【电子战】 第09篇：阵列信号处理——波束形成、MVDR、MUSIC【含matlab代码】

第09篇：阵列信号处理------波束形成、MVDR、MUSIC

一、作用：从"一个天线"到"一群天线"

前面几篇我们走过了测向技术的完整演化：

• Watson-Watt：两个正交天线，比幅度 → 精度约 1°
• 干涉仪：两个天线，比相位 → 精度约 0.01°
• 多普勒：一个旋转天线，比频率 → 精度约 0.1°

但它们都有共同的局限：同一时刻只能处理一个目标。一旦有多个辐射源同时工作，这些算法就会给出一个"加权平均"的错误角度。

阵列信号处理（Array Signal Processing） 彻底改变了这个局面。它用一个天线阵 （多个阵元按规则排列），通过设计不同的空间滤波器（波束形成器），实现对空间信号的"滤波"：

• 常规波束形成（Beamscan / Bartlett） ：像手电筒一样扫描，能量最大处即为目标方向；
• MVDR（Capon） ：自适应抑制干扰，用更窄的"虚拟波束"分辨相近目标；
• MUSIC ：利用信号子空间与噪声子空间的正交性，实现超分辨率测向。

本篇核心作用：从阵列信号模型出发，手写实现 Beamscan、MVDR、MUSIC 三种算法，对比它们的分辨率、抗噪性能和计算复杂度，并揭示 MUSIC 为何能突破瑞利限。

二、原理：数学上发生了什么？

2.1 阵列信号模型

考虑 NNN 个阵元的均匀线阵（ULA） ，阵元间距 ddd。远场窄带信号从方向 ψ\psiψ（相对阵列法线）入射时，第 nnn 个阵元相对参考阵元的相位差为：

ϕn=−2πdλnsin⁡ψ,n=0,1,...,N−1\phi_n = -\frac{2\pi d}{\lambda} n \sin\psi, \quad n = 0, 1, \ldots, N-1ϕn=−λ2πdnsinψ,n=0,1,...,N−1

定义导向矢量（steering vector） ：

v(ψ)=1,e−j2πdλsin⁡ψ,...,e−j2πdλ(N−1)sin⁡ψT\mathbf{v}(\psi) = \left1, e\^{-j\\frac{2\\pi d}{\\lambda}\\sin\\psi}, \\ldots, e\^{-j\\frac{2\\pi d}{\\lambda}(N-1)\\sin\\psi}\\right^Tv(ψ)=1,e−jλ2πdsinψ,...,e−jλ2πd(N−1)sinψT

KKK 个信号源叠加时，阵列接收信号为：

x(t)=∑k=1Kv(ψk)sk(t)+n(t)=Vs(t)+n(t)\mathbf{x}(t) = \sum_{k=1}^{K} \mathbf{v}(\psi_k) s_k(t) + \mathbf{n}(t) = \mathbf{V}\mathbf{s}(t) + \mathbf{n}(t)x(t)=k=1∑Kv(ψk)sk(t)+n(t)=Vs(t)+n(t)

其中 n(t)\mathbf{n}(t)n(t) 是复高斯白噪声，V=v(ψ1),...,v(ψK)\mathbf{V} = \\mathbf{v}(\\psi_1), \\ldots, \\mathbf{v}(\\psi_K)V=v(ψ1),...,v(ψK)。

收集 MMM 个快拍后，样本协方差矩阵 为：

R^=1M∑m=1Mx(tm)xH(tm)\hat{\mathbf{R}} = \frac{1}{M} \sum_{m=1}^{M} \mathbf{x}(t_m) \mathbf{x}^H(t_m)R^=M1m=1∑Mx(tm)xH(tm)

2.2 三种算法的核心公式

（1）Beamscan（Bartlett）

最简单的空间谱：用导向矢量做加权，观察输出功率：

PBS(ψ)=vH(ψ)R^v(ψ)P_{BS}(\psi) = \mathbf{v}^H(\psi) \hat{\mathbf{R}} \mathbf{v}(\psi)PBS(ψ)=vH(ψ)R^v(ψ)

