MVDR与MMSE自适应波束形成：原理、工程实现与调试

简介：面向无线通信和声学信号处理研究者的自适应波束形成MATLAB源码包，聚焦最小均方误差（MMSE）与最小方差无失真响应（MVDR）两类经典算法，并给出二者结合的实现思路。压缩包共7个文件，全部为.m脚本，整体仅3KB，包含主运行脚本、LMS迭代实现、批量处理模块以及多个绘图脚本，便于直接运行和对比实验结果。已有447人学习，适合通信工程、电子信息等相关专业正在学习阵列信号处理或需要快速搭建波束形成仿真环境的本科生、研究生与工程师。源码不仅覆盖最小方差无失真响应算法的最优权值求解、最小均方误差准则下的干扰抑制，还提供结果可视化与参考信号生成工具，用户可基于现有代码修改参数或扩展场景，用于验证算法性能或定制自己的波束形成策略。

1. MVDR与MMSE波束形成：它们解的是同一个阵列问题

一个反直觉的结论：MVDR（最小方差无失真响应）和MMSE（最小均方误差）在自适应波束形成里看着是两条优化路线，但在窄带阵列模型下，两者的解只差在一个约束和一个参考信号上。MVDR号称不需要期望信号，代价是必须知道来波方向并写出准确的导向矢量；MMSE需要参考信号或训练数据，代价是参考信号不干净时波束指向会漂移。实际做麦克风阵列语音增强、雷达抗干扰、声呐多目标检测的人，最后基本都会两套一起掌握——MVDR输出后面经常要挂MMSE做后滤波。这篇文章就把两套方法的数学、最小实现、时域扩展和工程翻车点一次讲透。

2. 从阵列模型到闭式解：MVDR与MMSE在数学上的分岔与汇合

2.1 先立一个统一的窄带阵列模型

波束形成的起点是接收数据模型。假设一个M元均匀线阵，期望信号从θ_s方向来，干扰从θ_j方向来，那么第k个快照的接收向量可以写成：

x(k) = a(θ_s)·s(k) + a(θ_j)·j(k) + n(k)

其中a(θ)是导向矢量，对于阵元间距为d的均匀线阵，第m个元素是exp(-j·2π·d·m·sin(θ)/λ)。s(k)是期望信号复包络，j(k)是干扰复包络，n(k)是加性白噪声向量。这个模型默认信号带宽远小于载频，信号到达不同阵元只差一个相位，这就是窄带假设。

做自适应波束形成，本质是求一个复权向量w，让输出y(k) = w^H·x(k)里的期望信号保留、干扰和噪声被压掉。这里w^H表示共轭转置。MVDR和MMSE的差异，只在“保留期望信号”和“压掉干扰噪声”这两件事各自用什么数学语言去描述。d通常取半波长，这是为了避免栅瓣，阵列方向图在可见区内只有一个主瓣。

2.2 MVDR：无失真约束下的最小方差

MVDR的优化问题写成：

min w^H·R_x·w，约束 w^H·a(θ_s) = 1

R_x是接收数据的协方差矩阵。物理含义很直白：在期望方向增益固定为1的前提下，让输出总功率最小。输出总功率等于期望信号功率加干扰功率加噪声功率，期望信号功率被约束固定了，所以最小化总功率就是在最小化干扰加噪声功率。用拉格朗日乘子法解这个约束优化，得到闭式解：

w_MVDR = R_x⁻¹·a(θ_s) / (a(θ_s)^H·R_x⁻¹·a(θ_s))

这个公式看起来简单，但工程上两个地方会卡住。第一，R_x是真实统计量，实际只能用有限快拍估计；第二，a(θ_s)是假设的导向矢量，阵元位置误差、幅相不一致都会让它偏离真实值。这两处一旦出错，MVDR的零陷会偏离干扰方向，甚至把期望信号当干扰消掉，这就是后面要展开的信号自消问题。

MVDR不需要参考信号，这是它比MMSE方便的地方。但“不需要参考信号”不等于“没有参数要调”，导向矢量和协方差矩阵估计质量决定了性能上限。

2.3 MMSE：最小均方误差与维纳解

MMSE把问题换了个写法：找一个w，让波束输出和某个期望响应d(k)的均方误差最小，即：

min E[|w^H·x(k) - d(k)|²]

这里的d(k)是参考信号。对w求梯度并令其为零，得到维纳解：

w_MMSE = R_x⁻¹·r_xd

其中r_xd = E[x(k)·d(k)*]是接收数据与参考信号的互相关向量。所以MMSE的完整表述是：知道R_x，再知道r_xd，权值一步到位。实际系统里，r_xd的来源通常是训练序列、导频符号，或者语音增强里的语音活动检测段。

如果参考信号本身就是期望信号s(k)，而且s(k)与干扰、噪声不相关，那么r_xd = a(θ_s)·E[|s|²]，代入维纳解后可以推出，在高信噪比极限下MMSE和MVDR的权值方向趋于一致。但在有限噪声情况下两者不等价：MVDR强制保持期望方向增益为1，MMSE允许输出幅度自由缩放，它只关心误差最小。这就是为什么MMSE的输出幅度通常会比MVDR略小，但在抑制干扰和噪声的总误差上更优。

