第15章 抗干扰技术（三）：数字信号处理滤波、自适应滤波算法应用
返回课程目录：FMCW激光雷达技术课程（公开版）
引言：干扰的挑战与数字滤波的机遇
在FMCW激光雷达系统中，环境光噪声、其他激光雷达的同频干扰、多径反射以及硬件非线性等因素会严重污染微弱的差频信号。传统的模拟滤波难以应对复杂多变的干扰场景。数 字信号处理（DSP）滤波技术，尤其是自适应滤波算法，为动态抑制干扰、提升信噪比（SNR）提供了强大的工具。
【原文此处有示意图，图片内容见源资料对应页面】
图：FMCW激光雷达数字信号处理抗干扰流程示意图
一、经典数字信号处理滤波技术
在ADC将模拟差频信号数字化后，一系列经典DSP滤波器可用于初步的干扰抑制和信号增强。
1. 数字滤波器类型
- 有限冲激响应（FIR）滤波器：线性相位，稳定性高，易于设计。
- 无限冲激响应（IIR）滤波器：阶数低，计算效率高，但需注意稳定性。
- 滑动平均滤波器：最简单的低通FIR，可平滑高频噪声。
- 匹配滤波器：最大化输出信噪比，适用于已知形状的信号。
2. 频域滤波技术
- 傅里叶变换（FFT）滤波：变换到频域，对特定频点进行置零或衰减。
- 谱减法：估计 噪声功率谱，从信号谱中减去。
- 小波变换去噪：多分辨率分析，有效处理非平稳噪声。
滤波器选择对照表
| 滤波器类型 | 主要优点 | 在FMCW LiDAR中的应用场景 | 注意事项 |
|---|---|---|---|
| FIR低通/带通 | 线性相位，稳定 | 抑制带外高频噪声，提取差频信号 | 阶数可能较高，计算量较大 |
| IIR滤波器 | 阶数低，效率高 | 实时性要求高的预处理 | 需监控稳定性，可能有相位失真 |
| FFT频域陷波 | 精准去除单频干扰 | 抑制已知固定频率的干扰（如其他雷达） | 需精确频率估计，可能造成信号损失 |
| 小波阈值去噪 | 适应非平稳信号 | 处理突发性、瞬态干扰 | 小波基与阈值选择关键 |
// 示例：基于窗函数法的FIR低通滤波器设计（MATLAB风格伪代码）
fs = 100e6; // 采样率 100 MHz
fc = 10e6; // 截止频率 10 MHz
taps = 64; // 滤波器阶数
// 生成理想低通冲激响应
n = -(taps-1)/2 : (taps-1)/2;
h_ideal = 2*fc/fs * sinc(2*fc/fs * n);
// 加汉明窗以降低旁瓣
window = hamming(taps)';
h_fir = h_ideal .* window;
// 频率响应分析
[H, freq] = freqz(h_fir, 1, 1024, fs);
plot(freq/1e6, 20*log10(abs(H)));
xlabel('频率 (MHz)'); ylabel('增益 (dB)');
title('FIR低通滤波器频率响应');
grid on;
二、自适应滤波算法原理与应用
当干扰特性未知或时变时，自适应滤波器能够根据输入信号自动调整系数，实现最优滤波。
1. 自适应滤波核心思想
通过一个可调数字滤波器，利用某种算法（如LMS, RLS）最小化误差信号，使输出尽可能逼近期望信号。
【原文此处有示意图，图片内容见源资料对应页面】
图：自适应滤波器基本结构（用于干扰对消）
2. 常用自适应算法对比
| 算法 | 原理 | 收敛速度 | 计算复杂度 | 适用场景 |
|---|---|---|---|---|
| 最小均方（LMS） | 基于最速下降法，使用瞬时梯度估计 | 慢 | 低 (O(N)) | 计算资源有限，干扰变化较慢 |
