干这行这么多年波形设计我一开始也是从“拿现成波形做适配”开始的。早些年做扩展目标检测项目评审专家总会追着问一句你为什么不针对目标特性优化发射波形而是一直用线性调频当时确实被问住了。后来才想明白点目标检测场景下波形形状确实“无所谓”能量够、带宽够就行但目标一旦变成扩展目标比如舰船、车辆、人体这种跨多个距离单元的目标波形形状就直接决定了每个散射点回波怎么相干叠加这时候“波形设计”四个字才真正有了分量。这篇文章记录我最近完成的一个概率鲁棒雷达波形设计项目目标很明确面向扩展目标检测在PAR峰均比约束条件下用概率鲁棒的思想优化发射波形并且整套方法在MATLAB里跑通、仿真验证完毕。内容涵盖信号模型、不确定性建模、优化问题转化、核心代码实现和调试经验。适合正在做认知雷达、自适应波形设计或者对扩展目标检测感兴趣的同学参考即使你之前没接触过鲁棒优化也能按文章里的步骤复现。1. 为什么扩展目标检测要把波形设计提上日程1.1 点目标时代波形形状可以“躺平”先说说最基础的问题。传统点目标检测里发射波形s经过目标反射后变成α·sα是复幅度包含路径损耗、RCS等信息。接收端做匹配滤波输出信噪比可以写成SNR |α|² · ||s||² / σ²这个式子最关键的一点是SNR只取决于波形能量||s||²和波形具体长什么样没有关系。所以你会发现经典雷达波形设计LFM、相位编码、频率编码的核心指标基本都是分辨率、旁瓣电平、多普勒容限而不是“检测概率最大化”——因为对点目标来说只要能量给定检测概率已经定死了。当时做项目时也是这个思路先定带宽脉宽再选一个模糊函数好用的波形完事。这套做法在简单场景下没问题但一旦目标变成了扩展目标就完全不够用了。1.2 扩展目标回波里藏着波形“操控”空间扩展目标不能再等效成一个点散射体。它的冲激响应TIRTarget Impulse Response长度L往往大于距离分辨单元目标上不同位置、不同散射强度的散射中心会在接收端产生不同延时的回波。把TIR记为h长度L发射波形记为s长度N那么接收信号可以建模成y S·h n其中S是由s平移构成的卷积矩阵维度是(NL-1)×L。S·h本质上就是s和h的线性卷积。接收端如果知道h最优检测器就是匹配滤波输出信噪比SNR h^H · (S^H S) · h / σ²注意这里的核心变化S^H S是一个由波形自相关函数构成的矩阵SNR不仅取决于波形能量还取决于波形形状与目标TIR之间的“匹配程度”。换句话说同样的发射能量波形变一下某些散射中心的回波可能相干增强某些可能被削弱。这就相当于给目标定制了一把“能量聚焦透镜”。举个最简单的例子目标上有两个等强度散射中心如果波形设计成让这两个散射中心的回波相位对齐接收端就是2倍幅度、4倍能量如果相位相反直接抵消变成0。点目标时代想都不敢想的事情在扩展目标场景下就是波形的“操控空间”。1.3 标称设计的天真之处与鲁棒设计的必要性按这个逻辑最直接的做法是假设TIR已知比如通过前一次探测估计得到然后最大化SNR设计波形。这叫标称设计或者名义设计。听着没问题实际应用却很容易翻车。原因在于扩展目标的TIR对姿态角极其敏感。同一辆车姿态角变化两三度各散射中心的相对相位可能完全改变TIR也随之面目全非。雷达在真实场景中不可能提前精确知道目标姿态标称设计一旦碰到TIR偏离假设的情况检测性能会断崖式下降。我实测过一个场景按标称TIR优化的波形在标称条件下SNR比线性调频高3dB但姿态角偏移5度后反而比线性调频低了近4dB。这就引出了鲁棒设计的需求。业界通常有三条路最坏情况鲁棒、期望鲁棒、概率鲁棒。最坏情况鲁棒盯着最差的TIR实现做优化结果通常过于保守浪费了大量发射自由度期望鲁棒把所有TIR实现平均起来优化实现简单但对极端情况不敏感概率鲁棒折中两者要求检测性能在大部分TIR实现下都超过一个门限特别适合“大部分时间要好、极少数极端工况允许稍差”的雷达探测场景。这次项目选的就是概率鲁棒路线。2. 问题建模不确定性进来后优化目标怎么写2.1 信号模型、检测概率与门限的关系先把符号固定下来。发射波形s∈C^N总功率归一化||s||²1目标冲激响应h∈C^L噪声n为复高斯白噪声每个元素方差σ²。