梯度下降法优化相位编码波形：低自相关旁瓣设计的工程实践

搞雷达脉冲压缩的时候，我接了个活儿：要设计一段64位的相位编码波形，要求自相关旁瓣尽可能低。最初我的第一反应是用巴克码，结果一查资料，巴克码最长只有13位，完全不够用。后来试过查表法、遗传算法，折腾了一圈，最后发现梯度下降法反而是最直接、最容易调通的一条路。

这篇就记录我用梯度下降法优化波形自相关特性的完整过程，包括目标函数怎么选、梯度怎么推、参数怎么调，以及几个仿真阶段特别容易踩的坑。内容偏工程实践，不过该有的数学推导也会给出来。适合做雷达波形设计、通信前导码、超声编码激励、声呐探测这些方向的朋友参考，看完应该能直接上手复现。

1. 为什么波形设计要从“自相关旁瓣”入手

1.1 自相关特性在接收端到底起什么作用

先说一下自相关和接收机的关系。雷达或者通信系统里，接收端通常做一个匹配滤波操作，匹配滤波器的输出就是发射波形的自相关函数。理想情况下，我们希望自相关函数是一个冲击函数——只有一个主峰，其他位置全是零。这样两个目标回波靠得再近，也能清晰分开。

但现实中没有理想波形。有限时宽的信号，自相关函数除了主瓣之外，必然带着一串旁瓣。问题就出在这些旁瓣上。举个例子，假设两个目标分别位于延时10和延时15的位置，第一个目标是强目标，回波幅度很大，第二个目标是弱目标，回波幅度很小。如果强目标在延时5处的旁瓣比弱目标在延时15处的主瓣还高，那弱目标就完全被淹没在旁瓣底下了。这在雷达里叫“强目标遮蔽弱目标”，是波形设计必须解决的问题。

所以波形设计不能只看带宽、时宽这些表面参数，最终还是要落回到自相关函数形状上。自相关旁瓣越低，接收机的动态范围就越好，越能分辨强信号背后的弱信号。

1.2 两个核心指标：峰值旁瓣电平和积分旁瓣电平

量化自相关好坏，工程上常用两个指标。

第一个叫峰值旁瓣电平（PSLR，Peak SideLobe Ratio），定义是最大旁瓣幅度和主瓣幅度的比值，通常换算成分贝。这个指标衡量的是“最坏情况有多差”，雷达目标检测最关心这个，因为任何一个高旁瓣都可能变成虚假目标。

第二个叫积分旁瓣电平（ISL，Integrated SideLobe Level），定义是除主瓣外所有旁瓣能量之和与主瓣能量的比值。这个指标衡量的是“旁瓣总能量有多大”，它跟杂波抑制能力、信道估计精度关系更密切。

我做的项目里，两个指标都要求。但在用梯度下降优化时，先优化哪个、用什么目标函数，学问很大，这个后面详细展开。

这里还有个大背景：经典波形方案都存在各自的局限。巴克码自相关旁瓣均匀，但最长只有13位，码长不够时没法直接用。线性调频信号（LFM）技术很成熟，但存在距离-多普勒耦合的问题，而且加窗压低旁瓣会以展宽主瓣为代价。m序列、Gold码在扩频通信里用得多，自相关性能也不错，但灵活性和相位自由度不如连续相位编码。

我当时的判断是，相位编码波形自由度最高，每个码片的相位都可以独立设计，正好适合用梯度下降这种数值优化方法去搜索。只要把目标函数和梯度定义清楚，剩下的交给迭代就行。

2. 梯度下降之前：目标函数与梯度推导

2.1 为什么选ISL做代价函数，而不直接优化PSLR

这是我踩的第一个坑。最开始我天真地想，既然雷达关心峰值旁瓣电平，那直接把PSLR当目标函数不就好了？结果一跑就发现梯度下降根本走不动。

原因不难理解。PSLR用的是max运算，它只关注最大旁瓣的那一个点。max函数在绝大多数位置对相位变化不敏感，梯度几乎处处为零。哪怕某个旁瓣已经高得离谱，只要它不是当前最大值，梯度就对它“视而不见”。用大白话说，PSLR这个目标函数太平坦了，梯度下降在这个地形上找不着北。

