LFM线性调频信号与脉冲压缩：原理、参数选型与工程避坑指南

简介：压缩包内含基于Verilog实现的LFM信号下变频与匹配滤波全套代码，面向在Vivado环境中从事FPGA雷达信号处理设计的开发者。LFM信号频率随时间线性变化，是雷达脉冲压缩的关键波形，下变频用于将高频回波搬移至基带，匹配滤波则可最大化输出信噪比，提升距离分辨能力。包内代码涵盖模块定义、逻辑运算、控制状态机、滤波算法中的乘法器与累加器结构，并随附tb_lfm_comp.v测试激励文件，支持功能仿真验证。压缩包整体约194.84MB，主要文件为Verilog源文件与仿真测试文件，可直接导入Xilinx Vivado工程。已有1636人学习下载，适合具备Verilog基础、理解数字信号处理原理的中高级读者，用于学习雷达信号下变频与匹配滤波的FPGA实现方法。通过分析模块层次结构和测试流程，可以复用其滤波算法设计，加速后续雷达接收机开发。

1. LFM_comp.rar 是什么：一个压缩包背后的线性调频信号处理

项目交接时你很可能拿到一个名为 LFM_comp.rar 的压缩包，里面躺着一堆波形图脚本和算法文件。LFM 在雷达与声纳信号处理里几乎指同一个东西——线性调频信号；comp 则大概率是 compression 的缩写，即脉冲压缩，也有人把它理解为 compensation，也就是多普勒补偿。两种读法本质上是同一条 LFM 信号处理链路的两个端点。下面这条链路从头讲透：LFM 信号为什么是主流、脉冲压缩到底在算什么、参数怎么选、哪些坑会让人翻车，以及拿到陌生工程时如何快速判断它是否可靠。适合刚开始接触雷达信号仿真的一线工程师，也适合拿到同类压缩包想快速评估代码能不能用的从业者。

2. 线性调频（LFM）信号长什么样：从复包络到时宽带宽积

LFM 的基带复信号写出来是 s(t) = exp(jπkt²)，k 是调频斜率，t 在 0 到 T 之间。瞬时频率是相位对时间的导数，等于 kt，也就是说频率在脉宽内线性增长。k 为正时叫 up-chirp，频率从低扫到高；k 为负时叫 down-chirp。工程上通常在基带构造复信号，射频载波在数字下变频时已经剥掉，剩下 I/Q 两路数据。这样处理的优势是信号相位信息完整保留，后续匹配滤波、多普勒分析都是相干处理，相位一旦被破坏，脉冲压缩的增益就无从谈起。

2.1 复包络表达与一个最小生成脚本

实际工程里，LFM 波形有两种常见的时间轴写法：一种让 t 从 -T/2 到 T/2，信号关于零点对称，瞬时频率从 -B/2 扫到 B/2；另一种让 t 从 0 到 T，瞬时频率从 0 扫到 B。两者物理上等价，但相位参考点相差一个固定值，会直接影响匹配滤波输出峰值的位置。很多人在仿真里发现目标距离偏差几百米，就是在这里埋下的隐患。我个人的习惯是统一用 0 到 T 的写法，后续所有回波时延都在同一绝对时间轴上计算。

import numpy as np fs = 100e6 # 采样率 100 MHz T = 10e-6 # 脉宽 10 us B = 20e6 # 带宽 20 MHz k = B / T # 调频斜率 2e12 Hz/s N = int(T * fs) # 单个脉冲采样点数 = 1000 t = np.arange(N) / fs s = np.exp(1j * np.pi * k * t**2) # up-chirp LFM 基带信号

这段代码生成一个完整 LFM 脉冲。fs 取 100 MHz 而带宽只有 20 MHz，过采样率为 5 倍，目的就是让频谱边缘不要贴得太紧，否则后续脉压旁瓣会出现起伏。k 是调频斜率，数值上等于带宽除以脉宽，这个参数决定了频率扫描的快慢，也决定了多普勒耦合的强弱。若要生成 down-chirp，只需要把 k 取负，信号表达式不用动。

LFM 的频谱有一个鲜明特征：在带宽 B 内幅度接近矩形。矩形频谱正是脉压后产生 sin x / x 形状旁瓣的原因，旁瓣峰值约 -13.2 dB，这个数值是后面所有加窗操作的起点。如果你用示波器看基带 I/Q 信号，会看到幅度恒定、频率随时间线性变化的波形；看频谱则是类似带通滤波器的矩形谱。幅度恒定意味着发射机能始终工作在饱和状态，不浪费峰值功率，这也是雷达选 LFM 而不是幅度调制波形的重要原因。

