【雷达信号处理】单载频脉冲信号的时宽带宽积推导

前言

只是看到很多地方都有说到单载频脉冲信号的时宽带宽积为1,却没有具体的推导,在这里推导一下试试。


一、单载频脉冲信号

令单载频脉冲信号为 f ( x ) f(x) f(x),那么有 f ( x ) = g τ ( x ) c o s ( ω 0 x ) f(x)=g_\tau(x)cos(\omega_0x) f(x)=gτ(x)cos(ω0x) g τ ( x ) g_\tau(x) gτ(x)为宽度为 τ \tau τ的门函数, ω 0 \omega_0 ω0为载频。那么具体波形如下。
在这里插入图片描述
代码:

tau = 0.02;
w0 = 2000;
t = -0.02:0.0001:0.02;
f = (heaviside(t+0.01)-heaviside(t-0.01));
plot(t,f);
f1 = (heaviside(t+0.01)-heaviside(t-0.01)).*cos(w0*t);
hold on
plot(t,f1,'--');
title('w0 = 2000, 门宽 = 0.2');
xlabel('t');
ylabel('f');

时宽带宽积推导

f ( x ) f(x) f(x)利用频域卷积定理,有
F ( j ω ) = 1 2 π G τ ( j ω ) ∗ π ( δ ( ω − ω 0 ) + δ ( ω + ω 0 ) ) F(j\omega)=\frac{1}{2\pi} G_\tau(j\omega)*\pi(\delta(\omega-\omega_0)+\delta(\omega+\omega_0)) F()=2π1Gτ()π(δ(ωω0)+δ(ω+ω0))

F ( j ω ) = 1 2 { G τ ( j ( ω − ω 0 ) ) + G τ ( j ( ω + ω 0 ) ) } F(j\omega)=\frac{1}{2}\{G_\tau(j(\omega-\omega_0))+G_\tau(j(\omega+\omega_0))\} F()=21{Gτ(j(ωω0))+Gτ(j(ω+ω0))}
对于门函数 g τ ( t ) g_\tau(t) gτ(t)而言,它的傅里叶变换结果 G τ ( j ω ) G_\tau(j\omega) Gτ()
G τ ( j ω ) = τ S a ( ω τ 2 ) G_\tau(j\omega)=\tau Sa(\frac{\omega\tau}{2}) Gτ()=τSa(2ωτ)
从而
F ( j ω ) = τ 2 { S a ( τ 2 ( ω − ω 0 ) ) + S a ( τ 2 ( ω + ω 0 ) ) } F(j\omega)=\frac{\tau}{2}\{Sa(\frac{\tau}{2}(\omega-\omega_0))+Sa(\frac{\tau}{2}(\omega+\omega_0))\} F()=2τ{Sa(2τ(ωω0))+Sa(2τ(ω+ω0))}
现在结果很明显了,单载频脉冲函数的频谱就是两个 S a Sa Sa函数偏移了 ω 0 \omega_0 ω0个单位而已。
S a Sa Sa函数结果如下所示
在这里插入图片描述
代码:

tau = 0.02;
w0 = 2000;
w = -20000:0.01:20000;
%%F = tau/2*( ((sin(tau/2*(w-w0)))./(tau/2*(w-w0))) + ((sin(tau/2*(w+w0)))./(tau/2*(w+w0))));
F = tau/2*( ((sin(tau/2*(w-w0)))./(tau/2*(w-w0))));

plot(w,F);
title('单边Sa函数');
xlabel('频率w');
ylabel('F');

带宽仅仅看正频率区即可,所以在上图我只画了右半频率区。带宽计算如下所示。
在这里插入图片描述

在上课时,我记得老师讲过, S a Sa Sa函数的 − 3 d B -3dB 3dB带宽和主瓣宽度的一般是差不多相等的,也就是 S a Sa Sa函数取到峰值和取到 0 0 0之间的距离,虽然优点误差,但是大致误差不超过 10 % ( 279 与 304 ) 10\%(279与304) 10%(279304)。同时载频对带宽并不起作用,于是单载频脉冲信号的带宽就是门函数的带宽。这样就可以利用公式计算,如下,
S a ( ω τ 2 ) = 0 Sa(\frac{\omega\tau}{2})=0 Sa(2ωτ)=0,即 ω τ 2 = π \frac{\omega\tau}{2}=\pi 2ωτ=π,则 ω τ = 2 π \omega\tau=2\pi ωτ=2π换算成频率,左右同时除以 2 π 2\pi 2π,得 f τ = 1 f\tau=1 fτ=1,此时 B = f − 0 = f B=f-0=f B=f0=f,所以 B τ = 1 B\tau=1 Bτ=1,大致如此。


总结

仅仅是自行推导,有问题的话欢迎大家提出。

  • 9
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
代码下载:完整代码,可直接运行 ;运行版本:2014a或2019b;若运行有问题,可私信博主; **仿真咨询 1 各类智能优化算法改进及应用** 生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化 **2 机器学习和深度学习方面** 卷神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断 **3 图像处理方面** 图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知 **4 路径规划方面** 旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化 **5 无人机应用方面** 无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配 **6 无线传感器定位及布局方面** 传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化 **7 信号处理方面** 信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配优化 **8 电力系统方面** 微电网优化、无功优化、配电网重构、储能配置 **9 元胞自动机方面** 交通流 人群疏散 病毒扩散 晶体生长 **10 雷达方面** 卡尔曼滤波跟踪、航迹关联、航迹融合

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值