主瓣宽度 ≈0.89λ/(Nd)\approx 0.89 \lambda/(Nd)≈0.89λ/(Nd)，无法分辨瑞利限内的两个目标。

（2）MVDR（Capon）

在保证目标方向增益为 1 的约束下，最小化总输出功率（从而抑制干扰）：

PMVDR(ψ)=1vH(ψ)R^−1v(ψ)P_{MVDR}(\psi) = \frac{1}{\mathbf{v}^H(\psi) \hat{\mathbf{R}}^{-1} \mathbf{v}(\psi)}PMVDR(ψ)=vH(ψ)R^−1v(ψ)1

比 Beamscan 有更窄的峰，但需要矩阵求逆，且在相干源下失效。

（3）MUSIC

对 R^\hat{\mathbf{R}}R^ 做特征分解：

R^=EsΛsEsH+EnΛnEnH\hat{\mathbf{R}} = \mathbf{E}_s \mathbf{\Lambda}_s \mathbf{E}_s^H + \mathbf{E}_n \mathbf{\Lambda}_n \mathbf{E}_n^HR^=EsΛsEsH+EnΛnEnH

前 KKK 个大特征值对应信号子空间 Es\mathbf{E}_sEs，后 N−KN-KN−K 个小特征值对应噪声子空间 En\mathbf{E}_nEn。由于信号导向矢量与噪声子空间正交：

vH(ψk)En=0\mathbf{v}^H(\psi_k) \mathbf{E}_n = 0vH(ψk)En=0

因此空间谱为：

PMUSIC(ψ)=1vH(ψ)EnEnHv(ψ)P_{MUSIC}(\psi) = \frac{1}{\mathbf{v}^H(\psi) \mathbf{E}_n \mathbf{E}_n^H \mathbf{v}(\psi)}PMUSIC(ψ)=vH(ψ)EnEnHv(ψ)1

MUSIC 能突破瑞利限，但需要预先知道信号源数量 KKK，且同样对相干源失效。

三、完整代码（可直接运行）

%% ========================================================================
% 第09篇：阵列信号处理------波束形成、MVDR、MUSIC
% 基于：ch8_drawFigures（图8.9、8.11）
% ========================================================================

clear; close all; clc;
rng(2024);

%% ==================== 图1：三种算法空间谱对比 ====================

fprintf('======= 三种算法空间谱对比 =======\n');

% ---- 阵列参数 ----
N = 25;              % 阵元数
d_lam = 0.5;         % 阵元间距（以波长为单位）

% ---- 信号源 ----
d_psi = 0.89 / ((N-1)*d_lam);   % 瑞利分辨极限
du = sin(d_psi);
spacing = 1.5;                   % 两个目标间隔 = 1.5 倍瑞利限
u1 = du * spacing / 2;
u2 = -u1;
psi1 = asin(u1);
psi2 = asin(u2);

fprintf('目标 1: u = %.4f, psi = %.2f°\n', u1, rad2deg(psi1));
fprintf('目标 2: u = %.4f, psi = %.2f°\n', u2, rad2deg(psi2));

% ---- 生成数据 ----
M_snap = 30;          % 快拍数
SNR_dB = 10;
SNR_lin = 10^(SNR_dB/10);

% 信号源（单位功率）
s1 = sqrt(0.5)*(randn(1, M_snap) + 1i*randn(1, M_snap));
s2 = sqrt(0.5)*(randn(1, M_snap) + 1i*randn(1, M_snap));

% 导向矢量
v1 = steering_ula(d_lam, N, psi1);
v2 = steering_ula(d_lam, N, psi2);

% 阵列接收信号
X = v1*s1 + v2*s2;

% 加噪
noise_pwr = 1/SNR_lin;
X = X + sqrt(noise_pwr/2)*(randn(N, M_snap) + 1i*randn(N, M_snap));

% ---- 空间扫描网格 ----
psi_scan = linspace(-pi/2, pi/2, 1001);
u_scan = sin(psi_scan);
V_scan = steering_matrix(d_lam, N, psi_scan);   % N × num_scan

% ---- 三种算法 ----
P_bs = beamscan(X, V_scan);
P_mvdr = mvdr_spectrum(X, V_scan);
P_music = music_spectrum(X, V_scan, 2);   % 已知 2 个信号源

% 归一化（dB）
P_bs_dB = 10*log10(P_bs / max(P_bs));
P_mvdr_dB = 10*log10(P_mvdr / max(P_mvdr));
P_music_dB = 10*log10(P_music / max(P_music));

