【电子战】测向精度极限——克拉美-罗下限（CRLB）与误差分析【含matlab代码】

第10篇：测向精度极限------克拉美-罗下限（CRLB）与误差分析

一、作用：任何测向系统的"物理天花板"

前九篇博客，我们走过了测向技术的完整演化：从 Watson-Watt 的比幅、干涉仪的比相、多普勒的频率调制，到现代阵列信号处理（Beamscan、MVDR、MUSIC）。

现在到了必须正面回答一个终极问题的时刻：

在给定 SNR、天线数量、基线长度、快拍数等条件下，测向精度最高能做到多少？

这个问题的答案不是某个算法的性能，而是所有估计算法都无法突破的理论下界 ------克拉美-罗下限（Cramér-Rao Lower Bound, CRLB）。

CRLB 的作用极其重要：

判断算法是否最优 ：如果某算法的 RMSE 紧贴 CRLB，说明它是渐近有效估计器（如第06篇的互相关相位差估计、第09篇的 MUSIC 在高 SNR 下）；
指导系统设计：给定精度需求，反推需要多少阵元、多长基线、多少快拍；
划定"不可能三角"：精度、模糊、成本三者的权衡，由 CRLB 定量刻画。

本篇核心作用：系统推导三类测向系统的 CRLB 公式，用 MATLAB 绘出"精度热力图"，让你一眼看穿哪些设计参数最关键。

二、原理：三类测向系统的 CRLB 推导

2.1 通用框架：Fisher 信息与 CRLB

设观测向量 x\mathbf{x}x 的概率密度为 p(x;θ)p(\mathbf{x}; \theta)p(x;θ)，其中 θ\thetaθ 是待估参数（如方位角 ψ\psiψ）。Fisher 信息量 定义为：

I(θ)=E $(\partiallnp(x;θ)\partialθ)2$ I(\theta) = \mathbb{E}\left $\\left( \\frac{\\partial \\ln p(\\mathbf{x}; \\theta)}{\\partial \\theta} \\right)\^2 \\right$ I(θ)=E $(\partialθ\partiallnp(x;θ))2$

对于无偏估计器，任意估计算法的方差都满足：

Var(θ^)≥1I(θ)≡CRLB\text{Var}(\hat{\theta}) \geq \frac{1}{I(\theta)} \equiv \text{CRLB}Var(θ^)≥I(θ)1≡CRLB

2.2 Watson-Watt 测向的 CRLB

对于正交双天线系统（第05篇），接收信号为：

xN(t)=Acos⁡ψ⋅s(t)+nN(t),xE(t)=Asin⁡ψ⋅s(t)+nE(t)x_N(t) = A\cos\psi \cdot s(t) + n_N(t), \quad x_E(t) = A\sin\psi \cdot s(t) + n_E(t)xN(t)=Acosψ⋅s(t)+nN(t),xE(t)=Asinψ⋅s(t)+nE(t)

用 MMM 个快拍做相干积累后，噪声功率降为原来的 1/M1/M1/M。Fisher 信息量的推导结果为：

IWW(ψ)=2MξI_{WW}(\psi) = 2M\xiIWW(ψ)=2Mξ

σψWW≥12Mξ\boxed{\sigma_\psi^{WW} \geq \frac{1}{\sqrt{2M\xi}}}σψWW≥2Mξ 1

关键洞察：与角度无关。这是最"公平"的测向方式，全向精度均匀。缺点是要达到 0.01°，在 SNR=20 dB、M=1000 时仍只有 0.3°------精度天花板很低。

2.3 干涉仪测向的 CRLB

对于基线长度 ddd 的双天线干涉仪（第06篇），相位差 Δϕ=2π(d/λ)sin⁡ψ\Delta\phi = 2\pi (d/\lambda)\sin\psiΔϕ=2π(d/λ)sinψ 是待估参数。推导结果为：

