雷达每秒吐出 3.2 Gbps 数据，我们用什么算法把它装进 1 根网线？

雷达信号压缩封面

一、人类每天产生多少数据？

2025 年，全球每天产生约 120 EB（艾字节） 的数据。一部 4K 电影约 100 GB，这相当于每天拍摄 12 亿部 4K 电影。

这些数据大部分来自视频、社交媒体和各种传感器。我们能存储、传输如此庞大的数据量，一个功不可没的幕后英雄是数据压缩算法——ZIP、MP4、JPEG 早已融入数字生活的方方面面。

然而有一类极其特殊的工程数据，却能让这些通用算法集体“哑火”——

这就是雷达的 ADC 采样数据。

二、一台高速雷达的数据困境

一部典型的现代相控阵雷达，其 ADC（模数转换器）以 200 MSPS（每秒 2 亿次）的速率采样，每个采样点精度为 14-bit。

单路原始采样数据传输速率计算如下（200 MSPS 采样率 × 16-bit 内存对齐）：

$$
200 \times 10^6 \text{ Samples/s} \times 16\text{-bit} = 3.2 \text{ Gbps } (400 \text{ MB/s})
$$

而从前端雷达机箱到后端处理服务器，往往受限于体积与成本，通常只布设了一根 千兆以太网（1 GbE）。除去包头与协议开销后，其有效载荷速率仅约 950 Mbps（约 118.75 MB/s）。

物理矛盾：3.2 Gbps 原始数据流 → 950 Mbps 传输管道
核心诉求：必须实时无损压缩至原来的 1/3.37（即约 29.6% 空间）以下。

注意这里的关键限制：无损压缩。

雷达探测微弱目标高度依赖精确的相位与幅值细节。哪怕丢失 1-bit 的低位精度，后续的脉冲压缩、多普勒处理和 CFAR 虚警检测都可能发生失效。因此，常规视频音频领域常用的有损压缩（如 H.264、MP3）在原始数据传输环节根本无法直接施展。

三、通用压缩算法为何在雷达上“水土不服”？

算法分类	核心原理	在雷达数据上的致命缺陷
LZW / LZ77（.zip / .gz 依赖）	在数据流中寻找重复出现的子字符串，建立字典索引进行替换	雷达数据中 90% 以上的采样点是热噪声（呈零均值高斯分布，完全随机）。字典找不到任何重复模式，不仅无法压缩，还会因添加字典索引而产生反向膨胀。
全局差分（DPCM）	计算相邻采样点的差值 Δx[n] = x[n] - x[n-1]，利用差值变小来降低熵	数学陷阱：两个独立的零均值高斯白噪声做差，新变量的方差变为原来的 2 倍（标准差 σ_Δ = √2 σ）。熵从 3.84 bits/sample 暴增到 5.13 bits/sample，压缩效果不升反降。
Huffman / 算术编码	用短码字表示高频符号，长码字表示低频符号	时序灾难：需要全局多周期符号统计与复杂乘法器。在 200 MHz 的 FPGA 流水线（每拍仅 5 ns）里极难实现时序收敛与高吞吐率。

通用压缩算法失效的根源在于：雷达信号具有极其特殊的统计分布特征。

通用算法往往假设数据要么具有“结构性重复”（如文本/代码），要么具有“缓变连续性”（如图像/语音）。而雷达原始 ADC 数据呈现出典型的极度稀疏双峰分布：

90% 以上的采样时隙：无目标回波，仅为低幅值热噪声，幅值集中在零点附近极窄的范围内（标准差 σ ≤ 3 LSB），高位面几乎长期静止。
不足 10% 的采样时隙：强目标回波到达，能量陡增，幅值可达 ±250 LSB 以上，动态范围极大。