% ---- 绘图 ----
figure;
plot(u_scan, P_bs_dB, 'b-', 'LineWidth', 2, 'DisplayName', 'Beamscan');
hold on;
plot(u_scan, P_mvdr_dB, 'r--', 'LineWidth', 2, 'DisplayName', 'MVDR');
plot(u_scan, P_music_dB, 'k-.', 'LineWidth', 2, 'DisplayName', 'MUSIC');
xline(u1, 'g:', 'LineWidth', 1.5, 'DisplayName', '真实目标 1');
xline(u2, 'g:', 'LineWidth', 1.5, 'HandleVisibility', 'off');
xlabel('u = sin(\psi)'); ylabel('空间谱 [dB]');
title(sprintf('三种算法空间谱对比 (N=%d, M=%d, SNR=%ddB)', N, M_snap, SNR_dB));
grid on; ylim([-40, 2]);
legend('Location', 'northwest');

%% ==================== 图2：分辨率随 SNR 变化 ====================

fprintf('\n======= 分辨率 vs SNR 分析 =======\n');

SNR_dB_vec = -5:2:20;
spacing_vec = [0.5, 0.8, 1.0, 1.5];   % 相对瑞利限

% 为每个间距计算可分辨的最小 SNR
figure;
for sp_idx = 1:length(spacing_vec)
    sp = spacing_vec(sp_idx);
    u1_tmp = du * sp / 2;
    u2_tmp = -u1_tmp;
    psi1_tmp = asin(u1_tmp);
    psi2_tmp = asin(u2_tmp);
    
    v1_tmp = steering_ula(d_lam, N, psi1_tmp);
    v2_tmp = steering_ula(d_lam, N, psi2_tmp);
    
    P_music_peak_ratio = zeros(size(SNR_dB_vec));
    
    for idx_snr = 1:length(SNR_dB_vec)
        snr = 10^(SNR_dB_vec(idx_snr)/10);
        s1_tmp = sqrt(0.5)*(randn(1, M_snap)+1i*randn(1, M_snap));
        s2_tmp = sqrt(0.5)*(randn(1, M_snap)+1i*randn(1, M_snap));
        X_tmp = v1_tmp*s1_tmp + v2_tmp*s2_tmp;
        X_tmp = X_tmp + sqrt(0.5/snr)*(randn(N,M_snap)+1i*randn(N,M_snap));
        
        P_m = music_spectrum(X_tmp, V_scan, 2);
        P_m_dB = 10*log10(P_m / max(P_m));
        
        % 检查两个真实方向附近是否都有峰
        idx1 = round(interp1(u_scan, 1:length(u_scan), u1_tmp));
        idx2 = round(interp1(u_scan, 1:length(u_scan), u2_tmp));
        window = 30;
        [peak1, ~] = max(P_m_dB(max(1,idx1-window):min(end,idx1+window)));
        [peak2, ~] = max(P_m_dB(max(1,idx2-window):min(end,idx2+window)));
        
        % 峰谷比：若两个峰之间的谷比峰值低 3dB 以上，认为可分辨
        mid_idx = round((idx1+idx2)/2);
        valley = P_m_dB(mid_idx);
        P_music_peak_ratio(idx_snr) = min(peak1, peak2) - valley;
    end
    
    semilogy(SNR_dB_vec, max(P_music_peak_ratio, 0.01), '-o', ...
             'LineWidth', 2, 'DisplayName', sprintf('间距=%.1f×瑞利限', sp));
    hold on;
end
yline(3, 'k--', 'LineWidth', 1.5, 'DisplayName', '3dB 可分辨门限');
xlabel('SNR [dB]'); ylabel('峰谷比 [dB]');
title('MUSIC 分辨率 vs SNR 与目标间距');
grid on; legend('Location', 'northwest');
xlim([-5, 20]); ylim([0.01, 100]);

%% ==================== 图3：快拍数对 MUSIC 的影响 ====================

fprintf('\n======= 快拍数对 MUSIC 的影响 =======\n');

