2.2 空间信道建模统计与几何两条路

2.2 空间信道建模：统计与几何两条路

本节摘要：容量公式需要"真实的 H"才能算出有意义的数字，而真实 H 只能靠建模。信道模型有两条路线：统计派用相关矩阵把信道压成几个数字，快但失真；几何派用散射簇参数把环境还原成可测量的几何结构，真实但繁琐。本节讲清两条路的取舍，介绍 3GPP 38.901 的 UMi / UMa / RMa 三类场景，以及角度扩展、时延扩展、功率延迟谱这些参数到底是从哪台仪器测出来的，最后说明模型怎么被用进仿真与标准。

核心问题

阅读完本节，你应当能够：

1. 区分相关矩阵模型（统计派）与几何随机模型（散射簇派）各自的输入、输出与失真来源
2. 说出 3GPP 38.901 中 UMi、UMa、RMa 三类场景分别刻画什么传播环境
3. 解释角度扩展、时延扩展、功率延迟谱、到达角与离开角这些参数如何从信道探测仪得到
4. 说明为什么纯独立同分布瑞利模型被称为"统计幻觉"，以及在什么场景下它仍然够用
5. 判断一项仿真该用统计模型还是几何模型，依据是什么

一、为什么需要模型，而不只是公式

上一节我们假设 H 是独立同分布瑞利矩阵——每个元素都是零均值复高斯变量。这个假设让公式优雅、可解，但它在物理上几乎不成立：天线间距小于半波长就强相关，城市街道会天然把信号限制在某个角度范围内形成"信道簇"，室内更是强非平稳。

模型存在的意义，是在保真度与可用性之间找平衡：既要够贴近真实传播，又要够简单能被仿真和标准化复用。这就是两条路线的分野。

二、统计派：相关矩阵模型

统计派不关心信号从哪面墙反射，只关心"天线之间有多相关、整体能量多大"。它把信道压缩成几个统计量：路径损耗、阴影衰落、以及最关键的天线相关矩阵 R。

H = R_rx^{1/2} · H_w · R_tx^{1/2}
​

其中 H_w 是白噪声矩阵，R_rx、R_tx 是接收与发射端的相关矩阵。只要知道这几个矩阵，就能生成一大堆符合统计特性的 H，计算极快。

优点是轻量、可解析、适合做理论推导；缺点是丢掉了所有几何成因——它告诉你"相关性是多少"，却不告诉你"为什么是这个角度"。在天线相关性主导、细节不重要的场景（比如早期容量研究）够用，但一旦要仿真波束赋形或大规模阵列，它就失真严重。

统计模型并非一无是处。在只需要回答"上界大概在哪"的理论研究里，它快得无可替代：一行相关矩阵就能生成上万次信道实现，做蒙特卡洛平均。它的失效边界也很清楚——只要问题涉及方向（波束指向、到达角分布、阵列几何），就必须换几何模型。一个实用的经验法则是：凡是要算"空间"二字的地方，统计模型就不够；凡是只关心"统计特性"的地方，几何模型的繁琐就是浪费。这也是为什么同一篇论文里常出现两种模型混用：上界推导用统计，波束仿真用几何，各取所长。

三、几何派：散射簇模型与 3GPP 38.901

几何派反过来：它把环境抽象成有限个"散射簇"，每个簇有中心到达角、中心离开角、角度扩展、时延、簇内功率。信号在簇之间反弹，由此算出每条路径的幅度和相位。

3GPP TR 38.901 是这套思想的集大成者，按环境分成三类场景：

模型参数都来自真实测量仪器——信道探测仪（Channel Sounder）。它发一串已知序列，在接收端解出发射到接收的所有多径分量，从而测出每条路径的到达角、离开角、时延和功率。把这些聚合成角度扩展、时延扩展、功率延迟谱，就得到可复现、可标准化的模型参数。工程师在仿真平台里加载 UMi 参数，等于"克隆"了一个真实的城市微蜂窝。

图 2-2：几何派把环境抽象成散射簇

四、三代模型的演进

建模本身也经历了三次转向：

1. 理论阶段（1990s–2000s 初）：纯独立同分布瑞利，成就了大量理论，但被称为"统计幻觉"——它隐含"任意两根天线完全不相关、散射无限丰富"，现实中几乎不成立。
2. 经验主义矫正（2000s 中–2010s）：WiMAX 论坛、欧洲 COST273 项目大规模实测，催生几何随机模型，3GPP 25.996（LTE）与 38.901（5G）是集大成者，以"可测量、可复现、可标准化"为最高准则。
3. 机理融合（2020s–今）：射线追踪给出厘米级确定性响应但算力昂贵；物理信息神经网络把麦克斯韦方程作为软约束；混合模型以 SCM 为骨架、射线追踪为肌肉、AI 为代理，兼顾保真度与效率。

五、模型怎么进仿真与标准

理解了两条路线，还要知道它们怎么被用。标准化的信道模型（如 38.901）是"公共语言"：芯片厂商、基站厂商、运营商都用同一套参数做链路级和系统级仿真，这样不同家的设备才能在同一基准上比性能。统计模型则常驻在理论论文和快速原型里，用来推导闭式上界。