IIFM(ψ)=2Mξ⋅(2πdλcos⁡ψ)2I_{IFM}(\psi) = 2M\xi \cdot \left( 2\pi \frac{d}{\lambda} \cos\psi \right)^2IIFM(ψ)=2Mξ⋅(2πλdcosψ)2

σψIFM≥12πdλcos⁡ψ⋅2Mξ\boxed{\sigma_\psi^{IFM} \geq \frac{1}{2\pi \frac{d}{\lambda} \cos\psi \cdot \sqrt{2M\xi}}}σψIFM≥2πλdcosψ⋅2Mξ 1

关键洞察：

与 d/λd/\lambdad/λ 成反比------基线越长，精度越高；
与 cos⁡ψ\cos\psicosψ 成反比------端射方向（ψ→±90°\psi \to \pm 90°ψ→±90°）精度趋零；
与 Watson-Watt 相比，多了一个因子 2πd/λ2\pi d/\lambda2πd/λ。当 d/λ=0.5d/\lambda = 0.5d/λ=0.5 时，干涉仪精度约为 Watson-Watt 的 1/(π)≈0.321/(\pi) \approx 0.321/(π)≈0.32 倍，即精度高约 10 dB。

2.4 阵列 DOA 的 CRLB------确定性信号模型

考虑 NNN 元均匀线阵（ULA），KKK 个信号源，MMM 个快拍。确定性信号模型 （信号看作未知确定量，噪声是唯一的随机源）下，DOA ψk\psi_kψk 的 CRLB 为：

σψk2≥12Mξk⋅ $DHΠV⊥D$ kk\boxed{\sigma_{\psi_k}^2 \geq \frac{1}{2M\xi_k \cdot \left $\\mathbf{D}\^H \\Pi_V\^\\perp \\mathbf{D} \\right$ _{kk}}}σψk2≥2Mξk⋅ $DHΠV⊥D$ kk1

其中：

D= $\partialv(ψ1)\partialψ,...,\partialv(ψK)\partialψ$ \mathbf{D} = \left $\\frac{\\partial \\mathbf{v}(\\psi_1)}{\\partial \\psi}, \\ldots, \\frac{\\partial \\mathbf{v}(\\psi_K)}{\\partial \\psi}\\right$ D= $\partialψ\partialv(ψ1),...,\partialψ\partialv(ψK)$ 是导向矢量的导数矩阵；
ΠV⊥=I−V(VHV)−1VH\Pi_V^\perp = \mathbf{I} - \mathbf{V}(\mathbf{V}^H\mathbf{V})^{-1}\mathbf{V}^HΠV⊥=I−V(VHV)−1VH 是投影到信号子空间正交补的矩阵；
ξk\xi_kξk 是第 kkk 个信号源的信噪比。

对于单信号源 情形，公式大幅简化为：

σψ2≥12Mξ⋅N⋅(2πd/λ)2cos⁡2ψ⋅var(n)\boxed{\sigma_{\psi}^2 \geq \frac{1}{2M\xi \cdot N \cdot (2\pi d/\lambda)^2 \cos^2\psi \cdot \text{var}(n)}}σψ2≥2Mξ⋅N⋅(2πd/λ)2cos2ψ⋅var(n)1

其中 var(n)=1N∑n=0N−1(n−nˉ)2=N2−112\text{var}(n) = \frac{1}{N}\sum_{n=0}^{N-1}(n - \bar{n})^2 = \frac{N^2-1}{12}var(n)=N1∑n=0N−1(n−nˉ)2=12N2−1 是阵元位置的归一化方差。

关键洞察：

σψ∝1M⋅N3\sigma_\psi \propto \frac{1}{\sqrt{M \cdot N^3}}σψ∝M⋅N3 1------阵元数 NNN 以三次方影响精度！
这就是为什么现代雷达/ESM 系统都趋向于大规模阵列（数十到数千阵元）。