2.2 时宽带宽积：能量与分辨率的解耦

单频脉冲的距离分辨率由带宽决定，ΔR = c/(2B)，而单频脉冲的带宽约等于脉宽的倒数 1/T。这意味着想提高分辨率就得缩短脉宽，缩短脉宽又会降低发射能量、减小作用距离，分辨率与能量成了不可兼得的矛盾。LFM 把频率在 T 内扫过 B 赫兹，距离分辨率仍然由 B 决定，但信号能量可以由 T 单独做大。这就是时宽带宽积 D = BT 的含义：它衡量一个波形到底在多大程度上摆脱了单频脉冲的两难。

当 D 远大于 1 时，称大时宽带宽积信号。一个典型参数是 T = 10 us、B = 20 MHz，D = 200，脉压后主瓣宽度约 50 ns，对应 7.5 米距离分辨率，而脉压增益达到 200 倍即约 23 dB。这个增益是匹配滤波相干积累带来的，不是发射功率提高。仿真时如果选的 B 和 T 算出的 D 只有 2 到 3，脉压效果会很不明显，主瓣很宽，会让人误以为代码写错，实际上只是信号本身缺乏大时宽带宽积特性。

2.3 三种波形怎么选：LFM、相位编码与步进频的边界

LFM 不是唯一的大时宽带宽积波形。相位编码信号把脉宽分成多个子脉冲，每个子脉冲按伪随机序列改变相位，它也能获得大带宽，但对多普勒频移极度敏感，目标一动旁瓣就可能抬升。步进频通过发射一串频率逐步跳变的窄脉冲合成大带宽，分辨力高，但对目标运动补偿要求苛刻，数据率也高。LFM 的优势在于多普勒敏感度低、工程实现简单，生成和匹配滤波都是现成的 FFT 操作，因此绝大多数通用雷达和声纳系统首选它。

我在评估一个陌生压缩包里的波形代码时，会先确认它到底是 LFM 还是相位编码。如果是后者，直接把参考信号做共轭 FFT 再相乘的脉压方式往往不够，要改用失配滤波器或旁瓣抑制算法，复杂度完全不是一个量级。判断方法很简单：看信号的相位是否在某个区间内连续变化，还是只取有限的几个离散值。LFM 的相位是二次曲线，相位编码的相位则是一段一段的跳变。

3. 脉冲压缩的核心计算：匹配滤波到最小可跑通代码

脉冲压缩本质上就是匹配滤波。匹配滤波器是在白噪声背景下使输出信噪比最大化的线性滤波器，它的冲激响应是发射信号的时域反转共轭。对接收回波做匹配滤波，等效于计算回波与发射信号的互相关；LFM 信号的互相关输出会在目标时延处形成一个尖锐的主峰，峰宽约 1/B。这个从长脉冲变窄峰的过程，就是脉冲压缩这个名字的由来。

3.1 时域卷积与频域相乘的等价性

时域匹配滤波公式是 y(t) = ∫ r(τ)h(t-τ)dτ，其中 h(t) = s*(-t)。直接按卷积做，计算量随序列长度平方增长，工程上没人这么干。常见做法是把卷积搬到频域：先对回波和参考信号分别做 FFT，然后回波频谱乘以参考频谱的共轭，再做 IFFT。数学上这就是线性卷积的频域实现，前提是 FFT 长度必须大于等于两组数据长度之和减一，否则循环卷积会把尾部数据卷回头部，产生虚假目标。

频域相乘有一个隐含要求：两个序列的采样率必须一致，频谱的 fftfreq 轴要严格对齐。在压缩包里经常看到有人把 fs 写成浮点数而其他参数写整数，类型混用导致频率轴偏移，脉压输出出现频移，看上去像目标动了但实际上没动。排查时打印一段 np.fft.fftfreq(nfft, 1/fs)，和参考信号频谱峰值位置对比一下，就能发现问题。