M_vec = [3, 10, 30, 100, 300];
SNR_dB_fix = 10;
spacing_fix = 1.0;   % 刚好在瑞利限附近

u1_fix = du * spacing_fix / 2;
u2_fix = -u1_fix;
psi1_fix = asin(u1_fix);
psi2_fix = asin(u2_fix);

v1_fix = steering_ula(d_lam, N, psi1_fix);
v2_fix = steering_ula(d_lam, N, psi2_fix);

figure;
colors = lines(length(M_vec));
for idx_M = 1:length(M_vec)
    M_tmp = M_vec(idx_M);
    s1_tmp = sqrt(0.5)*(randn(1, M_tmp)+1i*randn(1, M_tmp));
    s2_tmp = sqrt(0.5)*(randn(1, M_tmp)+1i*randn(1, M_tmp));
    X_tmp = v1_fix*s1_tmp + v2_fix*s2_tmp;
    X_tmp = X_tmp + sqrt(0.5/SNR_lin)*(randn(N,M_tmp)+1i*randn(N,M_tmp));
    
    P_m = music_spectrum(X_tmp, V_scan, 2);
    P_m_dB = 10*log10(P_m / max(P_m));
    
    plot(u_scan, P_m_dB, 'Color', colors(idx_M,:), 'LineWidth', 2, ...
         'DisplayName', sprintf('M=%d', M_tmp));
    hold on;
end
xline(u1_fix, 'k:', 'LineWidth', 1.5, 'DisplayName', '真实目标');
xline(u2_fix, 'k:', 'LineWidth', 1.5, 'HandleVisibility', 'off');
xlabel('u = sin(\psi)'); ylabel('空间谱 [dB]');
title(sprintf('MUSIC 谱随快拍数变化 (间距=%.1f×瑞利限, SNR=%ddB)', ...
              spacing_fix, SNR_dB_fix));
grid on; ylim([-40, 2]);
legend('Location', 'northwest');

%% ==================== 图4：相干源问题与空间平滑 ====================

fprintf('\n======= 相干源问题演示 =======\n');

% 生成相干源：s2 = s1 * 相位因子（完全相关）
s1_coh = sqrt(0.5)*(randn(1, M_snap)+1i*randn(1, M_snap));
s2_coh = s1_coh * exp(1i*pi/3);   % 完全相干
X_coh = v1*s1_coh + v2*s2_coh;
X_coh = X_coh + sqrt(noise_pwr/2)*(randn(N,M_snap) + 1i*randn(N,M_snap));

% 标准 MUSIC（对相干源失效）
P_music_coh = music_spectrum(X_coh, V_scan, 2);
P_music_coh_dB = 10*log10(P_music_coh / max(P_music_coh));

% 空间平滑 MUSIC
P_music_ss = music_spatial_smoothing(X_coh, d_lam, N, 2, 8, 2);
P_music_ss_dB = 10*log10(P_music_ss / max(P_music_ss));

figure;
plot(u_scan, P_music_coh_dB, 'r-', 'LineWidth', 2, 'DisplayName', '标准 MUSIC（相干源）');
hold on;
plot(u_scan, P_music_ss_dB, 'b--', 'LineWidth', 2, 'DisplayName', '空间平滑 MUSIC');
xline(u1, 'g:', 'LineWidth', 1.5, 'DisplayName', '真实目标 1');
xline(u2, 'g:', 'LineWidth', 1.5, 'HandleVisibility', 'off');
xlabel('u = sin(\psi)'); ylabel('空间谱 [dB]');
title('相干源场景：标准 MUSIC 失效 vs 空间平滑恢复');
grid on; ylim([-40, 2]);
legend('Location', 'northwest');

%% ==================== 扩展：阵列方向图与波束宽度 ====================

fprintf('\n======= 阵列方向图分析 =======\n');

figure;
N_vec = [5, 10, 25];
psi_0 = 0;   % 波束指向法线
for idx = 1:length(N_vec)
    N_tmp = N_vec(idx);
    v_tmp = steering_matrix(d_lam, N_tmp, psi_scan);
    v_ref = steering_ula(d_lam, N_tmp, psi_0);
    
    % 阵列因子
    AF = abs(v_ref' * v_tmp).^2 / N_tmp^2;
    AF_dB = 10*log10(AF);
    
    plot(u_scan, AF_dB, 'LineWidth', 2, 'DisplayName', sprintf('N=%d', N_tmp));
    hold on;
end
xlabel('u = sin(\psi)'); ylabel('阵列因子 [dB]');
title(sprintf('均匀线阵方向图（d/\\lambda=%.1f）', d_lam));
grid on; ylim([-40, 2]); xlim([-1, 1]);
legend('Location', 'northwest');

% 标注 -3dB 波束宽度公式
text(-0.7, -20, sprintf('波束宽度 ∝ 1/(Nd/\\lambda)', N), 'FontSize', 11, 'Color', 'k');

fprintf('\n======= 全部完成 =======\n');