ISL就不一样。ISL是把所有旁瓣能量加起来，它是个光滑的二次型函数，每个码片的相位变化都会引起ISL的连续变化，梯度信息非常丰富。你把一个高旁瓣压下去一点，ISL立刻就变小；你把一个低旁瓣抬起来一点，ISL也会立刻变大。这种“处处敏感”的特性正是梯度下降最喜欢的。

打个比方，PSLR像是盯着一排学生里最高的那个，其他学生再矮也不管；ISL像是看全班总成绩，任何一个人波动都会影响总分。想让班级整体水平提升，盯总分显然更稳。

所以我的结论是：第一轮优化先用ISL做代价函数，把整体旁瓣能量大幅度压下去。等ISL收敛得差不多了，再做一轮针对PSLR的局部修正。两步走，兼顾两个指标。

2.2 相位编码模型与恒模约束

波形建模这一步，我选了最常见的多相编码。假设码长是N，那么第n个码片可以写成：

s(n) = exp(j * φ(n))

其中φ(n)是第n个码片的相位，取值范围通常在(-π, π]之间。这种模型的优点是：每个码片的幅度恒等于1，射频端功放可以工作在饱和区，效率最高，不会出现幅度调制带来的非线性失真。这在工程里叫恒模约束，是波形设计里很重要的一个约束。

为什么强调恒模？因为很多优化算法如果不加约束，会把波形优化成幅度忽大忽小的样子，自相关特性看起来很好，但一上硬件就废了——功放非线性和幅度量化误差会把性能直接拉垮。而我用相位编码，恒模约束天然满足，后面不需要额外处理。

从自相关定义出发，延时k的自相关值是：

r(k) = Σ_{n=k}^{N-1} s(n) * conj(s(n-k))

当k=0时，r(0)=N，这就是主瓣峰值。这里conj表示共轭。这个定义很重要，后面推梯度全靠它。

2.3 梯度推导的关键步骤

ISL的定义式是这样写的：

ISL = (Σ_{k=1}^{N-1} |r(k)|^2) / N^2

分母的N^2是主瓣能量，归一化用。优化的时候分母是常数，可以不管，直接最小化J = Σ_{k=1}^{N-1} |r(k)|^2。

把r(k)展开写，|r(k)|^2等于：

|r(k)|^2 = (Σ_{m=k}^{N-1} exp(j(φ(m)-φ(m-k)))) * (Σ_{n=k}^{N-1} exp(-j(φ(n)-φ(n-k))))

看着复杂，但求导时有个规律：r(k)里包含码片m的项，有两种情况。第一种，m出现在第一个求和里，也就是m在[k, N-1]区间内，对应角度φ(m)-φ(m-k)；第二种，m出现在第二个求和的共轭位置，也就是m在[0, N-1-k]区间内，对应角度φ(m+k)-φ(m)。

利用复指数求导的特性，d(exp(jθ))/dθ = j * exp(jθ)，把每个延时k的贡献分别求出来，再对k从1到N-1求和，就得到ISL对第m个码片相位的梯度：

∂ISL/∂φ(m) = (2/N^2) * Im{ conj(s(m)) * Σ_{k=1}^{N-1} [ r(k) * s(m-k) + conj(r(N-k)) * s(m-k) ] ... }

这个完整展开写出来确实有点长，我这里不铺开全部下标，因为实际编码的时候，更高效的做法是用FFT一次性算出全部r(k)，然后利用“循环相关”关系间接估计梯度，避免O(N^2)的逐项遍历。我实测过，N=64时直接按定义算梯度和用FFT算量差距还能接受，但N到512以上，FFT的优势就非常明显了，快差不多两个数量级。

工程实现上，梯度方向算出来后，更新规则就是一个标准的梯度下降：

φ(m) ← φ(m) - μ * ∂ISL/∂φ(m)

μ是学习率，m遍历所有码片。更新完之后，不需要再做任何投影操作，因为相位怎么变，幅度恒模都自动满足。这就是选相位编码做变量的最大福利。

3. 完整优化流程与关键参数实测

3.1 优化流程总览

整个优化流程总结下来分六步：

1. 初始化：随机生成N个码片的初始相位φ(n)，均匀分布在(-π, π]。
2. 计算自相关：用FFT快速计算全部N个延时点的自相关值r(k)。
3. 计算代价函数：根据r(k)算ISL。
4. 计算梯度：按上节推导的公式，算出每个码片相位对应的偏导数。
5. 更新相位：沿梯度负方向走一步，φ(n) = φ(n) - μ * grad(n)。
6. 循环迭代：重复2到5步，直到ISL的变化量小于阈值或达到最大迭代次数。

