掌握IQ信号在课程导论中的定位、故障信号与验证顺序。
课程导论能跑不代表稳定，真正要确认的是对象边界、状态变化和验证证据。
本节围绕IQ信号建立一条更容易复测的联调路径。
当你第一次面对雷达中频采集卡输出的原始数据流时，看到的往往不是清晰的回波，而是一串交织的、带有直流偏置和相位噪声的复数序列。这个序列就是 IQ信号（In-phase and Quadrature Signal）——雷达脉冲处理的基础单元。许多初学者会误以为IQ信号只是“两个通道的电压值”，从而在后续的脉冲压缩、动目标检测（MTI）和CFAR处理中反复遇到相位失配、镜像频率泄露等问题
本课程的核心任务，就是帮你建立从“天线馈入的模拟射频信号”到“可用于目标检测的数字IQ数据”之间的完整工程映射。你将不再把IQ信号看作黑盒，而是能够识别其边界条件：IQ采样率与脉冲带宽的匹配关系、I/Q两路的增益不平衡校正，以及零中频架构下的直流偏置消除。这些正是工程实践中80%以上IQ相关故障的根源
IQ信号不是“两个数据点”，而是复包络的实部与虚部。误将IQ当作独立双通道处理，会导致后续所有脉冲压缩结果出现虚假目标
本课程采用 Python + MATLAB 双轨工具链，两者在雷达数据流工程中有明确的拆解关系：
numpy 处理IQ数据矩阵，用 scipy.signal 设计匹配滤波器，并用 matplotlib 绘制距离-多普勒图。Python 的灵活性让你能在 10 分钟内完成一个脉冲压缩算法的正确性验证Phased Array System Toolbox，你可以搭建包含发射波形、目标模型、噪声、天线方向图在内的完整仿真链路，并输出标准化的IQ数据用于后续处理两者的协作关系是：Python 做“对不对”的快速检查，MATLAB 做“好不好”的系统权衡。例如，当你怀疑脉冲压缩结果中出现旁瓣异常时，先用 Python 的 plt.plot 观察时域波形，确认问题后，再回到 MATLAB 中调整窗函数类型并重新仿真
某车载雷达项目在路测中发现静止目标检测虚警率偏高。工程师先用 Python 脚本读取路测IQ数据，绘制距离-多普勒图后发现静止目标附近存在周期性旁瓣。随后在 MATLAB 中复现该场景，通过调整 phased.LinearFMWaveform 的 SweepBandwidth 和 PRF 参数，将旁瓣抑制了 12 dB，虚警率降至可接受范围
本课程交付的工程能力聚焦在 IQ信号识别与雷达脉冲数据入拆解关系 上。具体而言，学完本课后你将能够：
np.mean 和 np.var 评估直流偏置与增益不平衡，并编写校正函数同时，本课程明确不覆盖以下内容：射频前端硬件设计、天线阵列校准、目标跟踪滤波算法、以及雷达点云后处理。这些属于雷达系统的其他工程边界，本课程专注于“IQ数据进入数字处理单元后的第一公里”
拿到一份雷达IQ数据后，第一件事不是做FFT，而是执行 np.mean(data, axis=1) 检查I/Q两路的直流偏置。若均值偏离零点超过信号幅度的5%，必须先做直流消除，否则后续所有处理都会引入虚假目标
下表从工程实践角度对比两者在雷达IQ处理中的典型应用场景，帮助你根据当前任务选择最合适的工具：
认为“Python 做不了雷达系统仿真”。实际上，Python 的 pyradar 和 scikit-rf 库已能完成中等复杂度的链路仿真，只是缺少 MATLAB 工具箱那样的统一封装。本课程会教你如何用 Python 快速验证，再用 MATLAB 做正式仿真
最后，请记住本课程的 learning_goal验证结果：当你能够独立完成“读取IQ数据 → 检查信号质量 → 执行脉冲压缩 → 输出距离-多普勒图”这一完整流程时，你就已经掌握了雷达脉冲数据入拆解关系的核心能力。本课程的所有章节都将围绕这一目标展开，每一步都配有可运行的代码示例和验证方法