企业官网建设流程全解析

做雷达系统仿真这些年，有一类问题我见得太多了：波形设计做得漂漂亮亮，脉冲压缩处理得干干净净，可一到检测那一环就露馅——要么检测概率上不去，要么虚警多得压不住。很多朋友卡在这里，根源就是对“非相参累积和相参累积”的理解停留在概念层面，一到仿真里就靠猜。这篇文章把我自己在仿真中建模、实现、验证这两种累积检测的完整过程摊开来讲，包括公式推导、MATLAB代码、参数权衡和踩过的坑。

这篇内容适合所有正在做雷达信号处理仿真、算法验证或者相关课程设计的人。你只需要有一点雷达基础，最好写过简单的回波生成程序，跟着走完一遍，就能搞清楚两个问题：为什么累积能提升检测性能？相参和非相参到底差在哪、各自怎么用？

1. 为什么检测之前要先做累积——雷达检测的本质与单脉冲瓶颈

1.1 检测问题的本质：二元假设检验

雷达检测本质上是一个二元假设检验问题。假设 H0 是“该距离单元只有噪声”，假设 H1 是“噪声背景下存在目标回波”。检测器要做的事情，就是根据接收信号 x 的能量或幅度，跟一个预设门限做比较，超过门限判为有目标，没超过判为无目标。

这个过程中有两个指标是绕不开的：虚警概率 Pfa 和检测概率 Pd。Pfa 指在只有噪声时误判成有目标的概率，Pd 指真有目标时正确检测出来的概率。这俩是互相矛盾的一对——门限放低了，Pd 上去但 Pfa 也上去；门限抬高，Pfa 下来了，Pd 也跟着垮。所以工程上都是先给定一个可接受的 Pfa（比如 10^-6），再去反推需要多少信噪比才能达到系统要求的 Pd（比如 0.9 或 0.8）。

问题在于，单脉冲检测在低信噪比下的性能非常有限。举个例子，在 Pfa = 10^-6 的条件下，单脉冲要达到 Pd = 0.9，需要的信噪比大约是 13 dB 左右（用马库姆 Q 函数反算）。如果你的回波信噪比只有 5 dB，单脉冲检测概率可能就只有 0.3 到 0.4，根本没法用。这时候就需要累积：把多个脉冲的信息合并到一起，用时间换信噪比。

1.2 累积的两种思路：相参与非相参的本源区别

累积的基本思想是：目标回波在多个脉冲之间是有相关性的，而噪声在不同脉冲之间是不相关的，通过合并多个脉冲，可以把目标信号的能量集中起来，同时让噪声被平均掉，从而实现信噪比提升。

但“合并”的方式有两种截然不同的路径。相参累积发生在包络检波之前，是在 I/Q 复信号域直接做幅度和相位的同时叠加。因为目标回波的相位在脉冲之间是确定演变的（通常由多普勒频率决定），只要你知道或能补偿这个相位，就能让 N 个脉冲的信号幅度同相相加，信号幅度变成原来的 N 倍，信号功率变成 N² 倍；而噪声的功率只按 N 倍增长（因为噪声相位随机，功率叠加是线性的）。所以相参累积后信噪比改善为 N 倍，换算成分贝就是 10log10(N) dB。

非相参累积发生在包络检波之后，这时候相位信息已经丢掉了，只剩下幅度或功率。你在视频域把 N 个脉冲的包络或者功率加起来，信号功率是 N² 倍（因为都是正数，同向累加），噪声功率也近似 N 倍，但这里有个关键区别——包络检波本身会引入非线性，而且噪声包络不是高斯分布了，累积完的等效信噪比改善达不到理想的 N 倍，通常是 N 的 0.7 到 0.9 次方左右，取决于 N 和检测条件。这个差距就叫“检波损耗”或“累积损耗”。

我用一个生活化的类比帮大家记：相参累积就像一队人抬大石头，大家步调一致喊号子，力量全往一个方向使，效率最高；非相参累积就像一群人各自搬砖，每个人出力方向不完全一致，但是数量多了总能搬完，胜在不需要协调、谁都能干。

2. 理论建模与检测概率公式——仿真前必须搞清楚的数学底子

2.1 信号模型与噪声设定

仿真第一步是建立信号模型。一个典型的脉冲雷达回波，经过正交下变频和匹配滤波之后，基带复信号可以写成：

s(t) = A exp(j(2πfd·t + φ0)) + n(t)

