上变频、混频、下变频

要理解变频流程，必须先理解核心器件——混频器（Mixer）。

混频（Mixing）

混频是一种利用非线性元件（如二极管或晶体管）将两个不同频率的输入信号组合，从而产生新频率的过程。
在理想情况下，当两个频率为 f1f_{1} 和 f2f_{2} 的信号输入混频器时，输出会产生两个主要的非线性组合频率：

  • 和频：f1+f2f_{1} + f_{2}
  • 差频：∣f1−f2∣|f_{1} - f_{2}|

混频是上变频和下变频的底层物理机制。

上变频（Up-conversion）

上变频是将较低频率的信号（通常是中频 IF 或基带信号）转换成较高频率的信号（射频 RF）的过程。

  • 为什么需要？ 低频信号不适合直接进行无线远距离传输（因为频率低意味着波长长，所需的发射天线尺寸会大到无法实现）。
  • 如何实现？ 在发射机中，中频信号 fIFf_{IF} 与本地振荡器（LO）产生的本振信号 fLOf_{LO} 一起输入混频器，通过滤波器滤除差频，只保留和频作为射频信号发射出去：

fRF=fIF+fLOf_{RF} = f_{IF} + f_{LO}

下变频（Down-conversion）

下变频是将天线接收到的高频射频信号（RF）转换成较低频率的信号（中频 IF 或基带信号）的过程。

  • 为什么需要？ 超高频的射频信号直接进行模数转换（ADC）和数字信号处理对芯片性能要求极高、功耗极大，且容易失真。因此必须先降频。
  • 如何实现？ 在接收机中，天线接收到的射频信号 fRFf_{RF} 与本振信号 fLOf_{LO} 混频，通过低通滤波器滤除和频，只保留差频：

fIF=∣fRF−fLO∣f_{IF} = |f_{RF} - f_{LO}|

雷达射频流程

雷达的射频流程可以分为发射链路和接收链路两大部分，它们共享或者通过双工器（Duplexer）共用天线。

发射链路（信号从数字到天线）

发射链路的任务是“生成信号并送出去”，简要流程如下：

基带 (Baseband)→第一次上变频中频 (IF)→第二次上变频射频 (RF)\text{基带 (Baseband)} \xrightarrow{\text{第一次上变频}} \text{中频 (IF)} \xrightarrow{\text{第二次上变频}} \text{射频 (RF)}

  • 数字信号产生（DSP/FPGA）：雷达的处理器在数字域生成雷达波形（如线性调频脉冲 LFM）。
  • 数模转换（DAC）：将数字信号转换成模拟信号，此时通常是基带信号（Baseband）或很低的中频信号（IF）。
  • 上变频（Up-conversion）：中频信号与本振（LO）信号在混频器中相乘，将频率提升到雷达工作的射频段（例如 X波段 10GHz，或车载雷达的 77GHz）。
  • 射频滤波）：滤除上变频过程中产生的镜像频率和其他杂散干扰。
  • 功率放大：由于信号在空气中衰减严重，必须通过 PA 将射频信号的功率放大到几十瓦、几百瓦甚至更高。
  • 双工器/天线：信号通过双工器（防止发射的高功率信号烧毁接收机），最终由天线转换成电磁波辐射到空间中。

在现代高度集成的“零中频”芯片（如手机 Wi-Fi、部分微波雷达）中，基带直接一步变射频，此时本振频率在数值上就完全等于高频载波频率。

接收链路（信号从天线到数字）

接收链路的任务是“捕捉微弱回波并还原数据”：

  • 天线接收：天线接收到被目标反射回来的微弱电磁波（射频信号 fRFf_{RF}）。
  • 低噪声放大：回波信号极其微弱，且夹杂大量噪声。LNA 的作用是在尽量不引入新噪声的前提下，将微弱信号放大。
  • 射频滤波：进一步滤除雷达工作频段之外的各种环境杂信。
  • 下变频（Down-conversion）：射频信号与本振信号混频，将高频信号降至中频（IF）。
  • 中频放大与滤波：在中频段对信号进行精细的滤波和进一步放大，使其达到 ADC 的最佳输入范围。
  • 模数转换（ADC）：将模拟中频信号转换成数字信号。
  • 数字信号处理（DSP/FPGA）：进入数字域，进行脉冲压缩、多普勒滤波、目标检测等算法，最终测出目标的距离、速度和角度。

对于下变频，面对高达 77 GHz77\text{ GHz} 的回波，计算机的采样芯片（ADC）根本无能为力。雷达做的第一件事，就是让接收信号与发射信号的共轭进行混频（相乘）：

sbeat(t)=srx(t)⋅stx∗(t)s_{\text{beat}}(t) = s_{\text{rx}}(t) \cdot s_{\text{tx}}^*(t)

