03 IQ不平衡校正：直流偏置与幅度相位失配的实时补偿算法

🎯IQ不平衡的来源与实时校正目标

IQ不平衡校正要确认的对象和结果

在雷达脉冲数据采集与零中频接收机中，I/Q两路模拟链路的增益、相位以及直流偏置不可能完全一致。这种硬件失配会导致镜像频率干扰，在频谱上表现为目标信号对称位置出现虚假峰值，严重时甚至淹没真实回波。本节的核心任务是在数字域实现实时补偿，核心对象是IQ不平衡校正（IQ Imbalance Correction），其边界条件包括：直流偏置（DC Offset）必须在幅度/相位校正前被消除，否则后续自适应算法会收敛到错误解

本节涉及的IQ识别边界（IQ Identification Boundary）是指：校正算法必须明确区分哪些失真属于接收机固有特性（如混频器不平衡），哪些属于时变因素（如温度漂移）。对于雷达脉冲数据入验证结果（Radar Pulse Data Input Validation Result），通常需要在系统启动阶段采集一段已知的测试单音信号，用于初始化校正系数，再切换至正常工作模式

🧩Gram-Schmidt正交化：拆解幅度与相位失配

Gram-Schmidt正交化是一种确定性的开环校正方法，适用于失配参数缓慢变化或可预先标定的场景。其核心思想是将非正交的I/Q两路信号重新投影到一组标准正交基上。设原始I路信号为 \( I(t) \)，Q路信号为 \( Q(t) \)，校正后的正交信号为 \( I'(t) \) 和 \( Q'(t) \)

Gram-Schmidt拆解关系（Gram-Schmidt Decomposition Relation）可表述为：

• 第一步：直流偏置估计。分别计算 \( I(t) \) 和 \( Q(t) \) 的长时间均值 \( \overline{I} \) 和 \( \overline{Q} \)，从原始信号中减去得到 \( I_{ac} = I(t) - \overline{I} \)，\( Q_{ac} = Q(t) - \overline{Q} \)
• 第二步：幅度归一化。计算 \( I_{ac} \) 的均方根值 \( \sigma_I \)，将 \( I_{ac} \) 归一化为单位功率：\( I_n = I_{ac} / \sigma_I \)
• 第三步：正交投影。计算 \( Q_{ac} \) 在 \( I_n \) 上的投影系数 \( \rho = \mathbb{E}[Q_{ac} \cdot I_n] \)，则校正后的Q路为 \( Q' = (Q_{ac} - \rho \cdot I_n) / \sqrt{1 - \rho^2} \)

以下伪代码展示了基于滑动窗口的Gram-Schmidt实时实现，窗口长度 \( N \) 通常取1024或2048个采样点：

def gram_schmidt_correction(I, Q, N=2048):
    # 直流偏置估计（滑动均值）
    dc_i = np.mean(I[-N:])
    dc_q = np.mean(Q[-N:])
    I_ac = I - dc_i
    Q_ac = Q - dc_q
    # 幅度归一化
    sigma_i = np.sqrt(np.mean(I_ac[-N:]**2))
    I_n = I_ac / (sigma_i + 1e-12)
    # 正交投影
    rho = np.mean(Q_ac[-N:] * I_n[-N:])
    Q_corr = (Q_ac - rho * I_n) / np.sqrt(1 - rho**2 + 1e-12)
    return I_ac, Q_corr

阅读这段代码时，重点看IQ不平衡校正的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

关键字段说明：dc_i 和 dc_q 是直流偏置估计值；rho 是I/Q两路的相关性系数，当硬件完全匹配时趋近于0；分母中的 1e-12 用于防止除零。该算法在单音测试信号下可将镜像抑制比从20 dB提升至50 dB以上

⭐LMS自适应校正：动态跟踪与验证

当接收机工作环境温度变化剧烈或存在器件老化时，Gram-Schmidt的固定系数无法满足长期稳定性。此时需要引入LMS自适应校正（LMS Adaptive Correction），它通过最小化误差信号来在线更新滤波器系数，实现幅度与相位的实时跟踪

LMS验证结果（LMS Validation Result）通常通过观察误差信号的功率谱密度来判断：若校正收敛，镜像频率处的功率应下降至噪声基底附近。以下是一个基于LMS的IQ不平衡校正伪代码片段，采用minimum_workflow识别边界（Minimum Workflow Identification Boundary），即仅需I/Q两路输入和一个参考信号：

def lms_iq_correction(I, Q, mu=0.01, taps=4):
    # 初始化：滤波器权值、直流估计
    w = np.zeros(taps)
    dc_i_hat = 0.0
    dc_q_hat = 0.0
    for n in range(len(I)):
        # 更新直流估计（一阶低通）
        dc_i_hat += 0.001 * (I[n] - dc_i_hat)
        dc_q_hat += 0.001 * (Q[n] - dc_q_hat)
        I_ac = I[n] - dc_i_hat
        Q_ac = Q[n] - dc_q_hat
        # 构造输入向量：利用I路延迟线估计Q路失真
        x = np.array([I_ac, I_ac_prev1, I_ac_prev2, I_ac_prev3])
        error = Q_ac - np.dot(w, x)
        w += mu * error * x  # LMS更新
        # 更新延迟线
        I_ac_prev3 = I_ac_prev2
        I_ac_prev2 = I_ac_prev1
        I_ac_prev1 = I_ac
    return w  # 最终权值用于后续校正

阅读这段代码时，重点看IQ不平衡校正的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

该代码中，mu 是步长因子，控制收敛速度与稳态失调的平衡；taps 为滤波器阶数，通常取2~4即可覆盖主要的幅度/相位失配。工程中需注意：步长过大可能导致发散，建议在调试阶段先用 mu=0.005 起步，观察误差信号是否单调下降

⭐异常信号与处理边界

IQ不平衡校正的常见故障包括校正发散、收敛到错误解以及引入额外噪声。以下判断标准表可帮助工程人员快速定位问题：

最后，针对雷达脉冲数据入验证结果（Radar Pulse Data Input Validation Result），建议在系统初始化阶段执行一次完整的校正流程：先发送一段已知的连续波（CW）信号，记录校正系数；然后切换至脉冲模式，观察脉冲压缩后的峰值位置是否与理论值一致。若发现峰值偏移超过半个距离单元，应重新触发校正系数更新