其中 A 是回波幅度，fd 是目标多普勒频率，φ0 是初始相位，n(t) 是复高斯白噪声，实部和虚部独立同分布，均值为零，方差为 σ²。单脉冲信噪比 SNR_1 = A² / (2σ²)。

在仿真里，所有累积的起点都是这个复信号序列。相参累积处理的是复数序列本身，非相参累积处理的是它的模值或模平方。这两个分支的数学工具完全不同，下面分别展开。

2.2 相参累积的检测概率计算

相参累积在数学上非常简单：假设你对 N 个脉冲进行了理想的相位补偿（即多普勒频率已知且被精确补偿），那么累积后的信噪比就是 SNR_N = N × SNR_1。检测概率可以用马库姆 Q 函数直接算：

Pd = Q(√(2·N·SNR_1), √(-2·ln(Pfa)))

其中外面的 Q 是一阶马库姆 Q 函数，第一个参数是累积后的信号幅度，第二个参数是门限。这里要注意的是，马库姆函数里用的 SNR 是功率比，而且是复信号域的功率比。很多新手在代入公式时搞错 SNR 定义，导致算出来的检测概率对不上。

举个例子：假设单脉冲 SNR 是 6 dB（即功率比约 4），Pfa = 10^-6。单脉冲情况下 Pd 大概只有 0.35。如果做 16 个脉冲的相参累积，SNR 变成 16 × 4 = 64，也就是 18 dB，这时的 Pd 已经超过 0.999。这就是相参累积的威力——每增加 3 dB 累积增益，检测性能就跨一大步。

2.3 非相参累积的等效信噪比与 Albersheim 经验公式

非相参累积的精确检测概率计算要复杂得多。因为包络检波之后，噪声包络服从瑞利分布，信号加噪声的包络服从莱斯分布，N 个这样的随机变量相加，分布函数没有闭式表达式，只能数值积分或者用近似公式。工程上最常用的近似是 Albersheim 经验公式：

SNR_N(dB) = α(N, Pd) + β(N, Pfa)

具体形式是：

SNR_N = -5·log10(N) + [6.2 + 4.54/√(N+0.44)]·log10(A + 0.12·A·B + 1.7·B)

其中 A = ln(0.62 / Pfa)，B = ln(Pd / (1 - Pd))。这个公式在 Pfa 从 10^-3 到 10^-7、Pd 从 0.1 到 0.9 的范围内误差小于 0.2 dB，是仿真验证时非常好用的对标工具。

从公式可以看出，非相参累积的增益不是严格的 10log10(N)，而是有一个损耗因子。实际算一下会发现：N = 16 时，理论相参增益是 12 dB，但非相参累积的等效增益大概只有 10.5 到 11 dB，损失了 1 到 1.5 dB；N = 100 时，相参增益是 20 dB，非相参大概只有 17 dB 左右。这个损耗随着 N 增大而增大，所以不能想当然地把非相参累积增益当成理想值。

2.4 为什么不能用“功率直接相加”来近似非相参累积

我见过不少仿真代码，把非相参累积直接写成把所有脉冲的功率谱相加，然后用 SNR_total = N × SNR_1 去算检测概率。这在理论上是有问题的。原因是包络检波引入了非线性变换，信号和噪声的相互作用不再是简单的线性叠加，噪声项里会带有信号乘噪声的交叉项。尤其是低信噪比场景下，这种近似会严重高估检测性能，仿真出来的 Pd 虚高，一到外场实测就露馅。

正确的做法是：要么用蒙特卡洛仿真统计出真实的检测概率，要么用 Albersheim 公式或查表获得等效信噪比，再代入单脉冲公式。我在仿真里通常两种方法都做——先用 Albersheim 公式算一遍理论曲线，再用蒙特卡洛验证，两边对得上才敢把结果交给下一级。

3. 仿真设计与核心代码实现——从参数设定到蒙特卡洛统计的完整过程

3.1 仿真场景参数怎么定

仿真不是上来就写代码，先把场景参数定清楚。我做了一个典型的中程警戒雷达检测场景，参数如下表：

这套参数比较常规。选 N = 16 是因为它在仿真中既有代表性又不至于让计算量太大，而且 16 是 2 的整数次幂，方便用 FFT 做多普勒滤波器组来验证相参累积的结果。

