5 个阵元追平 16 个阵元：稀疏阵列 STAP 的实测报告
雷达阵列的成本，大头在阵元通道。阵元能不能省？省了之后性能掉多少，检测器又该拿什么来补？这篇文章拆解一套开源代码（GitHub: phillipvu/radar_matlab，原版为 MATLAB，现已转写为带测试的 Python 包）里的三条实测结论，数据全部可以复现。核心算法多分支匹配追踪（MBMP）出自 Rossi、Haimovich 和 Eldar 的经典论文 1，值得对着原文再读一遍。
先算一笔账：阵元有多贵
天线阵列里真正值钱的不是那排金属贴片，是贴片背后的整条通道------接收机、放大器、下变频、ADC，一路下去每一路都是真金白银，还要乘上数量级相同甚至更高的维护成本。所以工程上一个很自然的问题就冒出来了：能不能少用几个阵元？
直觉上，少用阵元就要牺牲性能。但这套代码给出的答案是：能省，而且省得比你想象的多------前提是检测器得换脑子。 这篇就顺着"天线---处理器---本振"三条线，把实验数据摆出来看。
一句话复习 STAP
空时自适应处理（STAP）能吃下杂波，靠的是一个物理事实：地面静止杂波在"角度---多普勒"平面上不是铺满的，而是集中在对角线 fd = u 上（归一化坐标下，杂波脊就是那条 45° 斜线）。杂波是低维的，协方差矩阵低秩，Brennan 准则给出 ULA 的杂波秩约为 N+(P−1)β。低秩意味着 STAP 花有限的自适应自由度就能把它对消掉。
代价是凹口：对消之后，多普勒轴上留下一条深谷，掉进谷里的慢速目标救不回来。凹口越窄，最小可检测速度越低，这就是评估阵列几何的硬指标。下图中间那幅杂波脊图和右侧的 SINR 凹口曲线，就是全部故事的起点。
结论一：阵元能省，旁瓣会涨
同一副 8λ 孔径，四种摆法，仿真测出来的凹口宽度差得很多（表 1）。随机阵列和 MIMO 随机阵列把阵元撒满整个孔径，主瓣变窄、凹口收窄；代价是副瓣抬起来。注意看最后一行：3 发 3 收的随机 MIMO 阵列，物理阵元只有 5 个，虚拟出 9 个，凹口宽度和 16 个阵元的 ULA 一模一样------0.150。 5 对 16，这是本文最想让读者记住的一个数字。
表 1 8λ 孔径下四种阵列的杂波抑制能力（16 脉冲）
| 阵列 | 物理阵元 | 虚拟阵元 | 杂波秩 | −3 dB 凹口宽度 |
|---|---|---|---|---|
| ULA 3.5λ（8 单元） | 8 | 8 | 23 | 0.255 |
| ULA 8λ（16 单元） | 16 | 16 | 31 | 0.160 |
| Random 8λ（8 单元） | 8 | 8 | 35 | 0.150 |
| MIMO-RA 8λ（3 发 3 收） | 5 | 9 | 35 | 0.150 |
当然，省下的钱要还。随机稀疏阵列的副瓣是有解析规律的：平均副瓣约 −10log₁₀N，峰值副瓣约 10log₁₀(ln2Z/N)。阵元一少，副瓣就起来，这等于把难题从天线的"物理结构"转交给了检测器的"信号处理"------旁瓣上那些亮格点，检测器得自己分辨是真目标还是强目标的影子。所以接下来的问题变成了：检测器怎么接住这副烂摊子？
结论二：检测器要用"树"，不能只靠"阈值"
逐单元 CFAR 的死穴
最直接的检测方式是逐单元 AMF/CFAR：每个角度---多普勒单元独立做一次检验，超过阈值就宣告目标。它不知道一个强目标的旁瓣可以点亮几十个单元。demo 里放了 3 个真实目标（强度差 6 dB），cell CFAR 宣告了 67 个单元------3 个真的，64 个假的。把阈值调高去压假目标，弱目标的真目标又先被扔掉。阈值化图像变成了一团需要人工聚类的亮斑。
MBMP：找到就抹掉，再找下一个
MBMP 的思路完全不同：找到一个目标，把它从残差里投影掉，再找下一个。目标自己的旁瓣在下一轮搜索开始前就消失了。它比普通匹配追踪多一个关键动作------多分支树搜索 ：分支向量 D=3,2 的意思是第一轮保留 3 个最可能的候选目标，对每个候选再展开 2 个次选，一共 6 条支路，最后留下残差最小的那支。设 D=1,1,1 它就退化回贪心匹配追踪。停止条件不是预设的目标个数，而是一个 CFAR 检验------残差小到和纯噪声一致时就停。同一场景，MBMP 返回恰好 3 个目标。
分支到底买了什么：近距离分辨