2.5 阵列 DOA 的 CRLB------随机信号模型

若信号源本身是随机的（如通信信号），模型切换为随机信号模型 ，CRLB 公式变为：

σψ2≥12M⋅1ξ⋅vH(ψ)ΠV⊥v(ψ)⋅(2πd/λ)2cos⁡2ψ⋅var(n)\sigma_\psi^2 \geq \frac{1}{2M} \cdot \frac{1}{\xi \cdot \mathbf{v}^H(\psi) \Pi_V^\perp \mathbf{v}(\psi) \cdot (2\pi d/\lambda)^2 \cos^2\psi \cdot \text{var}(n)}σψ2≥2M1⋅ξ⋅vH(ψ)ΠV⊥v(ψ)⋅(2πd/λ)2cos2ψ⋅var(n)1

与确定性模型的差别在于分母多了一个 ξ\xiξ 因子（而非 ξ\xiξ 在分子外）。在低 SNR 下，随机信号模型更接近实际；在高 SNR 下两者趋于一致。

三、完整代码（可直接运行）

matlab 复制代码

%% ========================================================================
% 第10篇：测向精度极限------CRLB 与误差分析
% 基于：ch7_drawFigures（图7.3、7.5）、ch8_drawFigures（图8.12）
% ========================================================================

clear; close all; clc;

%% ==================== 图1：三类测向系统的 CRLB 对比 ====================

figure;
subplot(2, 2, 1);

M = 10;         % 快拍数
SNR_dB = -10:0.5:30;
SNR_lin = 10.^(SNR_dB/10);

% Watson-Watt
crlb_ww = rad2deg(1 ./ sqrt(2*M*SNR_lin));

% 干涉仪（d/lambda = 0.5, psi = 0）
d_lam = 0.5;
psi_test = 0;
crlb_ifm_05 = rad2deg(1 ./ (2*pi*d_lam*cos(psi_test) * sqrt(2*M*SNR_lin)));

% 干涉仪（d/lambda = 4）
crlb_ifm_4 = rad2deg(1 ./ (2*pi*4*cos(psi_test) * sqrt(2*M*SNR_lin)));

semilogy(SNR_dB, crlb_ww, 'b-', 'LineWidth', 2, 'DisplayName', 'Watson-Watt');
hold on;
semilogy(SNR_dB, crlb_ifm_05, 'r--', 'LineWidth', 2, 'DisplayName', '干涉仪 (d/\lambda=0.5)');
semilogy(SNR_dB, crlb_ifm_4, 'k-.', 'LineWidth', 2, 'DisplayName', '干涉仪 (d/\lambda=4)');
xlabel('SNR \xi [dB]'); ylabel('CRLB [度]');
title(sprintf('三类测向 CRLB 对比 (M=%d, \\psi=0°)', M));
grid on; legend('Location', 'southwest');
xlim([-10, 30]); ylim([1e-5, 100]);

% 标注关键结论
text(15, 1, '干涉仪(d/\lambda=4)精度约是 Watson-Watt 的 1/50', ...
     'FontSize', 10, 'Color', 'k');

%% ==================== 图2：干涉仪 CRLB 随角度变化 ====================

subplot(2, 2, 2);

psi_deg = linspace(-85, 85, 1001);
psi_rad = deg2rad(psi_deg);
SNR_dB_fix = 10;
SNR_fix = 10^(SNR_dB_fix/10);
M_fix = 10;

d_lam_set = [0.5, 1, 2, 4];
colors = lines(length(d_lam_set));

for idx = 1:length(d_lam_set)
    d_lam_tmp = d_lam_set(idx);
    crlb_ang = rad2deg(1 ./ (2*pi*d_lam_tmp*abs(cos(psi_rad)) * sqrt(2*M_fix*SNR_fix)));
    semilogy(psi_deg, crlb_ang, 'Color', colors(idx,:), 'LineWidth', 2, ...
             'DisplayName', sprintf('d/\\lambda = %.1f', d_lam_tmp));
    hold on;
end
xlabel('来波方向 \psi [度]'); ylabel('CRLB [度]');
title(sprintf('干涉仪 CRLB 随角度变化 (M=%d, SNR=%ddB)', M_fix, SNR_dB_fix));
grid on; legend('Location', 'northwest');
xlim([-85, 85]); ylim([1e-4, 100]);

