企业官网建设流程全解析

做雷达、声呐和无线通信的都知道，脉冲压缩输出出来的那根波形，究竟能不能用，不能光看主瓣多高多尖。真正决定一台雷达在强杂波里还能不能看清目标、能不能不被旁瓣淹没的，是一个论文里常写、但实际代码里很少有人算明白的指标——积分旁瓣电平（ISLR, Integrated Sidelobe Level Ratio）。ISLR衡量的是脉冲压缩后，旁瓣区域累积的总能量和主瓣区域累积能量之比。区别于峰值旁瓣电平（PSLR）只盯最强的一个旁瓣尖峰，ISLR看的是整个旁瓣区的“总面积”。这篇我就用Matlab把这个指标从定义到计算函数，再到波形设计和实测中容易踩的坑，完整讲一遍。适合正在做雷达信号处理仿真、做波形设计毕业设计、或者被审稿人追着问“你的ISLR到底怎么算”的同学参考。

1. 积分旁瓣电平到底在衡量什么：从脉压输出看懂这个指标

1.1 主瓣与旁瓣的分界线，直接决定了大半个结果

ISLR的定义写出来很短。设脉压输出为 (y(n))，能量分布就是 (|y(n)|^2)。

[ ISLR = \frac{E_{side}}{E_{main}} = \frac{E_{total} - E_{main}}{E_{main}} ]

用分贝表示就是：

[ ISLR_{dB} = 10\log_{10}\left(\frac{E_{total} - E_{main}}{E_{main}}\right) ]

这里第一个坑马上来了：(E_{main}) 怎么划？主瓣的边界到底取到哪里，每个项目里差别很大。我实际用过的口径主要有三种，不同口径之间算出来的ISLR能差出3到5个dB，不是小数目。

第一种是第一零点宽度，也就是峰值两侧包络第一次降到0的两个点之间的距离。这个口径的物理意义最直观：它对应雷达的固有分辨率单元，波形自相关函数的主瓣底宽基本就代表这个波形能分辨的最小区间。我在雷达波形设计和杂波抑制评估里，默认都用这个口径，因为它不依赖具体波形峰值附近的小尺度形状。

第二种是-3dB宽度，也就是主瓣功率降到峰值一半处的宽度。系统链路设计、天线方向图分析里经常用这个口径。但要注意，用-3dB口径算ISLR时，主瓣能量只算了半功率内的那一小块，等于把一部分本该算进主瓣的能量划给了旁瓣，所以算出来的ISLR会比第一零点口径高出来几个dB，单独看会给人一种波形变差的错觉。

第三种是工程上拍脑袋的固定波门，比如“主瓣附近左右各取0.5us作为主瓣范围”。这种口径一般只用于某个具体系统的验收测试，不同系统之间没法横向比。

所以结论很明确：写代码之前先把口径定死，写报告的时候先把口径交代清楚。你如果只写一句“计算ISLR”，没有说明主瓣范围怎么取的，看的人基本没法复现你的数据。

1.2 ISLR和PSLR：一个管周边场子的总噪声，一个管最强单点的干扰

做波形分析时，ISLR和PSLR经常成对出现，但很多人把这两个指标混在一起用，实际它们对应的是完全不同的物理问题。

PSLR（峰值旁瓣电平）定义是：

[ PSLR_{dB} = 20\log_{10}\left(\frac{最高旁瓣幅度}{主瓣峰值幅度}\right) ]

它衡量的是“最强的那个旁瓣有多高”。雷达里管的是这样一件事：一个强散射体旁边如果有一个弱目标，强散射体那个最高的旁瓣幅度如果超过了弱目标的回波峰值，弱目标就会被淹没在歧义里。所以PSLR直接决定雷达能不能分辨强目标旁边的弱目标。比如无加窗线性调频（LFM）信号的PSLR是-13.2dB左右，意味着主瓣旁边有一个幅度为主瓣5%左右的小尖峰，这个尖峰下面如果藏着一个比主瓣低20dB的弱目标，就完全看不到了。