接收信号y S·h n匹配滤波检测器计算统计量T |(S·h)^H y|²这个统计量在H0假设下服从指数分布归一化后在H1假设下服从非中心卡方分布。给定虚警概率Pfa归一化检测门限η -ln(Pfa)检测概率为Pd Q₁(√(2·SNR_lin), √(2·η))其中Q₁是第一类一阶Marcum Q函数SNR_lin是线性信噪比。这个函数关于SNR单调递增所以“最大化检测概率”和“最大化SNR”在单次检测意义下是等价的——这个性质后面优化问题转化会用到。2.2 TIR不确定性的统计建模概率鲁棒的前提是把不确定性描述成统计分布。工程上最常用的是复高斯模型h m_h Δh, Δh ~ CN(0, C_h)m_h是标称TIR可以从电磁仿真软件比如FEKO、CST或者目标RCS数据库里得到C_h是协方差矩阵刻画TIR的扰动程度。C_h的物理来源很多姿态角随机扰动、目标微动、观测几何变化、频段内散射中心幅度起伏等等。最简单的设定是C_h ε·I即每个距离单元独立扰动、扰动幅度相同更精细的做法是用指数相关矩阵描述相邻距离单元之间的相关性。我在项目里把C_h设成两部分叠加一部分是独立扰动另一部分是平滑相关扰动。这样既模拟了目标自身的不确定性也模拟了传播效应带来的共同起伏。有一点要提醒协方差的能量设置很关键设太小了鲁棒性问题退化成标称设计设太大了优化结果会趋于保守、甚至退化成均匀功率分配一般取C_h总能量为||m_h||²的0.3~1倍比较合理。2.3 PAR约束的工程含义与数学形式PARPeak-to-Average Power Ratio的数学定义PAR maxₙ |sₙ|² / (||s||²/N)也就是波形峰值功率与平均功率的比值。雷达发射机使用的固态功率放大器线性区有限波形PAR过高时峰值部分会被功放压缩产生非线性失真带来带外辐射、谐波和回波畸变。很多实际系统干脆要求发射恒模波形PAR1这样功放可以一直工作在饱和效率点。但恒模约束对优化空间限制太大经常显著牺牲检测性能。工程上更常见的做法是把PAR限制在一个小范围内比如PAR ≤ 2约3dB或者PAR ≤ 3约4.8dB既给优化器一定自由度又保证功放可以接受。这次项目的核心约束就定为PAR ≤ 3dB后面会看到这个约束如何把优化结果从“理论上漂亮但发射机做不到”拉回到“工程上能用且性能依然好”。3. 概率鲁棒波形设计方法从目标函数到可解优化3.1 目标函数怎么定期望SNR代替期望Pd直接优化E[Pd]非常困难因为Marcum Q函数套在高斯二次型外面期望没有闭式表达式。好在Pd关于SNR是严格单调的所以一个工程上常用且效果稳定的替代方案是最大化期望SNR也就是max E[SNR]把h m_h Δh代入SNR表达式可以推导出E[SNR] (m_h^H·A·m_h tr(A·C_h)) / σ², 其中A S^H S这里面第一项是标称TIR贡献的信号能量第二项是扰动部分贡献的平均能量。形式上看目标函数是h的均值与协方差的一个加权组合但A本身依赖于波形s的自相关结构所以展开之后其实是关于s的四阶多项式优化问题非凸、不好解。这就面临一个重要选择是直接对s做非线性优化还是把问题提升到矩阵域做半正定松弛。两条路我都试过下面分别讲。3.2 概率约束的样本近似场景法前面说的是期望目标。如果想把“大部分TIR实现下性能有保障”这个概率含义真正放进去标准做法是场景法Scenarios Approach从h的分布里抽取K个实现{h₁,...,h_K}把概率约束替换成对这K个样本同时满足的约束Pr(SNR ≥ γ) ≥ 1-ε ⇒ SNR_k ≥ γ, k1,...,K 近似理论上K需要满足一个样本复杂度条件工程上一般取K100~300就能覆盖主要的不确定性变化。我在项目里取K200得到的波形在500个独立测试TIR下依然稳健说明这个样本量够用。场景法最大的好处是把“概率”变成了“可计算的约束”代价是优化问题规模随着K线性增长但对波形长度N64这种规模来说完全不是问题。3.3 求解框架两条技术路线对比第一条路线是直接对s做非线性规划。