匹配滤波卷积、多普勒FFT、阵列测角、GCC时延估计，在数学本质上无一例外全都是内积（Inner Product）运算。它们的根本目的只有一个：将输入信号与一个已知的“标准模板”进行对齐和投影，当输入与模板越相似，内积值（特征）就越大。 如果把它们做归一化处理，它们在数学上与余弦相似度是完全等价的。
可以称之为信号处理中的“寻找影子”游戏：影子最长的地方，就是匹配最完美的地方。下面我们逐一剖析这四个概念是如何在不同的维度（时间、频率、空间）玩这个游戏的。

内积、卷积与余弦相似度

在线性代数中，两个向量 a\mathbf{a} 和 b\mathbf{b} 的内积公式为：

a⋅b=∥a∥∥b∥cos⁡(θ)\mathbf{a} \cdot \mathbf{b} = \|\mathbf{a}\| \|\mathbf{b}\| \cos(\theta)

而余弦相似度就是去掉了两者的幅值（能量）影响，只看方向的贴合度：

cos⁡(θ)=a⋅b∥a∥∥b∥\cos(\theta) = \frac{\mathbf{a} \cdot \mathbf{b}}{\|\mathbf{a}\| \|\mathbf{b}\|}

根据柯西-施瓦茨不等式，当且仅当 a\mathbf{a} 和 b\mathbf{b} 方向完全一致（形状完全一样）时，相似度达到最大值 1。上述四个技术，全是在利用这个原理。

卷积的本质，就是“滑动内积”。

我们来看离散信号的内积公式（假设为实数信号）：

⟨x,y⟩=∑kx[k]⋅y[k]\langle x, y \rangle = \sum_{k} x[k] \cdot y[k]

这就是对应位置相乘，再全部加起来。它衡量的是两个信号整体的相似度。

再来看卷积的公式：

(x∗y)[n]=∑kx[k]⋅y[n−k](x * y)[n] = \sum_{k} x[k] \cdot y[n-k]

你看这两个公式长得有多像！唯一的区别在于，卷积公式里的 yy 变成了解析式 y[n−k]y[n-k]。
如果我们固定某一个时刻 nn（比如 n=0n=0），卷积公式就变成了：

(x∗y)[0]=∑kx[k]⋅y[−k](x * y)[0] = \sum_{k} x[k] \cdot y[-k]

这不就是 x[k]x[k] 和一个被反转了的时间信号 y[−k]y[-k] 在做标准的内积吗？

所以，卷积的动作可以分解为两步：

  1. 翻转并平移：把其中一个信号倒过来（变成镜像），然后向右平移 nn 个单位。
  2. 做内积：在当前的平移位置 nn 上，两个信号重叠的部分对应位相乘，再相加。

为什么卷积非要“翻转”一下？（卷积 vs 互相关）

你可能会问：“既然本质是内积，为什么卷积公式非要把信号翻转（y[−k]y[-k]）一下，而不是直接像内积那样乘（y[k]y[k]）呢？”

这涉及到一个信号处理里的概念区分：卷积（Convolution） 与 互相关（Cross-Correlation）。

  • 互相关（直接滑动内积）：公式是 ∑x[k]⋅y[n+k]\sum x[k] \cdot y[n+k]。它是最纯粹的模板匹配，不翻转，直接滑过去算内积。
  • 卷积（翻转滑动内积）：公式是 ∑x[k]⋅y[n−k]\sum x[k] \cdot y[n-k]。它之所以要翻转，是为了满足物理世界的因果律和系统稳定性（比如计算一个冲击信号输入到滤波器后的响应，先发生的信号衰减得更多，在时间轴上表现为反向）。

匹配滤波：用“翻转”来消灭“翻转”

回到你前面提到的匹配滤波卷积。既然雷达为了找目标，需要的是“互相关（纯内积）”，为什么我们要叫它“匹配滤波卷积”呢？

这就是工程师们精妙的工程设计了：

  1. 我们需要的标准模板是发射信号 s(t)s(t)。
  2. 我们希望做互相关（不翻转的内积）。
  3. 但是硬件和系统默认的计算方式是卷积。
  4. 于是，工程师故意把滤波器的冲激响应 h(t)h(t) 设计成发射信号的翻转倒序：h(t)=s(−t)h(t) = s(-t)。

这样一来，当系统执行标准的卷积运算时：

输出=回波∗h(t)=回波∗s(−t)\text{输出} = \text{回波} * h(t) = \text{回波} * s(-t)

