matlab匹配滤波器的制作在一堂课中使用匹配滤波器进行了LFM信号处理，所以我打算写下来，如果有错误的话请在评论区域指出。 时间(12月21日)。
清除全部，clc； %基本变量的申请fs=2000 * 100000； %采样的频率Ts=1/fs； %采样周期N=2000； %采样点数t=(-n:n ) ts； %时间矢量T=0.00001； 创建%信号周期LFM信号。 syms S_a S_b real； %申请2个实数变量，a为实部，b为虚部S_a=1； %设定宽度S_b=1； B=40 * 1000000； k=B/T； S_amplitude=1； %信号s的振幅l=length(t； forii=1:lifABS(t(ii ) ) t/2s _ signal (ii )=exp ) 1j * pi * k * t (ii ) ) * t (ii ) ) ) )； 建立%指数信号elses_signal(ii )=0； 创建结尾%薄睫毛白噪声信号noise=awgn(s_signal，10 )； %冲击对应K=1； t0=0； h=S_signal '； 由于%载波频率为0，所以这里将共轭%设为傅立叶变化N1=L； %采样点y=FFTshift(FFT(noise )； x=FFTshift(FFT(s_signal )； 相对于%原信号，FFTff=0:fs/(L-1 ) :fs； ff=ff-fs/2； %经由系统的输出信号sout=conv(noise，h，' same )； %sout=sout/max(sout； soutFFT=FFTshift(FFT ) sout )； * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * % *以下为绘图操作%LFM信号的振幅频谱figure((1) )； subplot (1，1，1 )； plot(ff，ABS ) x )； title(LFM信号频谱)； xlabel(w/Hz )； 宽度； %LFM信号的图%实数部分figure(2； subplot (2，1，1 )； plot(t，real ) s_signal )； title(LFM信号real part )； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-1.2 ]； %虚数部分subplot(2、1、2 )； plot(t，imag ) s_signal )； title(LFM信号imainary part )； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-1.2 ]； %噪声后的输出信号的波形%实数部分figure(3； subplot (2，1，1 )； 打印(t，real ) noise )； title(LFM信号淡睫毛淡睫毛白噪声信号real part )； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-1.5 ]； %虚数部分subplot(2、1、2 )； 打印(t，imag ) noise )； title(LFM信号淡睫毛淡睫毛白噪声信号imaginary part )； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-1.5 ]； %谱图figure(4； subplot (1，1，1 )； 打印(ff，ABS ) y )； title(LFM信号噪声后频谱图)； xlabel(w/Hz )； 宽度； %脉冲响应的波形%实数部分figure(5； subplot (2，1，1 )； 打印(t，real(h ) h )； title(h ) t )实时部件)； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-1.2 ]； %虚数部分subplot(2、1、2 )； plot(t，imag(h ) h )； title(h ) t )图像部件)； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-1.2 ]； %系统过度后的输出信号的波形%实数部分figure(6； subplot (2，1，1 )； 打印(t，real ) sout )； 标题(sout real part )； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-150150 ]； %虚数部分subplot(2、1、2 )； plot(t，imag ) sout )； 标题(soutimaginarypart )； xlabel(t/s )； 宽度； axis ([-1/100000/21/100000/2-120120 ]； %光谱figure(7； subplot (1，1，1 )； plot(ff，ABS ) soutFFT )； 通过title ()匹配滤波器后的光谱)； xlabel(w/Hz )； 宽度； 匹配滤波器的理论分析一、线性调频信号
LFM (线性调频)大时的宽带乘积信号被广泛应用于雷达。 我们先来看看线性调频信号的公式：
可以看到，线性调频信号的频率随时间而变大，LFM信号的w满足以下公式：
可知w和t满足线性关系，其中k是w的变化率，fc是w的初始值。
二、理论分析
1 .浅睫毛白噪声
因为我们加入了淡睫毛白噪声信号，所以淡睫毛白噪声信号的功率谱密度在各个频带都是一定的值，满足n~(()、2 )。 2表示噪声平均功率；
2 .设置匹配过滤器
匹配过滤器表达式：
试着按匹配过滤器。
我们先进地进行卷积运算：
信噪比：
最后总结：
因此，要说我们使用匹配滤波器的作用是什么，其实我们使用匹配滤波器不是为了恢复这个波形，而是需要得到这个信号的一部分信息； 显然，利用匹配滤波器，我们可以在接收LFM信号时使脉冲形成，并且可以获得LFM的时间信息，从而得到我们所需的测量。
在这篇文章中，我们设计读者的课堂笔记。 如果有错误的地方，请指出来。