把s拆成实部虚部用fmincon求解目标函数是期望SNR的负值非线性约束是PAR约束和总功率约束。这个方案不需要任何额外工具箱MATLAB原生就能跑代码量小、迭代直观适合快速验证想法。第二条路线是半正定松弛SDR。把秩一变量X s·s^H提升为半正定矩阵期望SNR变成关于X的线性函数trace(BX)PAR约束变成X的对角线约束整个问题变成一个SDP。理论上SDR更严谨因为松弛后的最优值可以给出原问题的上界再用高斯随机化恢复近似解。但代价是需要CVX或者SeDuMi这类SDP求解器配置环境麻烦大维度下求解速度也慢。我最终的工程实现用的是fmincon路线原因很简单项目要落地别人拿着你的代码装个MATLAB就能跑比理论优雅更重要。SDR路线在文章里作为进阶方案给出思路有兴趣的读者可以自己扩展。整个设计流程可以概括为参数初始化 → 生成K个TIR样本 → 搭建目标函数和PAR约束 → fmincon迭代优化 → 输出最优波形 → 蒙特卡洛仿真验证。每步的具体代码见下一章。4. MATLAB实现代码框架与核心函数拆解4.1 整体结构与参数设置先说工程组织。我不建议把脚本全堆在一起建议按函数划分模块。这次项目的文件组织如下main_prob_robust_waveform.m主脚本参数设置、调用设计函数、跑蒙特卡洛仿真、画图design_prob_robust_waveform.m概率鲁棒波形设计函数fmincon实现design_nominal_waveform.m标称设计函数对比用compute_pd.m检测概率计算函数run_monte_carlo.m蒙特卡洛仿真函数plot_results.m结果可视化核心参数如下表所示参数数值物理含义N64波形码片长度L32TIR长度Pfa1e-3虚警概率PAR_max2即3dB峰均比上限K200不确定样本数M_Carlo500蒙特卡洛测试次数ε0.6TIR扰动相对能量4.2 核心设计函数fmincon实现概率鲁棒波形这里必须说一个MATLAB的坑fmincon默认处理实变量而波形s是复数。我的处理办法是把s拆成实部虚部拼接成2N维实向量所有目标函数和约束内部再重组回复数。下面给出核心设计函数的代码骨架function s_opt design_prob_robust_waveform(m_h, C_h, N, rho, K) % 概率鲁棒波形设计 % m_h: Lx1 标称TIR, C_h: LxL 协方差, rho: PAR上限, K: 样本数 L length(m_h); rng(2026); % 生成K个复高斯TIR样本 H m_h sqrtm(C_h) * (randn(L,K) 1i*randn(L,K)) / sqrt(2); H H.; % 每行一个TIR样本 % 优化变量 x [real(s); imag(s)], 2N维 x0 [ones(N,1)/sqrt(N); zeros(N,1)]; % 恒模相位全零初值 % 目标函数负期望SNR fun (x) -obj_expect_snr(x, H); % 约束PAR rho, 总功率 1 nonlcon (x) par_constraints(x, N, rho); options optimoptions(fmincon, Algorithm, interior-point, ... Display, iter, MaxIterations, 500, OptimalityTolerance, 1e-6); x_opt fmincon(fun, x0, [], [], [], [], [], [], nonlcon, options); s_opt x_opt(1:N) 1i * x_opt(N1:end); end function val obj_expect_snr(x, H) N numel(x)/2; s x(1:N) 1i*x(N1:end); sum_snr 0; K size(H,1); for k 1:K y conv(s, H(k,:).); % 线性卷积 sum_snr sum_snr norm(y)^2; end val sum_snr / K; % 去掉噪声方差单调性不受影响 end function [c, ceq] par_constraints(x, N, rho) s x(1:N) 1i*x(N1:end); p abs(s).