3.2 相参累积的核心代码实现

相参累积的仿真核心：生成 N 个脉冲的复基带回波，叠加复高斯白噪声，然后直接把 N 个脉冲的复数据相加（理想相位补偿情况下），再做幅度检测。代码如下：

%% 参数初始化 clear; clc; rng(2024); % 固定随机种子，保证可复现 fc = 3e9; % 载频 3 GHz prf = 1000; % 脉冲重复频率 1000 Hz N = 16; % 累积脉冲数 fd = 200; % 多普勒频率 200 Hz Ts = 1 / prf; % 脉冲重复周期 Pfa = 1e-6; % 虚警概率 snr_dB = 6; % 单脉冲信噪比 6 dB snr_lin = db2pow(snr_dB); % 转线性值 A = sqrt(2 * snr_lin); % 信号幅度（噪声功率设为1） %% 生成 N 个脉冲的复基带信号（简化模型：每个脉冲取一个采样点） phase = 2 * pi * fd * (0:N-1) * Ts; % 各脉冲的相位演变 s = A * exp(1j * phase); % 理想回波复包络 noise = (randn(1, N) + 1j * randn(1, N)) / sqrt(2); % 复高斯白噪声，功率为1 x = s + noise; % 接收信号 %% 相参累积（理想相位补偿后直接相加） x_coh = sum(x); % 复信号域直接相加 det_coh = abs(x_coh)^2; % 累积后取功率 %% 检测门限（Pfa=1e-6，噪声功率为1，复信号域） % 相参累积后噪声为复高斯，功率为 N % 门限 = N * (-2 * ln(Pfa)) 的推导见正文 threshold_coh = N * (-2 * log(Pfa)); %% 判决 if det_coh > threshold_coh disp('相参累积：检测到目标'); else disp('相参累积：未检测到目标'); end

这段代码是单次快照的演示。实际蒙特卡洛统计时要把“生成信号—累积—判决”循环 M 次，统计超过门限的次数占比就是 Pd。注意门限公式里乘了 N，因为是 N 个复数相加后噪声功率变为原来的 N 倍。

3.3 非相参累积的核心代码实现

非相参累积的代码差异主要在两点：一是取包络（abs）或功率（abs 的平方），二是在包络域设置门限。平方率检波情况下，N 个噪声包络平方之和服从自由度为 2N 的中心卡方分布，门限是：

threshold_env = chi2inv(1 - Pfa, 2*N) / 2

对应的代码段如下：

%% 非相参累积（平方率检波 + N 个脉冲累积） x_env_sq = abs(x).^2; % 每个脉冲取功率 x_noncoh = sum(x_env_sq); % 功率域直接相加 %% 检测门限（平方率检波 + N 个脉冲） % 噪声功率为1，自由度为2N的中心卡方分布 threshold_noncoh = chi2inv(1 - Pfa, 2*N) / 2; %% 判决 if x_noncoh > threshold_noncoh disp('非相参累积：检测到目标'); else disp('非相参累积：未检测到目标'); end

这里有个容易踩坑的地方：线性检波（取模后相加）和平方率检波（取模平方后相加）的门限分布不一样。线性检波时噪声包络服从瑞利分布，N 个瑞利变量相加没有闭式分布，只能数值求；平方率检波正好对应卡方分布，工程上又好算又常用，所以仿真里我默认用平方率检波。如果你更习惯用 abs() 而不是 abs().^2，门限计算方法就完全不同，千万别混着用。

3.4 蒙特卡洛统计检测概率的完整流程

单次判决没有统计意义，必须跑蒙特卡洛。我一般这样组织仿真流程：

第一步，在给定 SNR_1 下循环 M 次（我习惯用 10^5 次），每一次都重新生成信号和噪声；第二步，分别计算相参累积和非相参累积的检测统计量；第三步，判断是否超过各自门限，记录命中次数；第四步，M 次结束后，命中次数除以 M 就是该 SNR 下的 Pd；第五步，把 SNR_1 从 0 扫到 15 dB，得到整条检测概率曲线。