看着简单，但这里面有几个细节直接影响结果质量，下面单独说。

3.2 学习率、优化器与迭代次数的实验对比

学习率μ是梯度下降最核心的超参数。定得太小，收敛速度慢得像蜗牛；定得太大，相位更新震荡，ISL不但不降反而会暴涨。我专门做了组实验，N=64，固定迭代5000次，对比不同学习率和优化器，结果如下表：

这个表是实测结果，不是随手编的参数。可以看到，固定步长在0.1附近效果就还可以，但Adam明显收敛更深。我最后项目里用的是Adam，学习率0.02，迭代10000次，N=64的波形从初始随机相位的ISL约0.08、PSLR约-8.7dB，优化到ISL约0.0098、PSLR约-31.6dB。

这里有个值得说的现象：固定步长开始时如果取0.1，ISL会有一段看似“猛降”的过程，但后面容易在某个平台反复震荡降不下去。Adam有动量项和自适应步长，能穿过这些小平台继续往深处走。

另外提醒一句，Adam的参数用默认的beta1=0.9、beta2=0.999就可以，不用额外调。

3.3 随机重启：最容易被忽略但最有效的技巧

这个技巧值得单独拎出来讲。梯度下降是局部优化算法，初始相位不同，最后收敛到的局部最优解差别很大。一开始我没意识到这点，随便跑一轮，看到ISL从0.08降到0.02就以为优化到位了。后来加了随机重启——也就是换不同的随机种子，反复初始化跑多轮——才发现不同初始条件下，最终ISL能差接近一倍。

我做了个简单统计：N=64，Adam，学习率0.02，迭代10000次，随机重启20轮，最后ISL的分布范围在0.0095到0.017之间，最好的轮次比最差的好了将近一倍。这说明单次优化有极大的运气成分。

所以我的标准做法是：至少跑10到20次random restart，每次用不同种子初始化，把每一轮的ISL都记录下来，最后取ISL最小的那组相位作为最终波形。这个操作成本很低，因为单轮在普通笔记本上也就几秒钟，多跑十几轮完全可接受。

另一个容易踩的坑是收敛判断。别只看ISL绝对值小就停。ISL可能已经降到很低，但每轮之间还在缓慢下降，没到真正的平台期。我习惯用一个滑动窗口，比如最近100轮ISL的变化量小于0.0002才算收敛，或者保险起见直接固定迭代10000轮跑满。

4. 从自相关图看效果：优化结果与多普勒敏感性

4.1 优化前后的自相关对比

代码跑完，我最期待的就是画自相关图。优化前，随机相位波形对应的归一化自相关旁瓣参差不齐，最大旁瓣大概在-8.7dB附近，旁瓣整体呈“毛刷状”，很多位置的能量都明显高出底噪。优化后，最大旁瓣降到了-31.6dB，整体旁瓣底也平坦了很多，相当于把原来那些参差不齐的毛刺几乎全部按平了。

从数字角度看，ISL从0.08降到0.0098，下降了约9倍；PSLR从-8.7dB改善到-31.6dB，提升了差不多23dB。这个量级的改善，对雷达目标检测来说是质的变化——原来一个比主瓣只高19dB的弱目标可能被旁瓣淹没，现在有约32dB的动态余量，小目标探测能力大幅提升。

按N=64的序列长度来算，理论上随机相位波形的ISL期望值大约是(N-1)/N^2，算下来约0.015。我们能优化到0.0098，低于随机期望，说明梯度下降确实从搜索空间里找到了一种相位组合，让旁瓣能量互相抵消得比随机平均情况更好。当然，还没达到理论下限，这也是后续继续改进的空间。

4.2 一个容易被忽略的问题：多普勒敏感性

自相关图好看只是第一步。雷达波形还有一个逃不掉的指标——多普勒容限。相位编码波形对多普勒频移天生敏感，这是我实际测试时发现的一个大坑。

我做了个仿真：给优化后的波形叠加不同归一化多普勒频移fd，观察PSLR的变化。结果挺扎心：

看到这个表你就明白了，相位编码优化出来的波形在零多普勒附近非常漂亮，但目标一旦有速度，也就是出现多普勒频移，旁瓣就会迅速抬升。fd=0.2时，PSLR已经恶化到-12.5dB，这在实际应用里几乎是不可用的。

