【DOA估计】从波束形成到稀疏重构：阵列测向技术的演进、突破与未来【附MATLAB代码】

从波束形成到稀疏重构：阵列测向技术的演进、突破与未来

精准定位，是雷达、通信与电子侦察领域的永恒追求。

在雷达探测、无线通信和电子对抗等领域，精确估计信号的来波方向（Direction of Arrival, DOA）是核心技术之一。想象一下，我们的耳朵能够辨别声音来自哪个方向，这依赖于双耳接收声音的时间差和强度差。而阵列天线就像拥有多只「耳朵」，通过特定的算法，能够从纷繁复杂的电磁波环境中，精确「听」出信号来自何方。

本文将从基础模型出发，系统梳理阵列测向技术从经典波束形成到现代稀疏重构的演进脉络，并结合一系列核心算法，分析其性能特点和适用场景。

一、一切的基础：信号模型

要理解测向，首先要建立数学模型。假设空间中有一个由 M M M 个阵元组成的均匀线性阵列，相邻阵元间距为 d d d。当一个波长为 λ \lambda λ 的窄带信号以角度 θ \theta θ 入射到阵列时，由于到达不同阵元的距离不同，会产生一个相位差。将所有阵元接收信号的相位关系组合起来，就构成了这个特定方向上的导向向量 a ( θ ) \mathbf{a}(\theta) a(θ)：

将所有可能感兴趣方向的导向向量集合起来，就形成了一个阵列流形矩阵 ，在后续的稀疏重构理论中，它也被称为「超完备字典」 A \mathbf{A} A。阵列接收到的信号 x ( t ) \mathbf{x}(t) x(t) 可以简洁地表示为：

其中 s ( t ) \mathbf{s}(t) s(t) 是信源信号向量， n ( t ) \mathbf{n}(t) n(t) 是噪声向量。我们的核心任务，就是从接收数据 x ( t ) \mathbf{x}(t) x(t) 中，反推出信源的方向信息。

二、经典方法：波束形成与子空间分解

1. 常规与时变滤波：CBF 与 Capon

最直观的测向方法是常规波束形成（CBF） 。它像在空间中进行「扫描」：将阵列接收信号按某个假定方向 θ \theta θ 的导向向量加权求和，计算该方向的输出功率。

其谱估计可表示为：
P C B F ( θ ) = a H ( θ ) R a ( θ ) P_{CBF}(\theta) = \mathbf{a}^H(\theta) \mathbf{R} \mathbf{a}(\theta) PCBF(θ)=aH(θ)Ra(θ)

其中 R \mathbf{R} R 是接收信号的协方差矩阵。CBF 稳健但分辨力受限于「瑞利限」------ 即无法分辨处于同一个波束宽度内的两个目标。

为了突破这一限制，Capon算法（也称最小方差无失真响应，MVDR）应运而生。它采用了一种自适应滤波思想：在保证期望方向信号无失真通过的约束下，使阵列输出总功率最小。这相当于一个尖锐的空间带通滤波器，其谱估计为：

P C a p o n ( θ ) = 1 / [ a H ( θ ) R − 1 a ( θ ) ] P_{Capon}(\theta) = 1 / [\mathbf{a}^H(\theta) \mathbf{R}^{-1} \mathbf{a}(\theta)] PCapon(θ)=1/[aH(θ)R−1a(θ)]

Capon 法能有效抑制干扰和噪声，分辨率显著优于 CBF，但对协方差矩阵求逆的稳定性要求较高。

2. 子空间的突破：MUSIC 与 ESPRIT

20 世纪 80 年代，一类革命性的子空间方法被提出，实现了目标分辨率的质的飞跃。

多重信号分类（MUSIC）算法的核心思想是特征分解。它将协方差矩阵分解为信号子空间和噪声子空间，这两个子空间是相互正交的。基于此，可构造一个「伪谱」：

当扫描导向向量 a ( θ ) \mathbf{a}(\theta) a(θ) 指向真实信源方向时，它处于信号子空间，与噪声子空间正交，上式的分母趋于零，从而产生一个尖锐的谱峰。MUSIC 算法实现了超分辨，即使两目标角度很接近也能清晰分辨。

另一大类是 \\ 旋转不变子空间（ESPRIT）\\ 算法。它巧妙地利用均匀线阵的平移不变性，无需谱峰搜索，而是通过两个子阵信号子空间的旋转关系，直接求解一个旋转算子矩阵的特征值，即可解算出所有目标的方位角。

ESPRIT 的计算效率远高于 MUSIC，非常适合实时处理。其衍生出的最大似然（ML）准则 和总体最小二乘（TLS）准则版本，进一步优化了在不同噪声条件下的估计精度。

三、现代方法：稀疏重构的革命

传统方法在信源数较多、快拍数（采样样本）不足或存在相干信号时，性能会严重下降。近十年来，稀疏表示与压缩感知理论的引入，为阵列测向开辟了全新范式。

核心思想是：真实空间中信源数量 K K K 总是稀少的。我们将整个角度空间划分为一份极细密的栅格 θ 1 , θ 2 , . . . , θ N {\theta_1, \theta_2, ..., \theta_N} θ1,θ2,...,θN， N N N 非常大。那么接收信号模型可改写为：
x = A s + n \mathbf{x} = \mathbf{A}\mathbf{s} + \mathbf{n} x=As+n

此时 s \mathbf{s} s 是一个 N N N 维向量，其中只有 K K K 个对应真实信源位置的元素非零，是稀疏的。问题由此转化为求解一个欠定方程组下的稀疏向量。