ISLR管的是另一件事：一段距离范围内，所有旁瓣的能量总和会不会把噪声和杂波底抬高。想象雷达波束照射的是一片强地物杂波区，每一个杂波散射体都有旁瓣，虽然单个旁瓣不高，但大量散射体的旁瓣能量在相邻距离单元里叠起来，等效于把那一小段距离内的底噪抬起来。这时候即便没有特别突出的单峰，弱目标依然可能被这个抬高的“旁瓣地板”淹没。

我做项目时有个习惯：如果系统主要工作在均匀杂波背景里，比如海杂波、气象杂波，优先看ISLR；如果系统要在强点目标附近找弱目标，比如城市里找藏在大楼反射旁边的车，优先看PSLR。大多数波形设计两边都要压，但压的时候要知道到底在为谁在压。

2. 手写一个Matlab的ISLR计算函数：从“能算”到“算得对”

2.1 最小实现：十几行就能跑通第一版

先上一个最直接版本。输入是脉压输出波形和主瓣半宽，输出ISLR。不要小看这个十几行的版本，我很多项目里最终用的就是在这个版本上加了几个自适应判断而已。

function islrDb = calcISLR_basic(y, mainHalfWidth) % calcISLR_basic 计算脉冲压缩信号的积分旁瓣电平 % 输入: % y - 脉压输出信号，可为复数 % mainHalfWidth - 主瓣半宽，单位采样点 % 输出: % islrDb - 积分旁瓣电平，单位dB y = y(:).'; % 确保行向量 [~, peakIdx] = max(abs(y)); % 找到峰值索引 N = length(y); idxL = max(1, peakIdx - mainHalfWidth); idxR = min(N, peakIdx + mainHalfWidth); eMain = sum(abs(y(idxL:idxR)).^2); eTotal = sum(abs(y).^2); eSide = eTotal - eMain; islrDb = 10 * log10(eSide / eMain); end

这个函数核心就三行：找峰、切主瓣、算能量比。注意主瓣半宽的语义要定义清楚。如果第一零点宽度是10个采样点，半宽就是5个采样点，那么实际主瓣区间是 ([peakIdx-5, peakIdx+5])，一共11个点，峰值点和左右两个零点都算在主瓣里。这里多算少算一个点，对计算结果的稳定性和可比性都是有影响的，所以函数注释里要写明白。

还有一个容易忽略的地方：输入(y)可以是复数，也可以只传幅度绝对值序列。如果是复数，必须用abs(y).^2来算能量，不能直接用real(y).^2 + imag(y).^2以外的简化形式，更不能偷懒只取实部来算功率。我见过有人直接把real(y)拿去做平方，得到的结果在信号相位变化的情况下会严重偏离真实能量，ISLR能差出好几dB。

2.2 升级版：自动检测第一零点边界和使用升采样找峰

第一版的问题在于主瓣半宽是外部传入的，如果你在做波形对比，不同波形的第一零点宽度不一样，每次都手填不仅麻烦，还容易出错。更稳的办法是让函数自动找峰并自动从峰值向两侧找第一零点。

直接找零点有一个问题：脉压输出的旁瓣并不一定严格归零，噪声、数值精度、失配滤波都会让包络底部出现毛刺。所以我的做法是：先对脉压输出做升采样（我用interpft升8倍），在升采样后的高分辨率包络上，向左右两侧搜索第一次低于峰值1%的位置，把它当作“工程意义上的零点”。这个1%阈值不是随便拍的，小于1%的能量对ISLR的贡献已经很小，而且能避开底噪毛刺的干扰。