注意：nfft 小于 len(rx)+N-1 时会产生循环卷积卷绕，尾部数据会叠回头部形成假目标。

3.2 用 Python 跑通 LFM 生成与脉冲压缩的最小命令

这里给出一个可以直接运行的完整例子。它构造一个理想点目标回波，把它和发射参考信号做频域匹配滤波，最后输出脉压幅度和峰值位置。

import numpy as np fs = 100e6 T = 10e-6 B = 20e6 N = int(T * fs) t = np.arange(N) / fs k = B / T tx = np.exp(1j * np.pi * k * t**2) total_len = int(50e-6 * fs) # 接收窗总长 50 us delay_sample = 3000 # 目标回波时延（采样点） rx = np.zeros(total_len, dtype=complex) rx[delay_sample:delay_sample + N] = tx nfft = len(rx) + N - 1 # 线性卷积所需最小 FFT 长度 Y = np.fft.fft(rx, nfft) * np.conj(np.fft.fft(tx, nfft)) y = np.fft.ifft(Y) amp = np.abs(y[:total_len]) peak = np.argmax(amp) print(f"peak index: {peak}, expected: {delay_sample}")

核心逻辑是 Y 这一行：回波频谱乘参考频谱的共轭，相当于在频域完成匹配滤波。nfft 取 len(rx)+N-1 是关键，很多简写代码直接对 rx 和 tx 分别做相同长度 FFT，结果出现卷绕还不自知。delay_sample 是目标在接收窗中的位置，脉压后峰值应出现在同样的采样索引附近。B = 20 MHz 时主瓣宽度约 5 个采样点，所以 argmax 的位置不会偏离目标时延超过这个量级。若峰值位置和预设值差得远，优先检查时间轴定义和 nfft 长度，而不是怀疑匹配滤波数学出错。

这个最小例子足以验证整条链路。把无噪声换成实际采集数据时，唯一要加的是先做数字下变频，把中频信号搬到基带复信号，再进行同样的匹配滤波。频率轴和采样率要全程一致，否则参考信号频谱和回波频谱对不齐，脉压输出会整体发糊。还有一种常见错误是在回波里截一段自己当作参考信号，这会引入附加噪声和波形失真，参考信号应该取发射机的直接耦合副本或数字合成模板。

3.3 拿到陌生压缩包后的三步评估法

面对一个 LFM_comp.rar 这类工程，我一般不会直接把所有脚本串起来跑。第一步，列出顶层文件，找 README 或 main 入口，确认它是算法源码还是数据包；如果是源码，看是否包含参考信号生成函数和匹配滤波函数。第二步，跑通自带的最小示例，记录默认带宽、脉宽、采样率和窗函数，把输出波形存下来作为基线。第三步，只改一个参数，例如把带宽翻倍，重新跑脉压，观察主瓣是否变窄一半，这是最廉价的合理性校验。

三步都通过后，才有必要研究压缩包里其余模块。我见过很多工程师拿到包就全量运行，报错后花半天排查，其实只是某个脚本依赖当前目录的相对路径。这个习惯也救过我自己的项目，先跑最小用例再碰完整链路，能把"代码环境问题"和"算法问题"快速分开。

4. 必调参数：窗函数、过采样率与多普勒耦合

搞清脉压数学之后，真正的工程活全部集中在参数选择上。同一个 LFM 匹配滤波，窗函数不一样，出来的距离像可能是"能看到强目标"和"强目标旁边什么都看不清"两种效果。过采样率看似无关紧要，实际决定频谱混叠程度和多普勒耦合的表现。这些参数没有一个可以照抄别人，必须结合自己系统的带宽、脉宽和目标动态范围来定。

4.1 窗函数是旁瓣的后悔药：表格与选型

不加窗的 LFM 脉压输出，距离旁瓣固定在高出主瓣 -13.2 dB 的位置。这个旁瓣是矩形频谱的傅里叶变换特性，没办法靠提高采样率消除。压低旁瓣要在匹配滤波参考频谱上乘一个窗函数，由此带来主瓣展宽和信噪比损失。常见做法是在频域加权，等效于对参考信号做非匹配处理。

实现时只需要在频域相乘这一步加一次乘法：

W = np.hamming(nfft) # 频域窗，与 nfft 等长 Y = np.fft.fft(rx, nfft) * np.conj(np.fft.fft(tx, nfft)) * W y = np.fft.ifft(Y) # 加窗后的脉压输出