根据卷积的规则，系统会把 h(t)h(t) 再翻转一次变成 h(−t)h(-t) 也就是 s(t)s(t) 去算内积。

负负得正！ 卷积特有的那次“翻转”，恰好把我故意预设的“翻转”给抵消了。最终，雷达的匹配滤波器通过运行卷积的代码/硬件，完美实现了纯内积（互相关）的功能。

深度学习中的“卷积”

如果你去看人工智能/深度学习中的 卷积神经网络（CNN），你会发现计算机科学家更直接。

在 CNN 里，卷积核（Kernel，即提取特征的模板）在图像上滑动，与局部像素对应相乘再相加。在这个过程中，计算机根本没有对卷积核进行翻转。

所以，深度学习里的“卷积层”，在数学严谨的定义上，百分之百就是互相关，也就是百分之百的滑动内积。科学家们只是借用了“卷积”这个行业习惯的称呼而已。卷积核就是那个指定的“特征模板”，哪个区域的内积最大，就说明那个区域含有该特征（比如猫耳朵、车轮）。

四大概念的“模板匹配”本质

匹配滤波卷积（Matched Filter）—— 时域的“形体匹配”

  • 它在找什么：在吵闹的噪声中，寻找发射出去的那个雷达波形藏在哪里。
  • 标准模板：发射信号的复共轭倒序。
  • 匹配过程：雷达发射了一个特定的脉冲（如 LFM 信号）。接收到的回波里全是噪声。匹配滤波通过卷积（相当于让模板在接收信号上滑动做内积），当滑到某个时间点，回波的形状和发射波形完全重合时，内积输出一个极高的峰值（Sinc函数尖峰）。
  • 对应相似度：寻找时间（距离）维度的最高相似度。

多普勒 FFT（Doppler FFT）—— 时域脉冲间的“相位旋转匹配”

  • 它在找什么：由于目标运动导致的、脉冲与脉冲之间的相位旋转频率（多普勒频率）。
  • 标准模板：一系列不同频率的复正弦波 ej2πfte^{j2\pi ft}（即 FFT 的基底）。
  • 匹配过程：雷达连续发射了多个脉冲，如果目标在动，每个脉冲回波的相位就会旋转一个固定的角度。FFT 的本质就是拿一堆不同速度旋转的复正弦波模板去跟这串脉冲的相位变化做内积。当某一个模板的旋转速度（频率）恰好和目标引起的相位旋转速度一致时，内积结果最大，形成谱峰。
  • 对应相似度：寻找频率（速度）维度的最高相似度。

阵列测角（DBF/数字波束形成）—— 空间维度的“相位差匹配”

  • 它在找什么：电磁波到达不同天线阵元时，由于路程差导致的空间相位差（波前倾斜度）。
  • 标准模板：导向矢量（Steering Vector）。即假设信号从 θ\theta 角度飞过来时，各个天线应该收到的理论相位差组合。
  • 匹配过程：天线阵列同时收到了信号，每个阵元上都有一个相位。测角算法（如常规波束形成）会让假设的角度 θ\theta 从 -90° 扫描到 +90°，产生无数个导向矢量模板。当假设的角度 θ\theta 恰好等于目标真实的来波方向时，模板与实际接收信号的相位完全对齐，内积叠加出最大值。
  • 对应相似度：寻找空间（角度）维度的最高相似度。

麦克风阵列 GCC 特征卷积（互相关）—— 声道间的“时间差匹配”

  • 它在找什么：声音到达麦克风 A 和麦克风 B 之间的绝对时间差（TDOA）。
  • 标准模板：麦克风 A 自身收到的信号（作为模板去匹配麦克风 B）。
  • 匹配过程：广义互相关（GCC）是将麦克风 A 的信号在时间轴上滑移，不断与麦克风 B 的信号做内积卷积。当滑移的时间 τ\tau 恰好等于声音从 A 走到 B 的真实时间差时，两个信号的波形完全重合，互相关函数输出最大值。
  • 对应相似度：寻找两通道间波形的最高相似度。

统一性

技术名称 匹配的维度 输入信号是什么 “标准模板”是什么 峰值代表的物理意义
匹配滤波 时间 (Time) 接收到的回波序列 发射波形的复共轭 目标的距离 (Range)
多普勒 FFT 频率 (Frequency) 跨脉冲的慢时间序列 各个频率的复正弦波 目标的速度 (Velocity)
阵列测角 空间 (Space) 各个天线阵元的信号 某角度的导向矢量 目标的角度 (Angle)
GCC 互相关 时延 (Delay) 麦克风 B 的信号 麦克风 A 的信号(移位) 声源的方位 (TDOA)
余弦相似度 方向 (Direction) 向量 a\mathbf{a} 向量 b\mathbf{b} 两个事物的相关性