function [islrDb, info] = calcISLR_auto(y, upFactor) % calcISLR_auto 自动检测主瓣范围的ISLR计算函数 % 输入: % y - 脉压输出信号 % upFactor - 升采样倍数，建议4~8 % 输出: % islrDb - 积分旁瓣电平，单位dB % info - 结构体，包含主瓣边界、主瓣能量和总能量 if nargin < 2 || isempty(upFactor) upFactor = 8; end y = y(:).'; N = length(y); % 原序列峰值位置 [~, p0] = max(abs(y)); % 升采样包络，用于精细找零点 Nup = N * upFactor; env = abs(interpft(y, Nup)); env = env / max(env); % 升采样域的峰值位置 [~, pUp] = max(env); % 向左右两侧搜索第一次低于1%的位置 lUp = pUp; while lUp > 1 && env(lUp) > 1e-2 lUp = lUp - 1; end rUp = pUp; while rUp < Nup && env(rUp) > 1e-2 rUp = rUp + 1; end % 主瓣边界映射回原采样域 idxL = max(1, floor(lUp / upFactor)); idxR = min(N, ceil(rUp / upFactor)); info.leftIndex = idxL; info.rightIndex = idxR; info.peakIndex = p0; eMain = sum(abs(y(idxL:idxR)).^2); eTotal = sum(abs(y).^2); eSide = eTotal - eMain; islrDb = 10 * log10(eSide / eMain); info.eMain = eMain; info.eTotal = eTotal; info.eSide = eSide; end

这个升级版有个细节值得多说一句：用interpft升采样在边界处会有振铃效应，也就是Gibbs现象。脉压输出波形如果主瓣不太靠近序列边界，比如截取时已经把相关峰挪到了中间位置，那这个振铃基本不影响找零点；但如果主瓣正好贴着序列头尾，升采样后的包络在边界附近会抖得厉害，可能导致找零点失败。稳妥的做法是先用粗略峰值位置从原始序列里截一段左右各含若干个旁瓣的窗口，把主瓣挪到窗口中间，再做升采样找零点，这样边界影响就基本隔离了。

2.3 三个高频犯错点：取模、对数、归一化

这部分必须单独拉出来说，因为围绕ISLR的计算看似简单，实际人群犯错率极高。

第一个是取模。算能量必须用abs(y).^2，不是abs(y.^2)，更不是real(y).^2。脉压输出是复信号，包含幅度和相位信息，能量是幅度平方。相位是正交的，直接对实部平方等于丢掉了一半信号能量。一个小实验，取一个纯虚数信号1j，abs(1j).^2是1，real(1j).^2是0，ISLR直接变成无穷大。

第二个是对数底数。ISLR是能量比，所以用10*log10，不是20*log10。20*log10用于幅度比、电压比。很多人刚接触时容易把两个量搞混，PSLR本质上是幅度比的dB表示，用20倍对数是OK的；ISLR本质上是能量比的dB表示，必须用10倍对数。我在审核别人代码的时候，看到10*log10和20*log10混用的情况不是一次两次。

第三个是归一化。因为ISLR算的是比值，信号是否归一化不影响最终结果。但有一个细节：如果y的幅度量级非常小，比如在双精度浮点下接近1e-10以下，直接平方计算可能产生下溢。稳妥做法是先对y做一个归一化处理，比如y = y / max(abs(y))，再算能量。归一化不改变ISLR的数值，但能避免极低幅度信号下的浮点精度问题。

3. 实测两组典型波形：LFM和Barker码的ISLR表现

3.1 线性调频信号：不加窗和加Hamming窗的数字对比

先拿雷达波形设计里最常用的LFM信号来做实验。参数这样设：采样率(fs=50\text{MHz})，脉宽(T=10\mu s)，带宽(B=10\text{MHz})，采样点数(N=T\times fs=500)点。基带LFM信号的表达式是：

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

Matlab仿真代码：

fs = 50e6; T = 10e-6; B = 10e6; N = round(T * fs); k = B / T; t = (0:N-1) / fs; % 基带LFM信号 s = exp(1j * pi * k * t.^2); % 未加窗匹配滤波 h0 = conj(fliplr(s)); y0 = conv(s, h0); y0 = y0(N:2*N-1); % 截取相关峰对齐段 % Hamming窗匹配滤波 w = hamming(N).'; h1 = conj(fliplr(s) .* w); y1 = conv(s, h1); y1 = y1(N:2*N-1); % 计算ISLR [islr0, ~] = calcISLR_auto(y0, 8); [islr1, ~] = calcISLR_auto(y1, 8);