正是这种“高位高度稀疏、低位纯随机白噪声”的结构，为专用压缩算法指明了方向。

四、两种雷达专用无损算法：路线对比

针对上述特性，业界衍生出了两条主要技术路线：Golomb-Rice 编码 与 位面分解与重组。

路线一：Golomb-Rice 编码

Golomb-Rice 编码是一种针对“绝大多数数值接近零”的指数分布数据设计的熵编码方法。

它将每个采样值 x 拆分为高位商 q 与低位余数 r：

$$
q = x \gg k, \qquad r = x \text{ AND } (2^k - 1)
$$

商 q 采用一元码（Unary Code，即 q 个 1 后接一个 0）编码，余数 r 则直接保留 k bit 原始二进制。当 90% 的采样幅值很小时，q 几乎恒为 0，编码长度大幅缩减。

优点：所有的除法与取模退化为移位与按位与，FPGA 硬件实现开销极低；且内置止损机制，遇到纯白噪声可自适应旁路透传。
代表标准：航天无损压缩标准 CCSDS 121.0-B-2。

路线二：位面分解与重组（Bit-Plane Decomposition）

这是目前地面高速雷达 FPGA 加速领域最主流的方案。

1. 位面拆分

对于 14-bit 采样点，从最高位（MSB，bit[13]）到最低位（LSB，bit[0]），逻辑上可分为 14 个独立层。

位面分解将连续 N 个采样点（例如 N = 1024）的同一位提取出来，拼成一条 1-bit 宽的比特向量：

$$
\text{Bit-plane}{k} = \left[ x_0[k],; x_1[k],; x_2[k],; \ldots,; x{N-1}[k] \right]
$$

原先 14 × N bit 的二维数据阵列，被转置为 14 个独立的比特平面。

2. 分层处理策略

利用香农熵衡量不同位面的信息特征：

高位面（bit[13] ~ bit[7]）：由于绝大多数时间数据幅值微小，高位面充斥着大量的连续 0。信息熵接近 0 bit/symbol，极度适合采用游程编码（RLE, Run-Length Encoding）进行高效压缩。
低位面（bit[2] ~ bit[0]）：主要充斥着不可预测的热噪声与量化噪声，信息熵接近 1 bit/symbol。任何压缩尝试都会导致数据膨胀。对低位面最聪明的做法是直通旁路（Bypass），原样传输。

采样序号:     s0   s1   s2   s3   s4   s5   s6   s7
值 (二进制):  0000 0000 0000 0010 0011 0000 0000 0000

bit[3] (MSB): 0    0    0    0    0    0    0    0   -> 全零，RLE 一字编码
bit[2]:       0    0    0    0    0    0    0    0   -> 全零
bit[1]:       0    0    0    1    1    0    0    0   -> 游程编码紧凑表示
bit[0] (LSB): 0    0    0    0    1    0    0    0   -> 高熵旁路透传

3. 符号-幅度转换预处理

雷达 ADC 默认输出补码（Two’s Complement）。补码在零点跨越（如 +1 → -1）时，最高位会发生大量 01111... 与 10000... 的全位翻转，破坏高位面的全零连续性。

因此在分解前必须执行 符号-幅度（Sign-Magnitude） 转换：

$$
\text{sign-bit} = \text{sign}(x), \qquad \text{magnitude} = |x|
$$

转换后，数值幅值直接映射在低位，高位面的长游程稀疏性得到完整保留。

五、两条算法路线的正面对比

评估维度	Golomb-Rice 编码 (CCSDS)	位面分解与重组 (Bit-Plane)
核心机制	小幅值映射为短商码	高位面全零游程压缩 + 低位面旁路
噪声抗膨胀	块级熵评估自适应旁路	硬件固定低位面 Bypass
FPGA 实现复杂度	移位与一元码打包，逻辑资源少	矩阵转置 + 游程编码 + 树状变长对齐合并
雷达场景适应性	适合中低速率、连续下行（卫星载荷）	适合 200+ MSPS 超高速地面雷达 FPGA 实操