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

function v = steering_ula(d_lam, N, psi)
    % 均匀线阵导向矢量
    n = (0:N-1).';
    v = exp(-1i * 2*pi * d_lam * n * sin(psi));
end

function V = steering_matrix(d_lam, N, psi_vec)
    % 批量导向矢量：N × num_psi
    n = (0:N-1).';
    V = exp(-1i * 2*pi * d_lam * n * sin(psi_vec));
end

function P = beamscan(X, V)
    % Beamscan (Bartlett) 空间谱
    R = (X * X') / size(X, 2);
    P = real(sum(conj(V) .* (R * V), 1));
end

function P = mvdr_spectrum(X, V)
    % MVDR (Capon) 空间谱
    R = (X * X') / size(X, 2);
    R_inv = inv(R + 1e-8*eye(size(R)));   % 对角加载提高稳健性
    P = zeros(1, size(V, 2));
    for k = 1:size(V, 2)
        v = V(:, k);
        P(k) = 1 / real(v' * R_inv * v);
    end
end

function P = music_spectrum(X, V, K)
    % MUSIC 空间谱
    R = (X * X') / size(X, 2);
    [E, D] = eig(R);
    [~, idx] = sort(diag(D), 'descend');
    E = E(:, idx);
    En = E(:, K+1:end);   % 噪声子空间
    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

function P = music_spatial_smoothing(X, d_lam, N, K, L_sub, num_sub)
    % 空间平滑 MUSIC（处理相干源）
    % L_sub: 子阵长度，num_sub: 子阵个数
    R_smooth = zeros(L_sub, L_sub);
    for k = 1:num_sub
        X_sub = X(k:k+L_sub-1, :);
        R_smooth = R_smooth + (X_sub * X_sub') / size(X, 2);
    end
    R_smooth = R_smooth / num_sub;
    
    [E, D] = eig(R_smooth);
    [~, idx] = sort(diag(D), 'descend');
    E = E(:, idx);
    En = E(:, K+1:end);
    
    psi_scan = linspace(-pi/2, pi/2, 1001);
    V = steering_matrix(d_lam, L_sub, psi_scan);
    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 阵元间距为什么取 d/λ=0.5d/\lambda = 0.5d/λ=0.5？

这是均匀线阵的无模糊上限 。当 d/λ≤0.5d/\lambda \leq 0.5d/λ≤0.5 时，导向矢量的相位 ϕn∈−π,π\phi_n \in -\\pi, \\piϕn∈−π,π，无栅瓣（grating lobe）。如果 d/λ>0.5d/\lambda > 0.5d/λ>0.5，MUSIC 谱会出现虚假峰------这与干涉仪的相位模糊是同一个数学根源。

4.2 瑞利分辨极限的代码实现

d_psi = 0.89 / ((N-1)*d_lam);
du = sin(d_psi);

这是均匀线阵的经典公式：Δu3dB≈0.89λ/(Nd)\Delta u_{3dB} \approx 0.89 \lambda / (Nd)Δu3dB≈0.89λ/(Nd)。代码中用 d_psi 计算出 u 空间的分辨极限 du，然后设置 spacing = 1.5 使两个目标间隔 1.5 倍极限------刚好能让 MUSIC 分辨，而 Beamscan 分辨不了。

4.3 MVDR 为什么要加对角加载？

R_inv = inv(R + 1e-8*eye(size(R)));

当快拍数 MMM 小于阵元数 NNN 时，样本协方差矩阵 R^\hat{\mathbf{R}}R^ 是奇异 的（秩不足），求逆会数值爆炸。对角加载（diagonal loading）R+ϵI\mathbf{R} + \epsilon \mathbf{I}R+ϵI 保证可逆性，同时略微展宽波束。这是所有实用 MVDR 系统的标配。

4.4 MUSIC 中特征值分解的排序问题

[E, D] = eig(R);
[~, idx] = sort(diag(D), 'descend');
E = E(:, idx);
En = E(:, K+1:end);

eig 返回的特征值不一定按降序排列 ，必须显式排序。前 KKK 个特征值对应信号子空间，后面的对应噪声子空间。如果信号源数 KKK 估计错误 （比如实际有 2 个目标但设 K=1K=1K=1），MUSIC 谱会出现伪峰或漏峰------这是 MUSIC 实用中最关键的难点。