不加窗时，LFM频谱近似矩形，脉压输出是一个sinc形状，第一零点宽度正好是(\frac{1}{B}=0.1\mu s)，按50MHz采样率换算是10个采样点。实际算出来的ISLR在-10.1dB左右。这意味着旁瓣总能量大约是主瓣能量的十分之一，这个能量水平在强杂波场景下非常致命。

加了Hamming窗之后，局面完全不同。主瓣会展宽约1.46倍，第一零点宽度大约从10个点变成15个点。旁瓣被大幅压低，PSLR从-13.2dB直接压到-42.6dB左右，ISLR也能压到-31.9dB附近。也就是说加窗把旁瓣总能量压低了约21dB，代价是主瓣展宽和信噪比损失。Hamming窗的失配损耗大约在1.34dB左右，跟第一零点宽度变宽是同步发生的。

两种情况的实测对比如下表：

这里有个很关键的经验：加窗之后，主瓣范围如果还用原来的10点宽度去统计ISLR，会得到一个比-31.9dB差得多、甚至只有-20dB左右的“错误结果”。原因很简单，Hamming窗把主瓣能量扩散到了更大的时间范围内，而你只统计了中间一小块，剩下的大部分主瓣能量被误算成了旁瓣。这就是为什么自动检测第一零点边界比手动固定宽度靠谱得多。

3.2 13位Barker码的ISLR：相位编码信号旁瓣的特殊性

Barker码是另一种经典波形。13位Barker码的码序列是：

code = [1 1 1 1 1 -1 -1 1 1 -1 1 -1 1];

这个码的自相关性质很好：主瓣幅度是13，两侧旁瓣幅度绝对值都不超过1，周期旁瓣完全周期为零（在无过采样条件下）。用匹配滤波做脉压，输出为：

y = conv(code, fliplr(code));

Barker码的旁瓣不是LFM那种连续下降的sinc包络，而是每隔一个chip出现一个幅度为1的窄脉冲，中间夹着零点。这种结构带来的直接问题是：ISLR口径的选择对结果影响特别大。

如果严格按“每个chip一个采样点、主瓣第一零点范围”来统计，13位Barker码的自相关函数单侧旁瓣序列是[1, 0, 1, 0, 1, 0, 1]，两侧旁瓣能量之和是：

[ E_{side} = 2 \times (1^2 + 0^2 + 1^2 + 0^2 + 1^2 + 0^2 + 1^2) = 8 ]

主瓣能量是：

[ E_{main} = 13^2 = 169 ]

所以：

[ ISLR = 10\log_{10}(8/169) = -13.25\text{dB} ]

这个结果很有意思。Barker 13的PSLR是-22.3dB，看起来很漂亮，但ISLR只有-13.25dB，和未加窗的LFM差不多。也就是说，Barker码虽然最高旁瓣压得很低，但旁瓣总能量并没有特别占优势。这就是为什么ISLR和PSLR必须分开看：一个管尖峰有多高，一个管总面积有多大。

如果做过采样，比如每个chip采样4个点，旁瓣不再是稀疏的几个尖脉冲，而是会被插值展宽成连续包络。这时候旁瓣区域的能量实际上会略微变高，实测ISLR大约在-12.6dB到-13.2dB之间波动，具体值取决于过采样倍数和主瓣边界的检测方式。这说明一个容易被忽视的问题：ISLR不仅和波形本身有关，还和数字系统里的采样率有关。写论文时如果不说采样率，ISLR数据基本不可比。

3.3 对比LFM和Barker码：从一个指标看波形选型的思路

把LFM和Barker码放一起看，能发现ISLR在波形选型里的独特价值。无窗LFM的PSLR很差，只有-13.2dB，但ISLR是-10.1dB；Barker 13的PSLR是-22.3dB，但ISLR是-13.25dB。单看PSLR，Barker码全面胜出；单看ISLR，无窗LFM反而还有一点点优势。

这意味着什么？如果你要设计的雷达主要工作在强地杂波环境里，杂波回波在距离维上是一大片连续分布，那一堆杂波的旁瓣叠加效应会直接体现为ISLR决定的“旁瓣杂波基底”。这种情况下，Barker码不一定比无窗LFM好多少。而如果你要关注的是强目标旁边找弱目标，Barker码的低PSLR优势就非常重要，它能把强目标旁边的“假目标”压得很低。