% 标注端射方向精度崩塌
text(60, 5, '端射方向 \psi→\pm90°: 精度崩塌', 'FontSize', 10, 'Color', 'r');

%% ==================== 图3：阵列 DOA 的 CRLB------阵元数与快拍数 ====================

subplot(2, 2, 3);

N_vec = [5, 10, 25, 50];
psi_arr = 0;
d_lam_arr = 0.5;

SNR_dB_arr = -10:0.5:20;
SNR_lin_arr = 10.^(SNR_dB_arr/10);

% 确定性信号模型
for idx = 1:length(N_vec)
    N_tmp = N_vec(idx);
    % 阵元位置的归一化方差
    n_pos = (0:N_tmp-1).';
    n_var = var(n_pos, 1);  % 归一化方差
    % 单信号源的 CRLB
    crlb_arr = rad2deg(1 ./ ...
        (sqrt(2 * (2*pi*d_lam_arr)^2 * n_var) * sqrt(SNR_lin_arr) * sqrt(1)));
    % 注意：这里为了方便对比，M 隐含在 SNR 的"每快拍信噪比"中，M=1 时比较
    semilogy(SNR_dB_arr, crlb_arr, 'LineWidth', 2, ...
             'DisplayName', sprintf('N=%d', N_tmp));
    hold on;
end
xlabel('SNR \xi [dB]'); ylabel('CRLB [度]');
title('阵列 DOA CRLB（确定性信号模型, 单信号源, \psi=0°, d/\lambda=0.5, M=1）');
grid on; legend('Location', 'southwest');
xlim([-10, 20]); ylim([1e-3, 100]);

% 标注：N 越大精度越高，且优于 N^1.5
text(5, 0.5, '精度 ∝ 1/N^{1.5}', 'FontSize', 11, 'Color', 'k');

%% ==================== 图4：阵列 CRLB 的 3D 热力图 ====================

subplot(2, 2, 4);

[N_grid, M_grid] = meshgrid(5:5:50, 1:5:100);
SNR_fix_grid = 10;   % dB
psi_fix_grid = 0;
d_lam_grid = 0.5;

% 阵元位置方差（随 N 变化）
n_var_grid = (N_grid.^2 - 1) / 12;

% 单信号源 CRLB
CRLB_grid = rad2deg(1 ./ ...
    (sqrt(2 * M_grid * (2*pi*d_lam_grid)^2 .* n_var_grid * 10^(SNR_fix_grid/10))));

imagesc(5:5:50, 1:5:100, CRLB_grid);
colorbar; set(gca, 'ydir', 'normal');
xlabel('阵元数 N'); ylabel('快拍数 M');
title(sprintf('阵列 CRLB 热力图 (SNR=%ddB, \\psi=0°)', SNR_fix_grid));
grid on;

%% ==================== 图5：蒙特卡洛验证------MUSIC 达到 CRLB 吗？ ====================

fprintf('======= 蒙特卡洛验证 MUSIC 是否达到 CRLB =======\n');

N_mc = 25;
d_lam_mc = 0.5;
M_mc = 100;
psi_true_mc = deg2rad(5);
SNR_dB_mc = -10:2:20;
SNR_lin_mc = 10.^(SNR_dB_mc/10);
num_mc = 500;

rmse_music = zeros(size(SNR_dB_mc));
crlb_music = zeros(size(SNR_dB_mc));

% 扫描网格
psi_scan = linspace(-pi/2, pi/2, 2001);

for idx_snr = 1:length(SNR_dB_mc)
    snr = SNR_lin_mc(idx_snr);
    noise_pwr = 1/snr;