一个容易忽略的点：模型参数本身会随频段剧烈变化。毫米波频段波长变短，散射体相对尺寸变大，角度扩展往往更窄、信道更稀疏，所以 38.901 对 FR2（毫米波）单独给出参数。用错了频段参数，仿真结论会系统性偏离真实部署。

建模还有一类"看不见的误差"值得单列。其一是簇数量与功率分配的过简化：标准模型给的是典型统计均值，但某次具体实测可能多一个强反射簇，模型没捕捉到，结果仿真里没出现的强干扰在现网里出现了。其二是非平稳性：用户在街道里走几步，散射环境就换了一茬，而静态模型假设观测窗口内平稳，用它做长时间平均会掩盖瞬态。其三是材料参数的缺失：玻璃幕墙的菲涅尔反射、人体组织的吸收，都不是几个角度扩展能概括的，这正是射线追踪和混合模型要补的空白。所以模型再标准，结论也要回到实测去标定——模型是地图，不是领土本身。

选择错误的模型代价很直接。用统计相关矩阵去做大规模阵列仿真，会系统性高估可复用自由度，因为矩阵里根本没有角度信息，波束赋形依赖的方向结构被抹平了，仿真里跑出 8 流，现网可能只有 3 流。反过来，用几何模型去做纯理论上界推导，又会被繁复参数拖垮，失去闭式可解性。取舍的关键永远是：我这一刻要回答什么问题——要上界用统计，要方向用几何，要具体楼宇用射线追踪。把问题想清楚，模型自然选对。

六、怎么选

没有"更好"的模型，只有"更合适"的模型：

• 做容量理论上界、要可解析推导 → 统计相关矩阵模型，快。
• 做波束赋形、大规模阵列、协议仿真 → 必须用几何随机模型（38.901），否则方向信息全丢。
• 做具体楼宇的确定性预测 → 射线追踪或混合模型。

牢记这条边界，能少走很多弯路：用错模型不会报错，只会在结论里悄悄埋雷。统计模型算出的"满秩高容量"在几何模型里可能塌成"秩二低容量"，差异不是算法 bug，而是模型假设本身不同。选型前先问一句"我要回答什么问题"，答案自然浮现。选型没有银弹，只有权衡；把问题写清楚，模型自己会浮现，反过来先定模型再去套问题，往往得到漂亮却偏离现实的结论。

⚠️ 常见坑：拿独立同分布瑞利模型去做大规模天线阵列仿真。阵列波束赋形高度依赖角度结构和相关性，而 iid 模型假设所有方向独立、所有天线不相关——它恰好把波束赋形依赖的那部分信息抹掉了，结果自然失真。

💡 关键直觉：模型的"真实度"不是越高越好，而是够用就好。一套能复现目标现象、又能被标准化复用的模型，胜过一套物理精确但谁也无法复现的"完美"模型。38.901 的精髓就在"可测量、可复现"这六个字。

七、常见疑问

角度扩展、时延扩展这些参数有什么用？

它们是连接理论和实测的桥梁。角度扩展决定空间自由度能拉多高（角度越铺开，天线越容易看到独立方向）；时延扩展决定频率选择性（扩得越宽，均衡和循环前缀越重要）。仿真器加载这些参数，等于把"某栋写字楼玻璃幕墙怎么反射"翻译成了"一组可计算的统计"。

为什么农村场景 RMa 也单独建模？

农村散射体稀疏，多径少而路径损耗主导，信道更接近视距、秩更低。如果用城市模型去仿农村，会高估可复用自由度、低估覆盖距离。场景分类的本质是"让仿真的信道统计和真实部署环境对齐"。

AI 会取代几何模型吗？

短期不会。当前最优实践是混合：用 SCM 提供物理可解释的骨架，用神经网络学习参数随环境动态演化的规律。把麦克斯韦方程作为神经网络的软约束（物理信息神经网络），性能提升的根源正是"几何结构被显式嵌入"。AI 是代理，不是替代。

本章回顾

• 两条路线：统计派（相关矩阵，快但失真）与几何派（散射簇，真实但繁琐）
• 统计派公式 H = R_rx^½ · H_w · R_tx^½，丢弃几何成因只留相关性
• 38.901 三类场景：UMi 城市微蜂窝、UMa 城市宏站、RMa 农村宏站，各有侧重
• 参数来自探测仪：到达角、离开角、角度扩展、时延扩展、功率延迟谱由 Channel Sounder 测量聚合
• 三代演进：理论 iid → 测量驱动 SCM → 物理+AI+几何融合
• 模型是公共语言：标准模型让不同厂商在同一基准比性能，频段参数不可混用
• 选型原则：理论上界用统计、波束阵列用几何、具体楼宇用射线追踪或混合
• iid 瑞利是统计幻觉：做大规模阵列仿真会抹掉角度信息，结果失真
• 模型够用就好：38.901 的精髓是"可测量、可复现"

下一节把"矩阵"这件事彻底拆开：SVD、特征值、秩到底在物理上对应什么，为什么看到一组测量就能反推信道结构。