所以做波形选型时，不要只拿着PSLR一个指标跑遍天下。把ISLR和PSLR放在一起看，才能完整描述一个波形的旁瓣行为。加窗LFM在这两个指标上都做得不错，这也是为什么工程上宁可损失一点分辨率也要在接收端加窗的原因。

4. 用ISLR驱动波形设计：加窗和失配滤波器的优化思路

4.1 加窗的本质：把旁瓣能量摊薄，而不是把旁瓣变没

很多人以为加窗是把旁瓣能量“消除”了，其实从能量守恒的角度看完全不是这样。加窗的本质是对信号在时域上做了幅度加权，改变了频谱形状，最终结果是让脉压输出的能量从集中旁瓣变成了更分散、更低的旁瓣。旁瓣总能量并没有消失，而是被重新分配到更大的时延区间里。

这也是为什么ISLR和主瓣展宽总是绑定出现。你在接收匹配滤波器上乘一个窗函数 (w(n))，等效于把脉压输出的主瓣做了一次平滑扩展，旁瓣被压低，但主瓣变胖。这两件事在能量上是“零和”的：主瓣变胖，意味着原来属于主瓣的一部分能量被挤到了第一零点以内更宽的区间，所以第一零点宽度变大；旁瓣被压低，意味着原来集中在几个大旁瓣里的能量被摊到更多更远的旁瓣里，所以远处旁瓣的总能量没有完全消失，只是降低了密度。

实际操作中，我一般用Kaiser窗来做参数扫描，因为Kaiser窗只需要调一个参数(\beta)就能连续控制主瓣展宽和旁瓣抑制的平衡。(\beta)越大，旁瓣越低，主瓣越宽。扫描代码很简单：

betas = 2:0.5:10; for i = 1:length(betas) w = kaiser(N, betas(i)).'; h = conj(fliplr(s) .* w); y = conv(s, h); y = y(N:2*N-1); islr(i) = calcISLR_auto(y, 8); % 主瓣第一零点宽度也可以从info结构里取 [~, info] = calcISLR_auto(y, 8); mainWidth(i) = info.rightIndex - info.leftIndex + 1; end

扫描完之后，画一条“ISLR随主瓣宽度变化”的曲线，看拐点。一般(\beta)从3到6这段区间内，ISLR下降速度很快，主瓣展宽也还能接受；超过6以后，ISLR下降开始变缓，主瓣展宽却还在线性增加，这个位置就是工程上“性价比”最高的点。我在实际项目中很少追求最低ISLR，因为再往下压，分辨率损失和信噪比损失都划不来。

4.2 失配滤波器：把ISLR直接写进目标函数

如果加窗已经不能满足指标要求，更彻底的方案是设计失配滤波器。所谓失配滤波器，就是接收端的滤波器系数不再是匹配滤波器的共轭翻转，而是通过求解一个优化问题得到的系数，让脉压输出在旁瓣区域的能量尽量为零。ISLR在这个框架下可以非常自然地成为目标函数的一部分。

设计思路是这样的。设基带波形为 (s)，长度为 (N)。我们希望设计一个滤波器系数 (g)，使得卷积输出 (y = s * g) 在主瓣位置为1，在旁瓣位置尽量为0。把感兴趣的时延范围定义一个集合，比如主瓣左右各 (M) 个点，目标响应 (d) 在主瓣位置为1，其余位置为0。构造卷积矩阵 (X)，每一行对应一个时延位置的波形序列，那么问题就变成：

[ \min_g |Xg - d|_2^2 + \lambda |g|_2^2 ]

第二项是L2正则，用来控制 (g) 的能量，防止滤波器系数太极端导致信噪比损失过大。这个问题的解就是标准的岭回归闭式解：

[ g = (X^T X + \lambda I)^{-1} X^T d ]