    % 生成蒙特卡洛信号
    s_mc = sqrt(0.5)*(randn(1, M_mc, num_mc)+1i*randn(1, M_mc, num_mc));
    v_mc = steering_ula(d_lam_mc, N_mc, psi_true_mc);
    X_mc = v_mc * reshape(s_mc, 1, []);
    X_mc = reshape(X_mc, N_mc, M_mc, num_mc);
    X_mc = X_mc + sqrt(noise_pwr/2) * ...
           (randn(N_mc, M_mc, num_mc) + 1i*randn(N_mc, M_mc, num_mc));

    % MUSIC 估计
    psi_est_mc = zeros(1, num_mc);
    V_scan_mc = steering_matrix(d_lam_mc, N_mc, psi_scan);
    for mc = 1:num_mc
        P_mc = music_spectrum(X_mc(:,:,mc), V_scan_mc, 1);
        [~, idx_pk] = max(P_mc);
        psi_est_mc(mc) = psi_scan(idx_pk);
    end

    err_mc = psi_est_mc - psi_true_mc;
    err_mc = mod(err_mc + pi, 2*pi) - pi;
    rmse_music(idx_snr) = rad2deg(sqrt(mean(err_mc.^2)));

    % CRLB（确定性信号模型）
    n_pos = (0:N_mc-1).';
    n_var = var(n_pos, 1);
    crlb_music(idx_snr) = rad2deg(1 ./ ...
        sqrt(2 * M_mc * (2*pi*d_lam_mc)^2 * n_var * snr));
end

figure;
semilogy(SNR_dB_mc, rmse_music, 'bo-', 'LineWidth', 2, 'MarkerSize', 8, ...
         'DisplayName', 'MUSIC (蒙特卡洛)');
hold on;
semilogy(SNR_dB_mc, crlb_music, 'r--', 'LineWidth', 2, ...
         'DisplayName', '确定性 CRLB');
xlabel('SNR \xi [dB]'); ylabel('RMSE [度]');
title(sprintf('MUSIC 是否达到 CRLB? (N=%d, M=%d, \\psi=%d°)', ...
              N_mc, M_mc, rad2deg(psi_true_mc)));
grid on; legend('Location', 'southwest');
xlim([-10, 20]); ylim([0.001, 100]);

% 标注"门限效应"
text(-3, 5, '门限效应: 低 SNR 下 MUSIC 偏离 CRLB', ...
     'FontSize', 10, 'Color', 'r');

%% ==================== 图6：设计参数灵敏度分析 ====================

figure;
sgtitle('CRLB 对设计参数的灵敏度分析', 'FontSize', 13, 'FontWeight', 'bold');

% 子图1：N 和 SNR 的联合影响
subplot(2, 2, 1);
[N_grid2, SNR_grid] = meshgrid(5:1:50, -10:1:30);
n_var_g = (N_grid2.^2 - 1) / 12;
M_fix2 = 10; d_lam_fix = 0.5;
CRLB_N_SNR = rad2deg(1 ./ sqrt(2 * M_fix2 * (2*pi*d_lam_fix)^2 * n_var_g .* 10.^(SNR_grid/10)));
imagesc(5:1:50, -10:1:30, CRLB_N_SNR);
colorbar; set(gca, 'ydir', 'normal');
xlabel('阵元数 N'); ylabel('SNR [dB]');
title(sprintf('CRLB [度] vs N, SNR (M=%d)', M_fix2));
grid on;

% 子图2：M 和 SNR 的联合影响
subplot(2, 2, 2);
[M_grid2, SNR_grid2] = meshgrid(1:5:200, -10:1:30);
N_fix2 = 25;
n_var_fix = (N_fix2^2 - 1) / 12;
CRLB_M_SNR = rad2deg(1 ./ sqrt(2 * M_grid2 * (2*pi*d_lam_fix)^2 * n_var_fix .* 10.^(SNR_grid2/10)));
imagesc(1:5:200, -10:1:30, CRLB_M_SNR);
colorbar; set(gca, 'ydir', 'normal');
xlabel('快拍数 M'); ylabel('SNR [dB]');
title(sprintf('CRLB [度] vs M, SNR (N=%d)', N_fix2));
grid on;

