16×8×64，说明生成时把 N 和 M 写反了。如果 params.beta 算出来不是预期值，说明 v、T、d 的组合本身矛盾。比如 v=100、PRF=2000、d=0.15 时 β 只有 0.667，杂波脊在角度—多普勒平面里是一条较平的斜线；若换成 v=300，β 变成 2，杂波脊斜率更陡，会更容易出现多普勒模糊。这个检查步骤花不了几秒，却能在后续节省大量排错时间。
4. 在 stap_clutter_ori 上跑通 STAP：协方差估计、对角加载与改善因子
4.1 最优 STAP 权与采样协方差估计
理论上，如果杂波加噪声的协方差矩阵 R 已知，目标是空时导向矢量 v_st，最优权为：
w = μ R⁻¹ v_st
其中 μ 是任意常数，不影响输出信干噪比。实际中 R 未知，需从临近距离门的快照估计。训练样本必须满足两个条件：一是独立同分布，即这些距离门的杂波统计特性与待测距离门一致；二是不能包含目标回波，否则权会把目标也当干扰抑制掉。
训练样本数 K 的经典约束是 RMB 准则：K 至少达到 2NM，才能使平均输出信干噪比损失控制在 3 dB 以内。N=8、M=16 时 NM=128，训练样本至少要 256 个，而 L=64 的距离门总数根本不够。这说明单靠普通 SMI 在小维度数据上跑不通，必须使用对角加载或降维 STAP。常见做法是先验证算法流程，可以选择更小的 N 和 M，比如 N=8、M=16 保持维度，但把 L 扩到 512；或者用对角加载把协方差矩阵的数值稳定性补回来。
4.2 计算权矢量和改善因子的 MATLAB 实现
下面代码以一个距离门为待测单元，取它两侧各 10 个距离门作为训练区域，中间留出保护单元，然后加入对角加载求解权。
load('stap_clutter_ori.mat'); N = params.N; M = params.M; NM = N * M; l_test = 30; % 待测距离门 train_idx = [20:29 31:40]; % 两侧各 10 个距离门 K = length(train_idx); % K = 20，小于 2*NM X = zeros(NM, K); for i = 1:K X(:, i) = clutter(:, :, train_idx(i))(:); end R_hat = (X * X') / K; % 采样协方差矩阵 % 对角加载：加载量取迹的千分之一 load_pow = 1e-3 * trace(R_hat) / NM; R_ld = R_hat + load_pow * eye(NM); % 目标空时导向矢量，选择杂波脊之外的一个点 f_s_t = 0.15; % 目标空间频率 f_d_t = -0.10; % 目标归一化多普勒 a_s = exp(1i * 2 * pi * f_s_t * (0:N-1).'); a_t = exp(1i * 2 * pi * f_d_t * (0:M-1).'); v_st = kron(a_t, a_s); w = R_ld \ v_st; % 求解线性方程组，比 inv 更稳 % 输出信号功率 sig_out = abs(w' * v_st)^2; % 残余杂波加噪声功率 int_out = w' * R_ld * w; % 无干扰时的参考输出信噪比 sig_ref = abs(v_st' * v_st)^2; int_ref = params.noise_pow * sig_ref; IF_dB = 10 * log10((sig_out / int_out) / (sig_ref / int_ref));这段代码有几点要注意。R_ld \ v_st优先使用反斜杠而不是inv(R_ld) * v_st，因为线性求解器对接近奇异的矩阵更稳定。train_idx刻意避开了 l_test 及其相邻距离门，防止待测距离门的目标能量泄漏进训练样本，保护单元大小这里取左右各 1 个距离门。IF_dB是改善因子的对数形式，表示经过自适应处理后的信干噪比相对于未处理理想情况的变化量。