此系列代码中的FOCUSS算法即为一种经典的稀疏重构方法。它通过迭代方式求解一个加权最小范数解，迭代步骤概括：

初始化稀疏解 s 0 \mathbf{s}_0 s0。
构造加权矩阵 W k = diag ( ∣ s k − 1 ∣ 1 − p / 2 ) \mathbf{W}k = \text{diag}(|\mathbf{s}{k-1}|^{1-p/2}) Wk=diag(∣sk−1∣1−p/2)，其中 p p p 是稀疏因子（ 0 ≤ p ≤ 1 0 \le p \le 1 0≤p≤1）。
求解加权最小二乘问题：
s k = W k W k H A H ( A W k W k H A H + λ I ) − 1 x \mathbf{s}_k = \mathbf{W}_k\mathbf{W}_k^H\mathbf{A}^H (\mathbf{A}\mathbf{W}_k\mathbf{W}_k^H\mathbf{A}^H + \lambda \mathbf{I})^{-1} \mathbf{x} sk=WkWkHAH(AWkWkHAH+λI)−1x
检查收敛条件，未满足则返回步骤 2。

FOCUSS 能够从单快拍或极少快拍数据中实现高精度测向，对相干信号天然免疫。

另一种经典贪婪算法是正交匹配追踪（OMP） 。它以一种「逐步筛选」的方式重构稀疏信号：每一步迭代，都从字典 A \mathbf{A} A 中选出与当前残差信号最相关的那个原子（即导向向量），将其加入已选集，然后用已选集上的原子重新估计信号，并更新残差。OMP 实现简单、计算速度快，在工程中应用广泛。

此外，伪逆法直接求最小范数解，相当于一种无稀疏约束的特例，分辨率有限。

而EM-SBL 算法则站在贝叶斯的高度，为稀疏向量 s \mathbf{s} s 的各分量假设一个独立的、由超参数控制的先验分布，通过期望最大化（EM）算法迭代学习这些超参数。那些不重要的分量，其超参数会趋于零，从而实现稀疏性的自动确定。SBL 在参数自适应方面表现优异。

四、性能对决：各方法优劣全景图

为了直观展示不同算法的性能，我们构建一个对比矩阵。

假设一个 M = 32 M=32 M=32 阵元的线阵，两个不相干的远场信号分别从 − 10 ∘ -10^\circ −10∘ 和 − 20 ∘ -20^\circ −20∘ 入射，信噪比 20dB，快拍数 128。

算法	分辨率	抗噪性	相干信号处理	计算复杂度	是否需要信源数
CBF	低	强	能	低	否
Capon	中	较强	能	中	否
MUSIC	高	中	不能 (需去相干)	中高	是
LS/TLS-ESPRIT	高	中	不能 (需去相干)	中 (无需搜索)	是
ML	高	最强	能	极高 (多峰搜索)	否
FOCUSS	极高	中	天然免疫	中	否
OMP	中高	较强	天然免疫	中	否
EM-SBL	极高	较强	天然免疫	高	否

举一个实际场景的例子：汽车雷达抗干扰

一辆汽车上的多发多收（MIMO）雷达，需要同时监测近处的行人（弱目标）和远处的另一辆汽车（强反射）。

CBF 会因旁瓣太高，使强目标的旁瓣淹没弱目标；

Capon 能在强目标方向上形成零陷，抑制其干扰，从而提取弱目标；

如果两车角度过于接近，只有 MUSIC 或 ESPRIT 这类超分辨算法，才能将它们成功分离；

而对于车载雷达常遇到的多径效应（产生相干信号），CBF 和 Capon 可以正常工作，但 MUSIC/ESPRIT 会失效，此时 FOCUSS、OMP 等稀疏重构方法便能发挥优势。

值得一提的是：面对相干信号 ，MUSIC 和 ESPRIT 会因信号子空间秩亏损而失效。经典解决方案是空间平滑技术：将整阵列划分为多个重叠子阵，对子阵协方差矩阵求平均，破坏信号相干性、恢复子空间满秩，再接入 MUSIC/ESPRIT 使用。

EM-SBL 算法不仅高精度估计 DOA，还能自动裁剪无关字典原子，结果稀疏干净，在低信噪比、少快拍场景下，性能优于传统压缩感知方法。

五、未来展望

阵列测向技术正朝着以下几个方向持续演进：

离网格（Off-Grid）与无网格（Gridless）方法

现有稀疏重构默认信源落在预设离散栅格，易产生基失配误差。离网格与原子范数无网格方法，正在从根源上解决这一问题。
深度学习的融合

将深度神经网络非线性拟合能力引入 DOA 估计，端到端从阵元原始数据直接映射目标角度，在模型误差、复杂噪声场景下潜力巨大。
毫米波与超大规模 MIMO

5G/6G 基站大规模天线形成极窄高增益波束，亟需低复杂度、高精度 DOA 算法，支撑实时波束管理与波束跟踪。
动态与跟踪场景

目标快速移动时角度时变，结合卡尔曼滤波、粒子滤波的贝叶斯动态 DOA 跟踪，是保障定位连续性与可靠性的核心技术。

本文所介绍的一系列算法，从经典的 CBF、Capon，到超分辨的 MUSIC、ESPRIT，再到前沿的 FOCUSS、OMP、EM-SBL，勾勒出了阵列信号处理技术精进的宏伟画卷。

每一种算法都有专属设计逻辑与最优适用场景。无论是雷达工程师、通信科研人员，还是信号处理方向学子，吃透这套 DOA 算法体系，便能在电磁波的世界里，精准感知、定位、洞察空间目标。