% 子图3：d/λ 和 N 的联合影响
subplot(2, 2, 3);
[dlam_grid, N_grid3] = meshgrid(0.5:0.1:5, 5:1:50);
n_var_g3 = (N_grid3.^2 - 1) / 12;
SNR_fix3 = 10;
CRLB_dlam_N = rad2deg(1 ./ sqrt(2 * M_fix2 * (2*pi*dlam_grid).^2 .* n_var_g3 * 10^(SNR_fix3/10)));
imagesc(0.5:0.1:5, 5:1:50, CRLB_dlam_N);
colorbar; set(gca, 'ydir', 'normal');
xlabel('d/\lambda'); ylabel('阵元数 N');
title(sprintf('CRLB [度] vs d/\\lambda, N (M=%d, SNR=%ddB)', M_fix2, SNR_fix3));
grid on;

% 子图4：不同信号模型对比
subplot(2, 2, 4);
N_cmp = 25;
M_cmp = 10;
psi_cmp = 0;
n_var_cmp = (N_cmp^2 - 1) / 12;
SNR_dB_cmp = -10:0.5:30;
SNR_lin_cmp = 10.^(SNR_dB_cmp/10);

% 确定性模型
crlb_det = rad2deg(1 ./ sqrt(2*M_cmp*(2*pi*0.5)^2*n_var_cmp*SNR_lin_cmp));

% 随机模型（近似）
crlb_sto = rad2deg(1 ./ sqrt(2*M_cmp*(2*pi*0.5)^2*n_var_cmp*SNR_lin_cmp.^2));

semilogy(SNR_dB_cmp, crlb_det, 'b-', 'LineWidth', 2, 'DisplayName', '确定性信号模型');
hold on;
semilogy(SNR_dB_cmp, crlb_sto, 'r--', 'LineWidth', 2, 'DisplayName', '随机信号模型');
xlabel('SNR \xi [dB]'); ylabel('CRLB [度]');
title(sprintf('两种信号模型对比 (N=%d, M=%d)', N_cmp, M_cmp));
grid on; legend('Location', 'southwest');
xlim([-10, 30]); ylim([1e-4, 100]);

% 标注交叉点
text(0, 1, '低 SNR: 随机模型更悲观', 'FontSize', 9, 'Color', 'b');
text(10, 0.01, '高 SNR: 两模型趋于一致', 'FontSize', 9, 'Color', 'r');

%% ==================== 函数定义 ====================

function v = steering_ula(d_lam, N, psi)
    n = (0:N-1).';
    v = exp(-1i * 2*pi * d_lam * n * sin(psi));
end

function V = steering_matrix(d_lam, N, psi_vec)
    n = (0:N-1).';
    V = exp(-1i * 2*pi * d_lam * n * sin(psi_vec));
end

function P = music_spectrum(X, V, K)
    R = (X * X') / size(X, 2);
    [E, D] = eig(R);
    [~, idx] = sort(diag(D), 'descend');
    E = E(:, idx);
    En = E(:, K+1:end);
    P = zeros(1, size(V, 2));
    for k = 1:size(V, 2)
        v = V(:, k);
        P(k) = 1 / real(v' * (En * En') * v);
    end
end

四、代码讲解：为什么这么写？

4.1 三类 CRLB 公式的对齐

代码的核心是把三个公式并列画在同一张图上（图1）：

matlab 复制代码

crlb_ww  = rad2deg(1 ./ sqrt(2*M*SNR_lin));
crlb_ifm_05 = rad2deg(1 ./ (2*pi*0.5*cos(psi_test) * sqrt(2*M*SNR_lin)));
crlb_ifm_4  = rad2deg(1 ./ (2*pi*4*cos(psi_test) * sqrt(2*M*SNR_lin)));