| 归一化LMS（NLMS） | 对输入功率归一化，提高稳定性 | 中等 | 低 (O(N)) | 输入信号功率变化大的环境 |
| 递归最小二乘（RLS） | 最小化加权误差平方和 | 快 | 高 (O(N²)) | 要求快速收敛，干扰变化快 |
| 仿射投影（AP） | 利用多个过去数据向量更新 | 较快 | 中高 (O(N*L)) | 折衷收敛速度与复杂度 |
// 示例：LMS自适应滤波算法核心迭代（C风格伪代码）
void lms_filter(float *x, float *d, float *w, int N, float mu, int len) {
float y, e;
for (int n = 0; n < len; n++) {
// 计算滤波器输出
y = 0.0;
for (int i = 0; i < N; i++) {
if (n-i >= 0) y += w[i] * x[n-i];
}
// 计算误差（期望信号 - 输出）
e = d[n] - y;
// 更新滤波器权系数
for (int i = 0; i < N; i++) {
if (n-i >= 0) w[i] = w[i] + 2.0 * mu * e * x[n-i];
}
// 此时 e 即为滤波后的“纯净”信号
}
}
// 参数说明：
// x[]: 参考输入（与干扰相关）
// d[]: 主输入（信号+干扰）
// w[]: 滤波器权系数（长度N）
// mu: 步长因子，控制收敛速度与稳定性
// len: 数据长度
三、在FMCW激光雷 达中的具体应用方案
应用1：同频雷达干扰对消
问题：多部同频段FMCW LiDAR同时工作，产生线性调频干扰。
方案：使用自适应噪声对消（ANC）结构。
- 主输入：接收到的混合信号（目标回波+干扰）。
- 参考输入：通过辅助接收通道或环境耦合获取的纯干扰参考。
- 算法：NLMS或RLS算法，实时估计干扰并减去。
应用2：多径反射抑制
问题：墙壁、地面反射导致虚假目标。
方案：结合空时自适应处理（STAP）。
- 利用阵列天线接收空间信息。
- 在空间和时间维度联合滤波，抑制来自特定方向的延迟信号。
- 需要较高的计算能力。
应用3：环境光噪声抑制
问题：太阳光、人造光引入的宽频噪声。
方案：频域自适应谱增强。
- 对信号分帧进行FFT。
- 估计每帧噪声基底（如利用静默期）。
- 应用自适应阈值进行谱减或维纳滤波。
实现流程建议
- 预处理：使用固定FIR/IIR滤波器进行初步带通滤波，限定信号带宽。
- 干扰检测：通过能量检测、谱分析等手段判断干扰是否存在及类型。
- 算法选择：根据干扰特性（窄带/宽带、平稳/非平稳）和系统资源选择滤波算法。
- 窄带固定干扰 → FFT陷波。
- 宽带时变干扰 → 自适应滤波（LMS/RLS）。
- 非平稳瞬态干扰 → 小波去噪。
- 参数调优：在仿真和实测数据上优化滤波器阶数、步长、遗忘因子等参数。
- 后处理与融合：对滤波后信号进行CFAR检测、峰值提取，并与原始数据交叉验证。
四、总结与展望
数字信号处理滤波与自适应算法为FMCW激光雷达提供了灵活、强大的抗干扰手段。经典DSP方法奠定了基础，而自适应滤波则赋予了系统应对未知和时变干扰的“智能”。
- 趋势一：算法硬件化：将LMS、RLS等算法固化在FPGA或ASIC中，实现纳秒级实时处理。
- 趋势二：机器学习融合：利用深度学习网络（如CNN、LSTM）直接从数据中学习干扰特征，实现更智能的抑制。
- 趋势三：联合优化设计：将波形设计（如调频序列编码）、光学系统与数字滤波算法联合优化，从源头降低干扰敏感性。
掌握这些数字抗干扰技术，是设计高性能、高可靠FMCW激光雷达系统的关键。