对角加载量1e-3 * trace(R_hat) / NM是一个很实用的起点。trace(R_hat)/NM 相当于平均功率水平，加载量比它低三个数量级，能在不明显削弱自适应自由度的情况下避免小特征值导致的协方差矩阵病态。如果加载量取太小，比如 1e-10 倍，R_hat 在训练样本不足时几乎奇异，求出的权会放大数值噪声；如果取太大，比如 0.1 倍，自适应权会退化成常规波束形成，杂波对消能力明显下降。
4.3 参数怎么设：训练样本数、对角加载与保护单元经验值
实际工程中很少有人直接全维度求解 STAP，因为训练样本总是不够。下面这张表总结了仿真阶段比较可靠的经验值，以及各自失效的表现。
| 参数 | 经验值 | 失效表现 |
|---|---|---|
| K_train | ≥ 2NM，不足时加对角加载 | 改善因子图像出现随机尖峰 |
| guard_len | 左右各 1~2 个距离门 | 目标附近出现很深的自消零陷 |
| 对角加载 | 10⁻³ ~ 10⁻² 平均功率量级 | 过大则杂波残余明显，过小则权值抖动 |
| 目标导向搜索范围 | 避开 f_d = β f_s 的杂波脊 | 目标被当成杂波同时抑制 |
还有一个容易被忽略的问题：生成数据时如果所有距离门使用不同的随机幅度，训练样本之间的杂波功率只是统计平稳，而不是完全一致；如果有些距离门被故意设置为包含强目标，就必须从训练集中剔除。对 stap_clutter_ori 这类仿真数据来说，可以先不用训练样本数翻倍的经验公式，而是把 L 设到 512，让常规 SMI 也能满足 2NM 样本需求。这样能够直观评估 STAP 本身的效果，而不至于把样本不足造成的退化误认为算法无效。
5. 用角度—多普勒谱快速验证 stap_clutter_ori 的数据质量
拿到一组 STAP 数据，先别急着算权矢量。我一般会先对某个距离门做二维 FFT，把角度—多普勒谱画出来，因为数据质量几乎一眼就能看出来。
load('stap_clutter_ori.mat'); x = clutter(:, :, 35); % 选一个距离门，本数据总距离门 64 spec = fftshift(fft2(x, 1024, 1024)); spec_db = 20 * log10(abs(spec) + eps); % 理论杂波脊，用于叠加 d = params.d; lambda = params.lambda; v = params.v_plat; T = 1 / params.PRF; theta_q = -90:0.5:90; f_s_id = d / lambda * sind(theta_q); f_d_id = 2 * v * T / lambda * sind(theta_q); figure; imagesc(linspace(-0.5, 0.5, 1024), linspace(-0.5, 0.5, 1024), spec_db); axis xy; colormap('jet'); colorbar; hold on; plot(f_s_id, f_d_id, 'w--', 'LineWidth', 1.5); xlabel('空间频率 f_s'); ylabel('归一化多普勒 f_d');二维 FFT 的核心作用是快速确认能量是否沿杂波脊分布。白色虚线是理论杂波脊，如果谱峰松散地分布在虚线两侧，说明仿真参数和导向矢量定义一致；如果杂波变成一条竖线，说明阵元空间导向矢量有问题；如果变成一条横线，说明时域多普勒建模有误；如果谱里出现离散的高亮栅瓣，多半是阵元间距 d 大于半波长。这个验证对实测数据同样有效，包括 MCARM 这类实测多通道数据集，区别只是实测数据的通道幅相误差会带来脊线展宽，二维 FFT 谱上的杂波脊会从细线变成一条有厚度的带。
这个检查还有一个实际用途：训练样本选择前，对多个距离门分别画谱，如果某个距离门的谱在 f_d = 0 附近出现明显强于杂波脊的孤立亮点，说明该距离门混入了固定强目标或被限幅，要把这个距离门从训练区域中排除。这样进 STAP 之前，你手里那份 stap_clutter_ori 到底值不值得信任，看一眼谱就够了。
本文还有配套的精品资源，点击获取