三条曲线的差异集中在分母：干涉仪多了一个因子 2π(d/λ)cos⁡ψ2\pi (d/\lambda)\cos\psi2π(d/λ)cosψ。当 d/λ=4d/\lambda = 4d/λ=4、ψ=0\psi = 0ψ=0 时，这个因子约为 252525，即干涉仪精度比 Watson-Watt 高约 252525 倍（28 dB）。

用途：一眼看出为什么现代 ESM 系统几乎不用 Watson-Watt------它的精度天花板太低了。

4.2 阵列 CRLB 中阵元位置方差的作用

matlab 复制代码

n_pos = (0:N-1).';
n_var = var(n_pos, 1);
crlb_arr = rad2deg(1 ./ sqrt(2 * M_fix2 * (2*pi*d_lam)^2 * n_var * SNR_lin));

对于均匀线阵，阵元位置 n=0,1,...,N−1n = 0, 1, \ldots, N-1n=0,1,...,N−1 的归一化方差为：

var(n)=1N∑n=0N−1(n−N−12)2=N2−112\text{var}(n) = \frac{1}{N}\sum_{n=0}^{N-1}\left(n - \frac{N-1}{2}\right)^2 = \frac{N^2-1}{12}var(n)=N1n=0∑N−1(n−2N−1)2=12N2−1

当 N≫1N \gg 1N≫1 时，var(n)≈N2/12\text{var}(n) \approx N^2/12var(n)≈N2/12，所以：

σψ∝1N2⋅M=1NM\sigma_\psi \propto \frac{1}{\sqrt{N^2 \cdot M}} = \frac{1}{N\sqrt{M}}σψ∝N2⋅M 1=NM 1

精度随 NNN 线性提高 （而非 N1.5N^{1.5}N1.5------之前口误了）。这就是稀疏阵列/非均匀阵列的价值：通过优化阵元位置分布，提高 var(n)\text{var}(n)var(n)，从而提升精度（这是最优阵列设计的数学基础）。

4.3 为什么单信号源 CRLB 公式可以直接用到代码？

对于单信号源，D\mathbf{D}D 只有一个列向量，ΠV⊥=I−vvH/(vHv)\Pi_V^\perp = \mathbf{I} - \mathbf{v}\mathbf{v}^H/(\mathbf{v}^H\mathbf{v})ΠV⊥=I−vvH/(vHv)。代入推导后：

DHΠV⊥D=∥d∥2−∣dHv∣2∥v∥2\mathbf{D}^H \Pi_V^\perp \mathbf{D} = \|\mathbf{d}\|^2 - \frac{|\mathbf{d}^H \mathbf{v}|^2}{\|\mathbf{v}\|^2}DHΠV⊥D=∥d∥2−∥v∥2∣dHv∣2

对于 ψ=0\psi = 0ψ=0（法线方向），v\mathbf{v}v 是全 1 向量，d\mathbf{d}d 是纯虚数序列。经过简化可得：

DHΠV⊥D=N(2πd/λ)2⋅var(n)\mathbf{D}^H \Pi_V^\perp \mathbf{D} = N (2\pi d/\lambda)^2 \cdot \text{var}(n)DHΠV⊥D=N(2πd/λ)2⋅var(n)

这就是代码中 (2*pi*d_lam)^2 * n_var 的来源。ψ≠0\psi \neq 0ψ=0 时公式多一个 cos⁡2ψ\cos^2\psicos2ψ 因子。

4.4 蒙特卡洛验证 MUSIC 的"门限效应"