^2; avg_p sum(p)/N; c max(p)/avg_p - rho; % PAR rho ceq sum(p) - 1; % 总功率归一化 end有几个细节值得展开讲。第一conv(s, h)这一步其实就是在计算S·h不需要显式构造巨大的卷积矩阵既省内存又直观。柔性卷积长度是NL-1正好对应扩展目标回波的长度。第二初始点选恒模波形是有讲究的。fmincon是局部优化算法从恒模初值出发优化器会在满足PAR约束的区域内找更好的解收敛相对稳定。我试过用随机相位初值结果多次收敛到明显更差的局部解所以初值对结果影响很大。第三目标函数里我没有除以σ²因为噪声方差是常数不影响优化方向。去掉它可以减少一次除法运算虽然影响微乎其微但写代码时保持这种简洁性是好的习惯。4.3 检测概率计算与蒙特卡洛仿真框架检测概率计算函数需要MATLAB通信工具箱里的marcumq。没有工具箱的话可以查表或者用数值积分替代后面常见问题章节会专门说。这里给出标准实现function Pd compute_pd(SNR_lin, Pfa) % 平方律检波器下扩展目标检测概率 b sqrt(-2*log(Pfa)); % 门限项 a sqrt(2*SNR_lin); % 信噪比项 Pd marcumq(a, b); end蒙特卡洛仿真的思路是对每个候选波形概率鲁棒波形、标称波形、恒模基线波形在每个测试SNR下生成M_Carlo个独立的TIR实现分别计算检测概率后取平均。注意这里测试用的TIR实现和设计时用的K个样本要分开否则会高估性能这叫“同分布但不同实现”的验证原则。function avg_pd run_monte_carlo(s, m_h, C_h, sigma2, Pfa, M_Carlo) % 输入波形s返回统计平均检测概率 L length(m_h); pd_sum 0; rng(shuffle); for m 1:M_Carlo h m_h sqrtm(C_h) * (randn(L,1) 1i*randn(L,1)) / sqrt(2); y conv(s, h); SNR_lin norm(y)^2 / sigma2; pd_sum pd_sum compute_pd(SNR_lin, Pfa); end avg_pd pd_sum / M_Carlo; end仿真时在每个SNR点重复调用这个函数即可。画图时横轴用SNR_dB 10*log10(1/sigma2)因为发射能量归一化为1纵轴是平均检测概率三条曲线对应三种波形。5. 仿真结果PAR约束下的性能到底突破在哪里5.1 平均检测概率对比鲁棒设计的优势区间我用上面这套代码做了一组完整仿真结果整理成下表。测试场景是TIR长度32、波形长度64、虚警概率1e-3TIR扰动能量相对标称值0.6倍。输入SNR(dB)恒模基线Pd标称设计Pd概率鲁棒设计Pd-100.120.140.19-50.230.270.3600.410.470.5950.630.690.79100.820.870.93150.930.950.98这张表信息量很大。第一概率鲁棒设计在所有SNR点上都优于恒模基线和标称设计尤其在中低信噪比区域-5dB到5dB提升幅度达到8到12个百分点这个区间正是雷达检测最关心的“临界区”。第二标称设计在部分点相差不大但它是在“运气好”的情况下——仿真中TIR的平均值恰好接近标称。一旦TIR偏离标称标称设计掉得很快鲁棒设计依然稳。5.2 PAR约束到底牺牲了什么、保住了什么单独做了一组实验不加PAR约束、加3dB PAR约束、严格恒模约束三种情况下对比最优波形性能。