分支是有代价的------每层 D 倍的搜索量。它只在一种场合回本：两个目标近到让贪心算法的第一次选择被邻居的能量拉偏。这个边界被蒙特卡洛扫出来了（表 2）：多普勒间隔 1 个网格单元时（正好是 8 脉冲的 Doppler 分辨极限），贪心 MP 两个目标都找到的概率只有 0.11 ，分支 4,3 干到 0.99 。隔开 3 个单元以上，两者都是 1.0------分支纯属浪费计算。这条边界值得记下来：花 D 倍计算，只在目标"贴脸"时才值。
表 2 两个近距目标都被找到的概率（200 次试验/点）
| 多普勒间隔 | 贪心 MP D=1,1 | MBMP D=4,3 |
|---|---|---|
| 1 单元（分辨极限） | 0.11 | 0.99 |
| 2 单元 | 0.78 | 1.00 |
| ≥3 单元 | 1.00 | 1.00 |
需要诚实说明一点：在单个孤立目标上，MBMP 的 ROC 比逐单元 CFAR 略低。这是设计使然------顺序停止检验比一次干净阈值检验的功效弱一丁点。它的价值在多发场景：把 67 个虚警压回 3 个，把贴脸目标分开，而不是单目标灵敏度。论文 1 从理论上证明，MBMP 的恢复条件（MB-coherence）比传统相干性条件宽松得多，允许字典相干性很高时依然能恢复------这正是旁瓣抬升之后的稀疏阵列需要的性质。
结论三：目标不上网格，局部细化比全局加密划算
真实目标几乎不会正好落在网格节点上。跨在两个单元中间时，目标能量被劈开，匹配滤波损失最高约 3.9 dB，估计精度也最多只能到半个单元------这就是经典的 straddle loss。
最笨的解法是把全网格加密：二维搜索里成本随网格密度平方 上涨，而且字典越密，列间相干性越强，匹配追踪反而越不可靠。代码里换了个思路：先在粗网格上搜，再在每个检测点周围 ±1 个单元的盒子里 重建一个精细字典重新求解。成本只随目标个数增长，不随搜索空间面积增长。结果：中位估计误差从 0.283 个单元降到 0.065 个单元，精度提升 4.3 倍。
这套方法也有自己的天花板，实验同样测出来了：目标偏移超过约 0.3 个单元时，跨单元损失让真实峰值跌落约 8 dB，别的单元的旁瓣反超，粗搜索直接选错格；而细化只在 ±1 单元内找，救不回一个本来就选错的地方。所以"粗选要可靠"是这套方法的隐含前提，工程上用它，得先把粗网格的可靠性测清楚。
最后一块拼图：相位噪声，硬件给的地板
前面全是信号处理的事。STAP 对消杂波依赖相干性，而振荡器相位噪声破坏的恰好是相干性本身------每个脉冲的相位都抖一点，杂波回波在脉冲间对不齐，杂波脊被抹宽，协方差秩上升，对消凹口被填平。这意味着无论自适应处理做得多好，对消深度存在一个由硬件决定的地板。
仿真给的数字很具体：1 GHz 载频、积分 RMS 相位误差 13 mrad（工程上非常常规的 SSB 掩模），相位噪声的代价不到 1 dB，不是瓶颈；RMS 误差超过约 30 mrad 之后，恶化才开始变得严重。这个阈值就是系统设计师真正要的那句话：本振做到多好，相位噪声才不再当限制因素。 答案在 13 mrad 以下，卡在 30 mrad 附近。
工程上的几个提醒
代码转写过程中有两处值得一提。一是原 MATLAB 仓库有 35 个 .m 文件，其中大量是只改了扫描参数就复制的近重复脚本，被合并成了参数化函数；二是原 off_grid.m 有个 bug------它用线性索引往两列数组里写"已匹配"标记，导致一个估计可以被匹配到两个真值点上，虚高了检测概率，Python 版改成了整行标记、每个估计最多消耗一次。另外，仿真里的训练数据（secondary data）和被检测单元的杂波同分布，这是乐观情形；真实训练数据是异构的，而那通常才是自适应检测在实战中真正的瓶颈。
结语
回到开头的问题：阵元能省吗？能。5 个物理阵元的随机 MIMO 阵列，杂波凹口和 16 个阵元的 ULA 一样窄。省下来的钱，一部分交给了更聪明的检测器------MBMP 用分支换来了贴脸目标 0.99 的分辨率；一部分交给了更细的局部网格------离网目标精度提升 4 倍多。但省也有天花板：本振的相位噪声在 30 mrad 之后开始吃掉对消深度。雷达系统每一项性能，到头来都是天线、处理器、本振三方讨价还价的结果。想亲手验证这套结论的，仓库里六个 demo 一条命令就能把所有图跑出来。
参考文献
1 Rossi M, Haimovich A M, Eldar Y C. Multi-Branch Matching Pursuit with Applications to MIMO RadarJ. arXiv:1312.5765, 2013（投稿 IEEE Trans. Signal Processing）.