python做网站 教育做公众号app，网站，app

python做网站 教育,做公众号app，网站，app,什么网站用php做的,电商网站建设维护Matlab雷达信号处理 1.雷达威力图仿真 模糊函数仿真 2.恒虚警检测(CFAR) 3.单脉冲测角 4.线性调频(LFM)信号匹配滤波及脉冲压缩的仿真 5.动态跟踪及A显P显 6.music进行doa估计的仿真 7.star的成像rd算法仿真模糊函数#xff1a;雷达的时空身份证先来个酷炫的3D模糊图镇…Matlab雷达信号处理 1.雷达威力图仿真 模糊函数仿真 2.恒虚警检测(CFAR) 3.单脉冲测角 4.线性调频(LFM)信号匹配滤波及脉冲压缩的仿真 5.动态跟踪及A显P显 6.music进行doa估计的仿真 7.star的成像rd算法仿真模糊函数雷达的时空身份证先来个酷炫的3D模糊图镇场子。模糊函数这玩意儿能同时反映时延和多普勒分辨能力试试这段代码tau linspace(-5e-6,5e-6,200); %时间延迟 fd linspace(-10e3,10e3,200); %多普勒频移 [Ta,Fd] meshgrid(tau,fd); ambiguity abs(sinc(1e6*(Ta - 2*Fd/3e8))); %LFM信号示例 contour3(Ta*1e6,Fd/1e3,ambiguity,30), view(140,30) xlabel(延迟/μs),ylabel(多普勒/kHz), zlim([0 1])运行后你会看到个扭曲的sinc函数像被斜着切了一刀——这说明LFM信号在时频域存在耦合。那个斜面斜率就是调频斜率搞抗干扰的时候这参数能玩出花来。CFAR检测雷达界的狼人杀虚警率控制是门艺术来看OS-CFAR怎么玩noise raylrnd(1,1,1000); %瑞利噪声 targets [zeros(1,300), 15, 15, zeros(1,698)]; %两个目标 signal noise targets; N 24; %参考单元数 guard 2; %保护单元 threshold zeros(size(signal)); for i N/21 : length(signal)-N/2-1 cells [signal(i-N/2-guard:i-guard-1), signal(iguard1:iN/2guard)]; ordered sort(cells); k floor(0.75*N); %取第75%样本 T ordered(k)*1.5; %经验系数 threshold(i) T; end plot(signal), hold on, plot(threshold,r--)这里用排序后取第k个样本代替均值对抗多目标干扰贼好使。注意那个1.5倍系数得根据实际场景调就像调火锅底料得看能吃多辣。LFM脉冲压缩时频魔术脉冲压缩是雷达的看家本领上硬菜B 50e6; %带宽 T 10e-6; %脉宽 fs 100e6; t -T/2:1/fs:T/2; chirp exp(1j*pi*B/T*t.^2); %生成LFM echo [zeros(1,500), chirp, zeros(1,300)]; %模拟回波 noisy_echo echo 0.5*(randn(size(echo)) 1j*randn(size(echo))); matched conj(fliplr(chirp)); %匹配滤波器 compressed abs(fftconv(noisy_echo, matched)); subplot(211), plot(abs(noisy_echo)), title(原始信号) subplot(212), plot(compressed), title(脉压结果)看那个主瓣变窄、旁瓣被压制的效果没这就叫用带宽换分辨率。注意做FFT卷积时得处理边界不然会像没剪线的风筝到处乱飘。MUSIC测向空间谱玄学测向这事MUSIC算法比老中医把脉还准theta_true [30, -15]; %真实角度 snapshots 100; array exp(-1j*pi*(0:7)*sind(theta_true)); %8阵元 data array * (randn(2,snapshots) 1j*randn(2,snapshots)); R data*data/snapshots; %协方差矩阵 [V,D] eig(R); noise_space V(:,1:6); %假设2个信号 theta_scan -90:0.5:90; P zeros(size(theta_scan)); for k 1:length(theta_scan) a exp(-1j*pi*(0:7)*sind(theta_scan(k))); P(k) 1/(a*(noise_space*noise_space)*a); end plot(theta_scan,10*log10(abs(P))), grid on注意那个特征分解后的子空间划分就像把信号和噪声分到不同包厢。找谱峰时别被旁瓣骗了得用二次插值之类的技巧精修。这些仿真就像雷达工程师的乐高积木关键得多动手试错。当你的A显上跳出来第一个干净的目标回波P显呈现出规整的方位图那种成就感可比通关游戏带劲多了。记住好的仿真不是完美复现理论而是要给现实系统提供靠谱的预判——毕竟雷达这玩意儿最终是要在真实电磁环境里见真章的。