用Matlab实现，伪代码思路如下：

function g = designMismatchFilter(s, M, lambda) % s - 基带波形 % M - 旁瓣抑制的单侧时延范围 % lambda- 正则系数，控制SNR损失 N = length(s); P = 2*M + 1; X = zeros(P, N); for m = -M:M rowIdx = m + M + 1; if m > 0 X(rowIdx, m+1:N) = s(1:N-m); elseif m < 0 X(rowIdx, 1:N+m) = s(-m+1:N); else X(rowIdx, :) = s; end end d = zeros(P, 1); d(M+1) = 1; g = (X'*X + lambda*eye(N)) \ (X'*d); end

设计好之后，一定要检查失配损耗。失配滤波器的信噪比损失可以表示为：

[ L_{SNR} = -20\log_{10}\left(\frac{|s \cdot g^H|}{|s| \cdot |g|}\right) ]

Matlab里这样算：

snrLoss = -20 * log10(abs(s * g') / (norm(s) * norm(g)));

工程上一般要求失配损耗控制在1dB以内。如果算出来超过1dB，就调大(\lambda)，牺牲一点旁瓣性能换回信噪比。这个权衡没有标准答案，完全取决于你的系统是受热噪声限制还是受旁瓣杂波限制。我自己的经验是：如果ISLR已经比系统最关注的杂波电平低10dB以上，就别再继续压了，把余量留给信噪比更划算。

4.3 优化ISLR时你需要同时盯住的三个辅助指标

单纯跑一个ISLR最小化很容易，真正难的是让ISLR降下来之后系统还能用。我在做波形优化时，无论用什么方法，都会同时盯住三个辅助指标。

第一个是主瓣宽度。ISLR降下来，主瓣通常会展宽，雷达的距离分辨率会变差。LFM信号加Hamming窗后分辨率损失约1.46倍，这是显而易见的；失配滤波器更夸张，如果约束太紧，主瓣宽度可能膨胀到接近两倍。所以每个优化结果后面必须跟着一个主瓣宽度数据。

第二个是信噪比损失。失配滤波器尤其明显，因为它不再是最优匹配，输出信噪比天然就会下降。一个ISLR做到-40dB但信噪比损失3dB的滤波器，在大多数系统里都不可用，因为作用距离直接缩短了约19%。注意，这里说的是失配损耗，不是加窗的失配损耗（加窗也属于失配，Hamming大约1.34dB）。

第三个是带外抑制能力。如果滤波器设计只考虑了主瓣附近(M)点的旁瓣，远处的旁瓣可能被忽略了。很多优化结果在主瓣附近旁瓣很低，但在很远的地方冒出一个较大的旁瓣，这就是优化时约束范围不够导致的。我一般会把优化范围拉大到整个感兴趣的探测区，而不是只约束主瓣附近的几个点。

5. 实测过程中我踩过的几个坑

5.1 频域脉压不补零，循环卷积把ISLR直接带崩

很多人为了省时间，直接用频域卷积做脉压：

y = ifft(fft(s) .* conj(fft(s)));

这段代码看着没问题，实际上是一个非常隐蔽的坑。fft(s)和conj(fft(s))都是N点序列，两者相乘做逆FFT，得到的是循环卷积，不是线性卷积。LFM信号长度为N，匹配滤波器长度也是N，线性卷积结果长度是(2N-1)。循环卷积会把这超过N的那部分卷回序列头部，恰好在主瓣附近叠加出伪峰。

伪峰的能量不算小，尤其在加窗之后，循环卷积的混叠成分会让ISLR从-31dB恶化到-25dB甚至更差，而且你还很难一眼看出来哪里错了，因为波形形状看起来依然像个正常脉压输出。解决办法很简单：

Nfft = 2^nextpow2(2*N - 1); y = ifft(fft(s, Nfft) .* conj(fft(s, Nfft))); y = y(1:2*N-1); % 取线性卷积的有效部分

或者用更省心的conv直接做时域卷积。conv内部效率虽然不如FFT快，但至少不会出循环卷积的错。我自己做仿真时默认用conv，等代码稳定了再优化成FFT。

5.2 目标不在采样点上：升采样找峰是稳定ISLR的关键

还有一个非常常见的场景：仿真里设置的目标距离门没有正好落在采样点上，脉压输出的峰值会出现所谓扇贝损失。峰值幅度往下掉，主瓣形状在采样域里看起来是不对称的，这时候如果你还用峰值左右对称取主瓣的方式去算ISLR，结果会偏大，而且偏大的幅度不稳定。