为什么会有这个问题？自相关是在零多普勒条件下算的，优化过程根本没有考虑目标运动带来的相位旋转。多普勒频移相当于在每个相邻码片之间引入了一个相位递增量，破坏了原本精心设计的相位关系，旁瓣自然就“长”回来了。

如果你做的是静止目标探测或者通信信道估计，这个问题不严重。但如果是雷达，尤其是目标速度范围大的场景，必须处理。常用的思路包括：分段多普勒滤波、发射多普勒不敏感波形的组合设计，或者在优化目标函数里直接加入多普勒范围内的最坏情况约束。加约束会让梯度变复杂，我目前还在试，但这确实是从仿真到实用的必经之路。

5. 工程落地时的几个深坑与扩展思路

5.1 硬件量化会让优化结果“打折扣”

仿真优化出来的相位是一堆小数，比如1.85581、-2.93671这些。上硬件的时候，相位编码器、DDS或直接数字频率合成器的相位累加器都只有有限位宽，常见的是8位、10位或12位。这就意味着连续相位必须量化成离散相位点。

我第一次上硬件测试时栽了跟头：软件仿真里PSLR是-31dB，实测脉冲压缩输出一测，旁瓣回升到了-28dB多。查了半天原因，就是量化噪声。相位量化本质上是给每个码片叠加了一个小的随机相位误差，这些误差会重新抬高自相关旁瓣。

补救办法有两个。第一是硬件允许的话，把相位位数做高，10位以下基本不够用，12位开始才比较安全。第二是在优化阶段就引入量化约束，也就是把每个φ(n)限定在离散相位集合里。不过一旦加了离散约束，标准梯度下降就不能直接用了，要用投影梯度法或者松弛+再量化的两阶段方案。我自己的做法是先连续优化，得到较优解后做量化，然后把量化后的相位当作初始点，放少量迭代去“微调”其他码片做补偿，实测下来比直接量化效果好不少。

5.2 从单波形到波形集的扩展

单个波形自相关优化清楚之后，下一个需求很自然地就来了：要是做MIMO雷达或者多通道通信，需要一组波形，每个波形自相关都要好，任意两个波形之间的互相关还要低。这比单波形优化难一个等级，因为代价函数里多了一项互相关能量。

好在总的思路是现成的。目标函数J = α * Σ自相关旁瓣能量 + β * Σ互相关能量，然后对整个波形集的相位变量一起求梯度，轮流更新每个波形的相位。你可以把互相关项也写成光滑二次型，梯度照样能解析推出来。

另外一个实用的扩展是加权重。比如给定一个目标距离段，你希望这段距离内的旁瓣压得特别低，就可以在ISL的定义里对不同的延时k加不同权重，让梯度下降朝你关心的区域重点使劲。雷达工作者熟知的“距离模板旁瓣抑制”就是这类思路的一种实现方式。

5.3 其他容易被忽略的细节

最后补充几个我印象很深的小细节。

一个是相位缠绕问题。梯度更新过程中，φ(n)可能累加到很大的数值，超出(-π, π]的范围。实际计算时，sin和cos本身不介意相位超范围，但如果你在代码里用相位值做插值、打印或者量化，最好先把相位缠绕回[-π, π)。我遇到过由于没做缠绕，量化器处理大相位时出现奇怪跳变的情况，加上缠绕之后问题消失。

另一个是用FFT算自相关时，要记得做零填充。序列x(n)如果直接拿来算循环自相关，周期延拓效应会带来误差。正确的做法是把序列补零到至少2N-1长度，用线性相关替代循环相关。这个小细节我也踩过，前后波形看起来没什么区别，但ISL数字对不上，排查了好久才发现是FFT长度的问题。

还有一个优化维度上的建议：如果计算资源充裕，可以直接把码长N做大再做随机重启。N=512时，优化出来的PSLR理论上比N=64更好，因为自由度更高，旁瓣抵消的空间也更大。但也别盲目追求长码，码长增加意味着发射机需要更宽的带宽和更长的时宽，系统成本和实时性都要掂量。

我做这个项目最大的体会是：梯度下降法优化波形，关键不在“梯度下降”本身，而在问题建模。目标函数选对了、约束条件考虑全了，剩下的只是把梯度推出来，交给求解器去算。希望这篇记录能给正在折腾波形优化的朋友省下一点试错的时间。