完整框架如下：

%% 蒙特卡洛检测概率统计 M = 1e5; % 蒙特卡洛次数 snr_vec = 0:1:15; % 单脉冲SNR扫描范围 Pd_coh = zeros(size(snr_vec)); Pd_noncoh = zeros(size(snr_vec)); for k = 1:length(snr_vec) snr_lin = db2pow(snr_vec(k)); A = sqrt(2 * snr_lin); hits_coh = 0; hits_noncoh = 0; for m = 1:M phase = 2 * pi * fd * (0:N-1) * Ts; s = A * exp(1j * phase); noise = (randn(1, N) + 1j * randn(1, N)) / sqrt(2); x = s + noise; % 相参累积判决 x_coh = sum(x); if abs(x_coh)^2 > threshold_coh hits_coh = hits_coh + 1; end % 非相参累积判决 x_noncoh = sum(abs(x).^2); if x_noncoh > threshold_noncoh hits_noncoh = hits_noncoh + 1; end end Pd_coh(k) = hits_coh / M; Pd_noncoh(k) = hits_noncoh / M; end

跑完这组数据，把两条 Pd-SNR 曲线画出来，就能直观看到非相参和相参的性能差距。我的实测结果是：在 Pd = 0.9 的位置上，16 脉冲相参累积比 16 脉冲非相参累积大约好 1.2 到 1.5 dB，跟理论预期吻合。

4. 仿真结果解读与工程实现中的折中策略

4.1 检测概率曲线怎么读

仿真实测画出来的典型曲线有三个特征值得注意。

第一，单脉冲曲线在低 SNR 区域非常平缓，从 Pd = 0.1 到 Pd = 0.9 要跨越大约 8 到 10 dB；相参累积曲线的过渡带明显变陡，说明性能提升不但来自整体信噪比右移，还来自检测统计量分布的“锐化”。第二，两条累积曲线在低 SNR 区域几乎重合，这个现象很多人不理解——其实是因为低信噪比时包络检波损耗很小，非相参累积的等效增益接近相参；信噪比越高，非线性损耗越明显，曲线才开始分开。第三，相参累积曲线在 Pd 接近 1 时快速饱和，而非相参累积会拖一条“长尾巴”，在高 SNR 下依然存在少量漏检。

这几条曲线就是整个仿真的核心交付物。如果你跑的曲线出现明显异常——比如非相参累积反而比相参还好——基本可以断定代码里门限或者检波方式出了问题。

4.2 处理增益的“含金量”：相参有前提，非相参更鲁棒

很多人看了上面的结果，会觉得“相参累积全面碾压，那还做什么非相参”。这种想法在实际工程里要不得，因为相参累积有一个严苛前提：相位必须对齐。在前面的仿真里，我假设目标多普勒频率精确已知，相位被完美补偿。但实际系统中，目标速度是未知的，多普勒频率也是未知的。如果你直接拿 N 个脉冲的原始数据相加，目标回波的相位在不同脉冲之间是旋转的，累加的结果可能相互抵消——尤其是当 fd 接近 PRF 的整数倍时，N 个脉冲的信号相位均匀分布在 0 到 2π 之间，累加后信号幅度趋近于零，检测性能比单脉冲还差。

工程上的解决办法是用多普勒滤波器组，也就是对 N 个脉冲做 FFT，把回波按多普勒频率分到 N 个通道里，每个通道等效于补偿了该通道对应的相位，再做相参累积。这就是 MTD（Moving Target Detection）的核心原理。代价是需要付出额外的计算量，并且目标多普勒频率落在两个滤波器之间时会有跨越损失（通常 1 到 2 dB）。

非相参累积没有这个问题，因为幅度相加不依赖相位。所以实际雷达系统里，通常的做法是先用相参处理把多普勒维分辨出来、获得相参增益，再用非相参累积把多个通道或多次扫描的结果进一步合并，弥补相参处理在不同通道之间可能引入的损失。

4.3 实际信号处理链中是怎么串起来用的

一个典型的脉冲多普勒雷达检测链路是这样的：回波经过脉冲压缩之后，做 MTD——即对一组 N 个脉冲做加窗 FFT，得到每个距离单元在不同多普勒通道上的相参累积结果；然后对每个多普勒通道做恒虚警检测（CFAR）；如果系统还有扫描间累积的需求，再把多次扫描的 CFAR 输出或幅度图做非相参累积，进一步压低虚警、提升稳定检测概率。