图5是最关键的实验 。在低 SNR 下，MUSIC 的 RMSE 会突然偏离 CRLB ------这就是著名的门限效应（threshold effect）：

高 SNR：MUSIC 达到 CRLB，是"渐近有效"的；
低 SNR：特征分解无法正确区分信号/噪声子空间，估计器"崩溃"，RMSE 急剧上升。

代码中通过 SNR_dB_mc 从 -10 到 20 dB 扫描，能清晰看到转折点 （通常在 0~5 dB 附近）。这个转折点直接决定了系统的最小工作信噪比。

4.5 两种信号模型的差异

图6子图4对比了两个模型：

确定性模型 ：σψ∝1/ξ\sigma_\psi \propto 1/\sqrt{\xi}σψ∝1/ξ ；
随机信号模型 ：σψ∝1/ξ\sigma_\psi \propto 1/\xiσψ∝1/ξ（低 SNR 下）。

在低 SNR 下，随机模型给出的 CRLB 比确定性模型悲观约 3 dB；在高 SNR 下，两者趋于一致。

工程含义 ：对于通信信号（幅度随机），低 SNR 场景下必须用随机模型评估性能，否则会高估系统能力。

五、运行结果解读

运行代码后，你将看到 6 张图：

图1（三类系统对比） ：在 SNR=10 dB、M=10 时，Watson-Watt 的 CRLB 约 8°，干涉仪(d/λ=0.5) 约 2.5°，干涉仪(d/λ=4) 约 0.3°。基线每增加一倍，精度提升 6 dB。
图2（角度依赖） ：所有干涉仪曲线在 ±85° 附近急剧上扬------端射方向精度崩塌。这解释了为什么实际系统在雷达侧视时测向精度最高。
图3（阵元数影响） ：N 从 5 增到 50，CRLB 下降约 20 dB------精度与 N 近似成正比（20log₁₀(50/5) = 20 dB）。
图4（热力图） ：清晰展示 N-M 联合对精度的影响。可以看到 N 的方向变化更快------增加阵元比增加快拍更划算 （前者是 1/N1/N1/N，后者是 1/M1/\sqrt{M}1/M ）。
图5（MUSIC vs CRLB） ：在 SNR ≥ 0 dB 时，蒙特卡洛 RMSE 紧贴 CRLB；在 SNR < -5 dB 时急剧偏离------这就是门限效应。
图6（灵敏度分析） ：
- 子图1：N 和 SNR 对精度的影响------两者近似对数线性；
- 子图2：M 和 SNR------与 N 类似但斜率更缓；
- 子图3：d/λ 和 N------对角线越往下（高 d/λ、高 N）精度越高；
- 子图4：随机信号模型在低 SNR 下更悲观。

六、工程实战的五个设计原则

通过 CRLB 分析，我们得出以下设计原则：

原则	数学依据	工程做法
1. 增加阵元比增加快拍更有效	σ∝1/N\sigma \propto 1/Nσ∝1/N vs σ∝1/M\sigma \propto 1/\sqrt{M}σ∝1/M	优先增加阵元，快拍数够用即可
2. 基线越长精度越高，但有模糊上限	σ∝1/(d/λ)\sigma \propto 1/(d/\lambda)σ∝1/(d/λ)	用多基线解模糊（第06篇）
3. 端射方向精度崩塌	σ∝1/cos⁡ψ\sigma \propto 1/\cos\psiσ∝1/cosψ	系统设计中避免工作在 ±85° 附近
4. 门限效应决定最低工作 SNR	MUSIC 在低 SNR 偏离 CRLB	系统设计预留 3~5 dB 裕量
5. 随机信号模型更保守	低 SNR 下 σ∝1/ξ\sigma \propto 1/\xiσ∝1/ξ	用保守模型估算作用距离

下一篇预告（第11篇）：AOA 定位------三角测量与最小二乘

从第11篇开始，我们进入地理定位（Geolocation） 篇章。单部测向系统只能给出一个角度，但要想确定辐射源位置，必须多个传感器协同。第一篇是 AOA（到达角）定位：用多个平台的测向线交会，配合最小二乘法估计位置。我们将复现原书第10章的核心算法（三角测量、质心法、内切圆法），并用代码演示"误差椭圆"的绘制。敬请期待！