注意窗只能加在参考频谱，不能直接对发射波形加窗。发射信号加窗会降低能量利用率和频谱形状，雷达发射机尤其反感这种操作；失配加权的对象永远是匹配滤波器本身。选择哪种窗，取决于你要探测的目标动态范围。如果强目标与弱目标距离差大于旁瓣高度，就需要更低旁瓣；如果目标密集，主瓣展宽会把相邻目标糊在一起，这时候更要小心。我一般先不加窗看一次原貌，再根据需求从汉宁开始试。

4.2 过采样率不是越大越好，但不能小于这个数

基带复信号采样率理论上 fs >= B 就能满足奈奎斯特，但 LFM 脉压是一个对频谱形状很敏感的过程。采样率刚过 B 时，信号频谱边缘接近混叠，脉压主瓣附近会出现栅栏状起伏，峰值幅度也随目标位置抖动。工程经验上，fs 取 2B 到 4B 比较稳妥，我用 fs = 100 MHz 配 B = 20 MHz 就是 5 倍过采样，仿真结果更干净。

另一个容易被忽略的点是 FFT 长度。为了快速傅里叶变换，很多人会把 nfft 硬凑成 2 的幂，如果这个值小于 len(rx)+N-1，丢掉的尾部点会表现为距离窗末端出现假峰。推荐的写法是用 scipy 的 next_fast_len 取一个恰好不小于理论长度的快速长度：

from scipy.fft import next_fast_len nfft = next_fast_len(len(rx) + len(tx) - 1)

提示：FFT 补零不提高分辨率，主瓣宽度只由带宽决定，别用加大 nfft 来"提高"距离分辨。

补充一点：FFT 补零不会提高脉压的距离分辨率，它只是让 IFFT 后的采样更密，峰位估计更细。真正决定分辨率的一直是带宽。有人以为把 nfft 加很大就能分辨更近的目标，这是把补零和分辨率混为一谈，属于脉压领域最常出现的误解之一。

4.3 多普勒耦合：为什么 LFM 对速度敏感又"不敏感"

LFM 常被描述成多普勒不敏感波形，这个说法有前提。相比相位编码在几百赫兹多普勒下旁瓣就抬升，LFM 对多普勒的容忍度高得多，但回波频率一旦偏移，匹配滤波器不再完全匹配。回波存在多普勒频移 fd 时，脉压主瓣的位置会偏移 fd/k，偏移量与调频斜率成反比。k 是正数时，正多普勒让目标看起来比实际距离近；k 为负时方向反转。这就是距离-多普勒耦合，在运动目标处理里必须正视它。

补偿的常见做法分两步：先用第一轮脉压和幅度检测得到粗速度估计，换算出 fd；然后用这个 fd 对参考信号做频率搬移，重新做匹配滤波，得到经过补偿的脉压输出。很多叫 LFM_comp 的工程里，comp 如果指 compensation，那多半就是这个模块。判断一个系统的多普勒补偿是否必要，看 fd 相对带宽的比例：fd 只有带宽的百分之一以下时，耦合距离通常小于一个距离单元，可以忽略；一旦达到百分之几，就必须处理。正负调频斜率配对发波形，正是利用两个方向相反的偏移量来解算真实距离和速度，是工程上更彻底的方案。

5. 脉冲压缩避坑指南：5 个我翻过车的经典错误

以下几类问题在脉压仿真和实测数据处理中都反复出现，每一条我都做过对应的误操作。按现象、原因、解决三段写清楚，排查时可以对照着来。

5.1 主瓣两侧出现栅栏状高旁瓣：先查采样率而不是算法

现象：脉压输出主瓣两侧出现一串等间隔的虚假峰，幅度高于理论旁瓣，目标位置改变后虚假峰间距也跟着变。

原因：采样率只比带宽高一点，LFM 频谱边缘出现混叠，混叠分量在匹配滤波后形成周期性栅栏。

解决：重采数据把 fs 提到 4B 以上，或对原数据先做带宽以内的低通滤波再脉压。离线数据没法重采时，退而求其次把有效带宽截到 fs/2 以内来降低混叠，代价是分辨率变差。

5.2 峰值位置和目标距离差几百米：时间轴参考点没对齐

现象：预设目标在 3000 米，脉压峰值却出现在 2800 米或 3200 米，偏差固定，不随目标移动而改变。

原因：生成参考信号时 t 从 0 开始，回波却放在接收窗正中间，IFFT 输出的零时刻和距离轴零时刻对不上。常见于把多个仿真模块拼接时，各自用了不同的时间原点。

解决：统一时间轴。接收回波和参考信号都基于同一个以采样点为单位的时间轴，目标时延直接写成采样索引。脉压后取 amp[delay_sample] 及左右各 5 个点看是否有峰，而不是在整个数组里盲目全局搜索。