4.5 空间平滑处理相干源

两个完全相关的信号（如多径反射）会使 R^\hat{\mathbf{R}}R^ 的秩降为 1，MUSIC 直接失效。空间平滑 将 NNN 元大阵列切分为多个重叠子阵，各子阵的相干信号相位不同，取平均后恢复了协方差矩阵的秩：

for k = 1:num_sub
    X_sub = X(k:k+L_sub-1, :);
    R_smooth = R_smooth + (X_sub * X_sub') / size(X, 2);
end
R_smooth = R_smooth / num_sub;

代价是有效孔径减小 （子阵长度 Lsub<NL_{sub} < NLsub<N），分辨率略有下降，但能正确处理相干源。

五、运行结果解读

运行代码后，你将看到 5 张图：

1. 图1（三种算法空间谱） ：

   • Beamscan（蓝） ：两个目标融为一个宽峰，无法分辨；
   • MVDR（红） ：开始显示双峰，但中间谷仍不够深；
   • MUSIC（黑） ：双峰极尖锐，分辨率远超瑞利限。

2. 图2（分辨率 vs SNR） ：

   • 间距 0.5 倍瑞利限时，即使 SNR = 20 dB，峰谷比也很难超过 3 dB------MUSIC 也不能无限打破物理极限；
   • 间距 1.5 倍瑞利限时，SNR = 0 dB 就能分辨。这给出了"可分辨门限 SNR"的定量结论。

3. 图3（快拍数影响） ：

   • M=3M=3M=3 时谱粗糙，伪峰多；
   • M=30M=30M=30 以上趋于稳定；
   • M=100M=100M=100 以上几乎没有改善------MUSIC 需要足够的快拍数，但有饱和效应。

4. 图4（相干源） ：

   • 标准 MUSIC 在相干源下只看到一个虚假峰（两目标之间），完全失效；
   • 空间平滑 MUSIC 成功恢复出两个真实峰。

5. 图5（阵列方向图） ：

   • NNN 越大，主瓣越窄（分辨率越高）；
   • 但 NNN 大意味着硬件成本高------工程上在 N=10∼30N=10\sim 30N=10∼30 之间取平衡。

六、扩展思考

6.1 三种算法的工程对比

算法	分辨率	抗相干源	计算量	需要 KKK
Beamscan	差（瑞利限）	好	O(N2⋅L)O(N^2 \cdot L)O(N2⋅L)	否
MVDR	中	差	O(N3+N2L)O(N^3 + N^2 L)O(N3+N2L)	否
MUSIC	极好（超分辨）	差（需平滑）	O(N3+N2L)O(N^3 + N^2 L)O(N3+N2L)	是

6.2 信号源数 KKK 的估计

实际中 KKK 未知，需用 AIC（Akaike信息准则） 或 MDL（最小描述长度） 从特征值谱中估计。这是 MUSIC 实用化的关键一步，也是原书第8章的延伸内容。

6.3 从线阵到面阵

均匀线阵只能测一维角度 （方位角或俯仰角）。实际系统用均匀矩形阵（URA） 或 L型阵 同时测方位和俯仰。导向矢量变为二维张量，MUSIC 的数学结构完全一致。

6.4 与压缩感知的关系

当信号源是稀疏的 （空间上只有少数方向有目标），可以用 ℓ1\ell_1ℓ1 范数最小化（LASSO）替代 MUSIC------这就是稀疏阵列 DOA 估计。在低快拍、低 SNR 下优于 MUSIC，是当前研究热点。

---

下一篇预告（第10篇）：测向精度极限------克拉美-罗下限（CRLB）与误差分析

从 Watson-Watt 到 MUSIC，我们用了 5 篇博客完整走过了测向技术。但一个终极问题始终没有正面回答：在给定信噪比、阵元数、阵列几何下，测向精度的理论下界是多少？ 下一篇将系统推导：

• 单天线测向的 CRLB
• 干涉仪的 CRLB（以及为什么它与基线长度成反比）
• 阵列 DOA 的 CRLB（确定性信号模型 vs 随机信号模型）
• 如何用 CRLB 指导阵列设计（最优间距、最优快拍数）

我们将解析原书第7、8章的核心公式，用代码绘出"精度热力图"，让你一眼看穿哪些参数最影响性能。敬请期待！