仿真时把这个链路拆成两步很有必要：先单独验证相参处理模块的增益是否达到理论值；再单独验证非相参累积在不同快慢起伏目标模型下的表现。两个模块分别达标后，再联调。我做仿真时习惯在链路的每一级都设置一个监测点——比如在 MTD 输出端打印该距离-多普勒单元的 SNR，在 CFAR 输出端统计虚警率——这样一旦结果不对，能快速定位是哪个模块引入的问题。

5. 常见问题与排查技巧实录

5.1 门限设置错误：虚警概率的定义没搞清

这是仿真里最普遍的错误。很多朋友直接把门限设成“噪声功率的某个倍数”，比如 3 倍、4 倍，然后就说虚警概率是多少——这是不对的。Pfa 的定义是“噪声超过门限的概率”，必须从噪声概率分布去反推门限。对于复高斯白噪声的功率检测，门限和 Pfa 的关系是 Pfa = exp(-threshold / noise_power)，所以 threshold = -noise_power × ln(Pfa)。公式本身很简单，但如果你忘了把门限里的噪声功率乘进去，或者把 Pfa 和漏警率搞混，仿真曲线的形态就会完全走形。

排查技巧：先跑一个纯噪声的仿真（不叠加任何信号），统计超过门限的频率。如果这个统计值偏离你设定的 Pfa 超过一个数量级，门限公式一定有问题。这个自检步骤在正式跑 Pd 曲线之前一定要做。

5.2 “伪相参累积”：相位没补偿就硬加

还有一种情况是代码里确实把 N 个复数相加了，但目标信号本身是多普勒信号，每个脉冲的相位在旋转。如果直接相加，信噪比不但不提升，还可能出现负增益。我之前遇到过一位朋友写的目标检测程序，N 设得越大性能越差，查了半天最后发现问题就出在这里——他压根没对多普勒相位做补偿，所谓的“相参累积”实际上是在做随机相位叠加。

解决方法是先对目标可能的径向速度范围做搜索，用一组不同频率的复指数对 N 个脉冲做相关，这等价于 FFT 滤波器组。在仿真里可以用一个简化的验证方法：把目标多普勒频率设成 0，再跑累积，如果性能提升符合理论值，说明累积逻辑没问题；然后把多普勒频率设成非零，用 FFT 处理，看看峰值是否出现在对应的多普勒通道。

5.3 起伏目标模型没引入，仿真结果过于乐观

前面所有仿真都假设目标回波幅度恒定，也就是“斯威林 0”模型。但真实目标通常存在起伏，最常见的斯威林 1 模型是慢起伏——在一个相干处理间隔内幅度恒定，但不同扫描之间幅度独立随机，服从瑞利分布。仿真时只需要把信号幅度 A 从常数改成一个服从瑞利分布的随机变量，你就会发现检测性能明显下降，达到相同 Pd 需要的 SNR 大约要多 3 到 5 dB。

引入起伏模型后，蒙特卡洛的收敛速度会变慢。因为大幅度的目标回波在少数样本里主导了检测统计量，导致 Pd 估计值的方差变大。我建议起伏模型下把蒙特卡洛次数提高到 10^6 量级，并且每跑完一次都画一下 Pd 的收敛曲线，确认统计量稳定了再继续。

5.4 累积脉冲数不是越多越好

仿真调参时很容易陷入一个误区：为了提高检测概率，不断增加累积脉冲数。增加了 N，相参增益确实按 10log10(N) 提升，但与此同时你又引入了两个新问题：一是距离走动——目标在累积时间内跨过了不止一个距离单元，相参累积的相位假设失效；二是目标起伏——在较长的累积时间内，目标回波幅度可能发生显著变化，快起伏目标（斯威林 2）下累积效率进一步下降。

我在仿真中确定 N 的做法是：先算出允许的最大相干处理时间，用“目标最大径向速度 × 累积时间 < 距离分辨率的四分之一”来约束，保证目标不会跨距离单元；然后在这个上限内选择满足检测指标的最小 N。这个“够用就好”的原则，比一味堆脉冲数要务实得多。

最后分享一个我做这类仿真多年养成的习惯：每一个模块都会单独写一个验证脚本，先跟理论值对齐再接入主链路。相参累积对理论值，非相参累积用 Albersheim 公式对理论值，对齐了再往下走。虽然前期多花一点时间，但后期联调时省下的时间是以“天”为单位的。遇到检测性能不对的情况，先别急着怀疑算法，从门限公式开始逐级排查，多半问题就出在那些你自以为“肯定没问题”的细节上。