5.3 加窗之后弱目标反而丢了：不要把旁瓣调到不可能的任务

现象：矩形窗能看到两个目标，换成海明窗后弱目标消失。

原因：窗函数带来 1 到 2 dB 的信噪比损失，弱目标本来就贴近噪声底，损失一点就沉没了。

解决：加窗前先保存一个不加窗的检测结果作为基准。只要强目标旁瓣没有盖住弱目标，就别追求极端低旁瓣。弱目标检测场景可以先用矩形窗过一遍，确认有峰，再决定是否需要减旁瓣。

5.4 运动目标脉压峰值掉一半：多普勒补偿没跟上

现象：静止目标脉压峰值正常，运动目标峰值明显下降且位置偏移。

原因：多普勒频移使回波与参考信号频谱失配。fd 越大，失配损耗越明显，当 fd 接近带宽的几个百分点时，主瓣峰值就开始显著下降。

解决：先用第一轮脉压估计目标速度，生成频移后的参考信号重新匹配；或者使用正负调频斜率交替发射，利用两次脉压的位置偏差联合求解速度和距离。不要在不知道目标速度的场合盲目加大窗函数抑制旁瓣，那只会让峰值掉得更厉害。

5.5 解压后代码乱码、路径找不到文件：先解决环境再谈算法

现象：.rar 解压到某台 Windows 机器，脚本能打开但中文注释乱码，数据文件读取报错找不到路径。

原因：压缩包在打包时用了本地字符集，脚本本体却是 UTF-8；或者工作目录里存在中文字符、空格，导致相对路径解析失败。

解决：统一把脚本保存为 UTF-8，工程目录改为纯英文、无空格的路径，所有输入输出文件用绝对路径或基于脚本所在目录的绝对路径引用。这一条和信号处理无关，但它是排队阻挠效率的高频问题，先解决环境再谈算法。

这些坑有一个共同点：表面上都是代码或参数问题，根子上往往是某一环的隐含假设和另一环不一致。排查脉压结果异常时，我会按时间轴、采样率、窗函数、多普勒补偿的顺序逐项排除，而不是一上来就怀疑 FFT 实现。

6. 进阶验证：用模糊函数一眼看清 LFM 的距离-多普勒耦合

如果你已经跑通脉压，想更全面地验证手上这套 LFM 参数，我建议画一次模糊函数图。模糊函数 χ(τ, fd) 描述的是信号匹配滤波输出在不同时延和多普勒下的完整响应，它既能看到主瓣宽度，也能看到距离-多普勒耦合的方向，是判断波形设计是否合理的直观工具。

def ambiguity(s, fs): N = len(s) tau = np.arange(-N//2, N//2) fd = np.fft.fftfreq(N, d=1/fs) chi = np.zeros((len(tau), len(fd))) for i, dt in enumerate(tau): s_delay = np.roll(s, dt) # 短序列演示用循环时延近似 for j, f in enumerate(fd): ref = s_delay * np.exp(1j*2*np.pi*f*np.arange(N)/fs) chi[i, j] = np.abs(np.sum(s * np.conj(ref))) return chi

这段双重循环只适合几百个点的短序列，长信号要用互相关和分段 FFT 加速，否则跑一次要等很久。把返回值画成二维等高线，LFM 的模糊图会呈现一条斜刃带：主能量不在正中心独立成峰，而是沿着一条直线倾斜分布。这条斜线的方向，正好对应前面算过的距离-多普勒耦合。调换 k 的符号，斜刃方向立刻反转，这个特点能帮你快速确认代码里 up-chirp/down-chirp 方向有没有设反。

我自己的习惯是，拿到一套陌生 LFM 工程，先拿最短的一个脉冲跑一次模糊函数，和理论上 LFM 的斜刃图比对，确认 fs、T、B 互相自洽后，再去调窗函数、做多普勒补偿。这套检查救过我很多次，尤其当别人打包代码说"没问题"而实测就是不对时，模糊函数往往一眼就暴露了参数之间互相矛盾的真相。希望帮到你。

本文还有配套的精品资源，点击获取