6.2 智能与自适应天线：权重即波束

6.2 智能与自适应天线：权重即波束

本节摘要：智能天线是阵列加算法的系统：先由到达角估计判断信号与干扰"从哪来"，再按优化准则实时计算各单元权重，让波束指用户、零陷对干扰。第四章的固定加权升级为实时闭环，天线第一次真正"聪明"起来。大规模 MIMO、抗干扰卫星接收、雷达空域滤波共享同一套数学。

本节要解决的问题

本节回答：阵列如何按环境实时改波束、零陷深度由什么决定。读完你应当能够：

1. 描述智能天线"估计—加权—验证"的闭环流程；
2. 写出最大信噪比与最小均方误差准则下的最优权重形式；
3. 说明到达角估计的分辨率受孔径与快拍数约束的机理；
4. 区分波束形成与预编码在系统架构中的位置。

一、从固定权重到实时闭环

第四章的锥削权重是"出厂设置"：按统计假设把旁瓣压低，对真实环境不闻不问。智能天线把它升级为闭环：接收数据先做到达角估计（判断期望信号与干扰的方位），再按准则解出最优权重向量，权重下发到数字波束形成器，效果由残余干扰水平验证，环境变化时循环往复。整个链路的关键认知是：方向图是权重的函数——改变权重即改变波束，天线孔径在软件眼中只是一个可编程的滤波器组。

到达角估计的经典工具是子空间类算法：把接收协方差矩阵分解出信号子空间与噪声子空间，用两子空间的正交关系搜索来波方向。分辨率远超波束宽度（超分辨），但有两个食言条件——快拍数不足时子空间估计发抖，相干多径会让信号子空间"串味"，需要空间平滑等预处理补救。这解释了为什么实验室里惊艳的算法到快变信道要打折扣：算法假设与物理现实的时间尺度必须对齐。

二、最优权重：三种准则一个答案的骨架

设期望信号导向向量为 a，接收协方差为 R，三种常用准则的最优权重都长着相似的脸。最大信噪比准则：最大化权重输出信干噪比，解形如权值正比于协方差矩阵的逆乘导向向量；最小均方误差准则：让输出逼近参考信号，解为权值正比于协方差逆乘参考互相关向量；线性约束最小方差准则：约束期望方向增益恒定的前提下最小化输出功率——只压不知道方向的干扰时最合用。三者互为变形，共同骨架是"用数据的统计信息反推权重"。下面用一段可读的仿真把零陷效果显出来：

import numpy as np

n = 8                                       # 八元半波长线阵
d = 0.5
def steering(theta_deg):
    i = np.arange(n)
    return np.exp(1j * np.pi * d * i * np.sin(np.deg2rad(theta_deg)))

a_sig = steering(20)                        # 期望信号来自 20 度
a_int1, a_int2 = steering(-35), steering(55)  # 两部干扰
R = np.eye(n, dtype=complex) * 0.1
for a, p in [(a_sig, 1.0), (a_int1, 30.0), (a_int2, 30.0)]:
    R += p * np.outer(a, np.conj(a))        # 干扰功率远大于信号
w = np.linalg.solve(R, a_sig)               # 线性约束最小方差型解
th = np.linspace(-90, 90, 721)
af = np.array([np.abs(np.conj(w) @ steering(t))**2 for t in th])
af_db = 10 * np.log10(af / af.max())
print("20 度增益 0 dB；-35 度:", round(af_db[np.argmin(np.abs(th + 35))], 1),
      "dB；55 度:", round(af_db[np.argmin(np.abs(th - 55))], 1), "dB")
​

运行可见两个干扰方向被压出深零陷——算法在没有显式告知干扰方向的情况下，仅凭协方差统计就"看"到了它们。

三、架构账：从单元射频到系统预编码

智能天线的实现账分三层。射频层：每通道幅相一致性直接决定零陷深度——标称四十分贝的零陷，通道相位差零点几度就能缩水一半，校准网络因此成为标配（第七章测量会回到校准流程）。算法层：协方差估计与求逆的计算量随单元数立方增长，大规模阵列用子阵化、共轭梯度迭代降复杂度。系统层：蜂窝下行多用户场景里，波束形成与预编码的边界被重新划分——空间复用给多个用户同时发波束，权重矩阵由基带大规模 MIMO 统一求解，天线阵列退化为"执行末梢"。三层账叠起来，就是基站 massive MIMO 从"天线技术"长成"无线接入技术"的路径。

工程现场：卫通抗干扰的零陷保卫战。背景：某动中通卫星终端在港口区域频繁丢锁，现场存在强窄带干扰。操作：为终端阵列开启自适应零陷模式，用接收数据在线估计协方差并更新权重；针对干扰快变问题，把更新周期从百毫秒压到十毫秒级，并对通道做在线幅相校准。结果：干扰方向零陷稳定压低约三十分贝，载波环不再失锁。解读：零陷深度是"算法假设"与"通道现实"的乘积——算法留出的深度被通道误差吃掉后，剩余深度才决定实战表现；快变环境还要求更新速率跟得上干扰变化。变式：干扰方向已知且稳定时，可退回开环的约束置零方案，省去在线估计的计算与风险——自适应不是处处必要，闭环的价值在环境未知时才最大化。

五、混合架构与校准的衔接

数字波束形成最灵活也最贵，模拟波束形成最省也最僵，工程主流是混合架构：子阵内模拟移相、子阵间数字处理——4.3 的子阵化在算法侧的镜像。混合架构的权重自由度被压缩，自适应零陷的数量受限于子阵数而非单元数；干扰源多于子阵数时，算法只能按功率排序压制最强的几个，这是方案设计阶段就该核对的账。

自适应阵列对通道一致性的要求前文已强调，这里补一个工程接口：校准状态要随温度与频点成表，权值下发前按工作点查表预失真。许多“算法不收敛”的现场问题，根因是校准表过期而非算法本身——智能天线的运维成本，一半花在这张表上。

本节要点回顾

• 闭环三步：到达角估计、按准则解权重、效果验证，环境变了就再来一轮。
• 权重即波束：信噪比、均方误差、最小方差三准则同构，协方差统计是原料。
• 超分辨有食言条件：快拍不足与相干多径会让子空间算法失准，时间尺度要对齐。
• 通道一致性决定零陷深度：校准网络与在线校准是自适应系统的一部分，不是可选件。

单元会重构、阵列会自适应，还剩口径本身。最后一站：把整个口径摊平成可编程的超表面。