我自己第一次算ISLR时，目标设在两个采样点中间，算出来ISLR比理论值高了差不多2dB，排查了半天，最后把max(abs(y))的索引打出来才发现，峰值位置在49，但真实包络峰值在48.4附近。把脉压输出用interpft升采样4到8倍，在升采样域找峰值和主瓣边界，再映射回原序列统计能量，结果一下子就稳定了。

说到底，ISLR统计的是“波形自身的旁瓣结构”，不是“数字采样网格和波形之间的错位关系”。如果不做升采样，你实际上是在统计一个被采样误差污染的信号，而不是统计波形本身。这也是为什么我上面的calcISLR_auto函数里把升采样倍数默认设为8，实际操作中这个倍数够用了。更高的倍数边际收益不大，计算量却成倍增加。

5.3 多普勒失配会让旁瓣变得不对称，ISLR需要分开统计

LFM信号有多普勒容限，这是它相比相位编码信号的一大优势。但“有容限”不代表失配时可以当作没影响。当目标速度很大，多普勒频移达到脉冲宽度倒数同量级时，脉压输出的旁瓣结构会发生明显的不对称：一边旁瓣抬高，另一边压低。这时候再机械地用峰值两侧对称取主瓣，然后统一算一个ISLR，其实是在抹掉一个有价值的信息。

我在实际项目里遇到这种情况，会分别统计主瓣左右两侧各自的旁瓣能量。左侧ISLR和右侧ISLR分别报出，因为多普勒方向不同，两侧旁瓣的行为可能完全不同。这对波形设计的指导意义很大：比如你在设计一个同时要覆盖接近目标和远离目标的雷达波形，两侧ISLR不对称会导致系统作用距离不对称，这就必须在波形设计阶段就处理掉。

多普勒失配还有一个连带影响：失配时脉压峰值会低于匹配峰值，而ISLR计算中主瓣能量变小，如果计入这个下降，ISLR数字看起来可能反而变好了——这是个纯粹的数学假象，因为主瓣能量被多普勒损失削掉了。所以严格来说，多普勒失配时的ISLR应该用“理想匹配时的主瓣能量”做分母，或者至少要在报告里说明主瓣能量是在失配条件下测得的。

5.4 采样率贴边：频谱折叠会把旁瓣底部抬起来

最后一个坑来自采样率设置。有些同学为了仿真省内存，把采样率设得非常接近带宽B。比如一个基带LFM，带宽10MHz，采样率设为10MHz。理论上复基带信号在(fs \ge B)时可以无混叠，但这相当于把频谱边缘正好卡在奈奎斯特边界上，数字滤波器、量化误差和数值计算的微小不理想都会被放大。

脉压输出最典型的表现是：旁瓣区域底部不再是平滑下降的曲线，而是出现一层很低的“毛刺地板”，这些毛刺就是频谱折叠带回来的边缘能量。ISLR会因为这层毛刺地板而高出2到3dB，而且你在时域上看不太出来问题，因为毛刺相对主瓣只有-40dB左右的量级，但ISLR对能量积分很敏感，积起来就不是小数目。

检查到底是不是采样率贴边引起的，方法很简单：把采样率提高到带宽的1.5倍甚至2倍，重跑一次ISLR，如果数字明显变好，基本就是这个原因。工程上我一般建议复基带仿真的采样率至少取带宽的1.2倍，保守一点取到1.5倍以上。省那点内存和计算时间，后面排查起来才是最浪费时间的。

我在实际工作里已经养成了一个习惯：把所有波形仿真里的ISLR计算统一收敛到前面那个calcISLR_auto函数，输入输出格式固定，口径固定，主瓣边界检测规则固定。这样不同波形、不同参数之间对比出来的数据才是真正的横向可比。否则今天用-3dB口径，明天用第一零点口径，后天又改成固定波门，最后对比的结果没有任何意义，审稿人一问细节，自己都说不清楚。