六、FPGA 200 MHz 实时流水线实现

位面分解在 FPGA 上实现 200 MHz 实时吞吐的核心工程设计包括：

完全无反压前向流水线：将转置、符号转换、RLE 编码与打包拆解为纯流水级，数据按时钟逐拍流过，确保 200 MSPS 零丢帧；
变长码字树状拼装网络：游程编码产生的码字长度动态变化，通过级联桶形移位器与树状合并网络，在单拍内将变长比特流对齐到 128-bit 宽的 AXI4-Stream 总线上；
以太网巨型帧（Jumbo Frames）优化：将 MTU 从默认 1500 字节提升至 9000 字节，将网络协议头开销从 4.3% 降低至 0.73%，使千兆网线的实际有效吞吐率提升至 992 Mbps。

七、工程实践落地方案与真实经验

在将理论算法推向实际工程雷达系统的过程中，团队积累了以下三条关键落地经验：

7.1 无损压缩的实际物理瓶颈（实测压缩率约 50%）

在理想数学模型或人工构造的稀疏数据集中，位面分解可以轻松达到 3:1 甚至更高的压缩比。然而在真实的雷达硬件环境中：

热噪声是普遍存在的物理背景，在 14-bit ADC 中，通常末尾的 3~5 位完全被随机白噪声占据；
实测经验：在包含真实环境热噪声与背景杂波的雷达原始信号中，位面分解与重组的无损压缩率在实践中普遍只能达到约 50%（即 2:1 左右的压缩比）。

这意味着，对于 3.2 Gbps 的原始采样数据，即便经过无损压缩，数据速率依然维持在约 1.6 Gbps。如果传输通道严格限制在 1 GbE（有效载荷 950 Mbps）以内，仅靠无损压缩是无法完全消化全部原始带宽的。

7.2 实际系统中的前置信号处理：滤波、抽取与降频（DDC 算例）

为了让数据量真正适配传输带宽，工程上最常用且最有效的手段是在压缩之前进行前置信号处理——即数字下变频（DDC）、低通滤波与抽取降频。

通过将射频/中频信号下变频到零中频（Zero-IF），信号转变为复数 IQ 两路数据，并可以通过抽取滤波器大幅降低采样率。

典型工程计算算例：

假设原始高采样率信号经 DDC 滤波抽取后，频带降至 25 MSPS：

每秒生成 25 M 个复数采样点；
每个采样点包含 I 路（16-bit / 2 字节） 与 Q 路（16-bit / 2 字节），即单个 IQ 点占用 4 字节；
未压缩前的原始数据传输带宽为：

$$25 \text{ MSPS} \times 2 (\text{I/Q}) \times 2 \text{ Bytes} = 100 \text{ MB/s}$$

换算为网络比特率：

$$100 \text{ MB/s} \times 8 \text{ bit/Byte} = 800 \text{ Mbps}$$

效果评估：经过 DDC 抽取降频后，未压缩数据带宽直接从 3.2 Gbps 降至 800 Mbps（100 MB/s），已经安全落入千兆以太网 950 Mbps 的承载范围之内！此时再叠加 50% 的位面无损压缩，传输带宽可进一步降至 400 Mbps（50 MB/s），为多通道扩展或系统冗余留出了充裕的空间。

7.3 突破带宽极值的最终选择：丢弃噪声的有损压缩（只压缩信号）

对于某些无法进行深度抽取降频（必须维持极高瞬时观察带宽）的雷达系统，若 50% 的无损压缩率仍无法满足极窄信道需求，工程上会转向只压缩信号、丢弃噪声的有损压缩策略：

背景噪声裁切（Noise Thresholding）：雷达目标在时空域具有高度稀疏性，而 90% 以上的空域/时域样本仅为无价值的热噪声。利用自适应门限判定，将低于门限的背景噪声直接置零或抹除；
有损量化与编码：对保留下来的有效目标脉冲段进行高精度传输，对无目标背景区仅传输游程标号或零掩码。

工程结论：这种“丢弃噪声、精细保留信号”的有损压缩机制，能够实现 5:1 至 20:1 的超高压缩比，在远距离无线数据链或极窄带宽传输场景中，是保障雷达核心探测性能的关键兜底方案。