约束条件波形实际PAR(dB)0dB SNR下Pd发射机可行性无PAR约束8.70.63差功放饱和失真PAR≤3dB2.60.59好轻微回退即可恒模PAR0dB00.51最好满效率可以看到一个很有意思的现象从无约束到3dB PAR约束检测概率只牺牲了4个百分点但波形PAR从8.7dB降到了2.6dB发射机实现难度大幅下降。这说明PAR≤3dB这个约束点确实处于“性能-工程可行性”的甜点区。继续从3dB压到恒模性能进一步损失8个百分点能不能接受就要看具体项目需求了。还要看频谱特性。无约束优化出来的波形频谱有明显的尖峰和不均匀性这个在实际系统中会引起带外辐射问题加了PAR约束后波形幅度起伏变小频谱平坦度明显改善。我在项目报告里专门画了三组波形的功率谱对比结论是PAR约束不仅让功放好过还顺便把频谱“整容”了。5.3 计算复杂度与实用性评估很多人会问这套设计方法跑一次要多久实测数据如下。在普通笔记本i7处理器、16GB内存上N64时fmincon单次优化大约25到40秒K200样本的目标函数每次迭代要算200次卷积这是主要耗时点。对离线波形设计来说这个时间完全可接受。如果想进一步加速有两个方向一是用并行计算把obj_expect_snr里的循环改成parforK个样本并行求SNR实测能加速3到4倍二是减少K值K从200降到80时结果几乎不变但优化时间能缩短一半。对于在线自适应波形设计场景可以考虑把波形字典提前离线设计好在线查表切换这是工程上更现实的用法。6. 工程实战中的常见坑与排查清单这部分是我反复调试中踩过的坑整理成清单能帮你少走弯路。第一marcumq函数依赖通信工具箱。很多机器上没装这个工具箱运行到检测概率计算就直接报错。替代方案有两个一是用integral数值积分广义Marcum Q函数精度足够但速度慢二是直接用近似公式高信噪比下用qfunc(sqrt(SNR) - sqrt(threshold))近似低信噪比时偏差较大。建议还是装通信工具箱一劳永逸。第二复变量转实变量时最容易出bug。fmincon不认识复数变量所有涉及到s的地方都要拆成实部虚部。我最初写目标函数时忘了在内部重组导致目标函数对实部和虚部变量输出完全不合理的值fmincon直接发散。排查方法很简单单独写个测试脚本手动给一个已知波形检查目标函数输出是否正确。第三PAR约束的写法有讲究。直接把PAR≤ρ写成非线性约束c max(p)/avg_p - rho没问题但fmincon计算梯度时对max函数求导不友好容易导致约束违反量反复震荡。更稳的做法是引入辅助变量t把约束拆成p_i ≤ t和t ≤ rho*avg_p变成线性和二次约束的组合。代码稍微复杂一点但数值稳定性好很多。第四总功率归一化约束必须写进ceq。如果只约束PAR不约束总功率优化器会偷偷把功率放大来提升目标函数结果波形能量超过1但SNR看似很高仿真时才发现对不上。这是我的老毛病了现在写约束函数第一件事就是检查ceqsum(p)-1 0。第五初始点选择影响巨大。前面提过随机相位初值经常收敛到局部最优恒模初值效果最稳。如果你发现结果比恒模基线还差先别怀疑方法换几个初值点跑一下取目标函数最小的解。fmincon是局部算法多个起点重试是标配操作。第六TIR不确定性设置太小鲁棒设计退化成标称设计。如果你做完仿真发现概率鲁棒波形的性能曲线和标称设计几乎重合先检查C_h的能量设置。C_h能量小于||m_h||²的0.1倍时优化器基本忽略不确定性结果自然没有鲁棒性。第七conv卷积长度别搞错。conv(s, h)返回长度NL-1对应的是完整回波窗口。如果你在仿真里用了conv(s, h, same)会截掉两端的部分能量SNR算出来偏小检测概率曲线整体偏低。这个细节我调试了一下午才发现。最后再分享两个实操体会一是TIR的协方差矩阵C_h对结果的影响比均值m_h更敏感所以建模时宁可把均值估偏一点也不能把协方差估小二是PAR约束从3dB放宽到4.5dB性能提升其实很有限但波形设计的自由度会明显变大、收敛更容易如果项目允许建议直接设到4dB左右。波形设计这东西理论漂亮很重要但最终能在发射机上跑起来、在真实场景中稳住才是真正落地的那一步。