2.4 两者的共通瓶颈：协方差矩阵的估计与求逆

MVDR和MMSE的闭式解都压在一个矩阵上：R_x。理论R_x拿不到，只能用有限快拍做时间平均：

R_hat = (1/K)·Σ x(k)·x(k)^H，k = 1…K

这个估计本身有个硬约束：复协方差矩阵有M²个复数参数，加上Hermitian对称性，实际自由参数是M·(M+1)/2的量级。K必须大于这个数才能保证R_hat满秩。行业底线是K > 2M，稳妥的做法是K ≥ 5M到10M。快拍数不够时，R_hat的小特征值会严重偏小，求逆之后对应的特征向量权重被无限放大，波束方向图会出现大量随机深零陷。

求逆本身也有讲究。直接np.linalg.inv()在病态矩阵上会给出夸张的权值范数，我一般用np.linalg.solve()解线性方程组，避免显式求逆。如果条件数仍然很差，就加对角线加载，下一节细说。

2.5 对角线加载：让解在失配时仍然稳健

对角线加载是给协方差矩阵加上一个单位阵的缩放：

w = (R_hat + λ·I)⁻¹·a(θ_s) / (a(θ_s)^H·(R_hat + λ·I)⁻¹·a(θ_s))

λ就是加载量，物理效果是把协方差矩阵的所有特征值统一抬高一个底。小特征值方向原本对应噪声子空间，求逆后权重极大，加载之后这些方向的权重被压住，波束对导向矢量误差的敏感度显著下降。代价是干扰零陷变浅，干扰抑制深度从-60dB级别掉到-30dB级别。

加载量怎么定？有两个经验标尺。一是取λ为噪声功率的1到10倍，噪声功率可以从接收信号底噪估计；二是取λ = β·trace(R_hat)/M，β在0.01到0.1之间。trace(R_hat)/M是特征值均值，代表了平均功率量级。信噪比高的场景取小值，信噪比低或者快拍少取大值。加载量不是越大越好，加载过头会让波束退化成纯相控阵，失去自适应能力。

3. 用Python把MVDR与MMSE跑通：最小实现与参数设置

3.1 最小可实现代码：从数据到权值

先给一套可以直接跑通的最小实现。这段代码生成一个8元均匀线阵的仿真数据，包含一个期望信号和一个强干扰，然后分别用MVDR和MMSE求权值并计算输出信干噪比。

import numpy as np def steering_vec(theta_deg, M, d_lambda): # 均匀线阵导向矢量，theta_deg为来波方向，M为阵元数，d_lambda为阵元间距（以波长为单位） m = np.arange(M) return np.exp(-1j * 2 * np.pi * d_lambda * m * np.sin(np.deg2rad(theta_deg))) def estimate_cov(X): # X: M x K，M个阵元，K个快照 # 样本协方差矩阵，注意用共轭转置 return (X @ X.conj().T) / X.shape[1] def mvdr_weights(R, a_s): # 对角线加载，加载量取协方差均值的一半，快拍少时可调大 lam = 0.05 * np.trace(R) / R.shape[0] R_loaded = R + lam * np.eye(R.shape[0]) # 用 solve 代替显式求逆，数值更稳 Rinv_a = np.linalg.solve(R_loaded, a_s) w = Rinv_a / (a_s.conj().T @ Rinv_a) return w def mmse_weights(R, r_xd): # 维纳解，解线性方程组 R w = r_xd return np.linalg.solve(R, r_xd) # 场景参数 M = 8 d_lambda = 0.5 theta_s = 10.0 theta_j = -30.0 SNR = 10 # 期望信号信噪比 dB JNR = 30 # 干扰噪比 dB K = 2000 # 快拍数 # 生成仿真数据 a_s = steering_vec(theta_s, M, d_lambda) a_j = steering_vec(theta_j, M, d_lambda) s = (np.random.randn(K) + 1j*np.random.randn(K)) / np.sqrt(2) j = (np.random.randn(K) + 1j*np.random.randn(K)) / np.sqrt(2) n = (np.random.randn(M, K) + 1j*np.random.randn(M, K)) / np.sqrt(2) X = a_s[:, None] * s[None, :] * (10**(SNR/20)) \ + a_j[:, None] * j[None, :] * (10**(JNR/20)) \ + n # 估计协方差与互相关 R = estimate_cov(X) r_xd = (X @ s.conj()) / K # 仿真里参考信号取真实 s，实际系统用导频或训练序列 # 求权值并计算输出 SINR w_mvdr = mvdr_weights(R, a_s) w_mmse = mmse_weights(R, r_xd) def sinr_out(w, a_s, a_j, SNR, JNR): ps = np.abs(w.conj() @ a_s)**2 * (10**(SNR/10)) pj = np.abs(w.conj() @ a_j)**2 * (10**(JNR/10)) pn = np.linalg.norm(w)**2 return 10 * np.log10(ps / (pj + pn)) print("MVDR 输出SINR: %.2f dB" % sinr_out(w_mvdr, a_s, a_j, SNR, JNR)) print("MMSE 输出SINR: %.2f dB" % sinr_out(w_mmse, a_s, a_j, SNR, JNR))

这段代码里有几个参数值得重点解释。首先是数据生成时的功率归一化：s、j、n都除以sqrt(2)是为了让实部虚部总功率为1，这样SNR和JNR的换算才准确。期望信号乘上10^(SNR/20)是把功率提升到信噪比对应值，注意是20不是10，因为幅度和功率差一倍指数。其次是协方差估计除以K，这是无偏估计的标准做法，快拍数小于阵元数时这个除法没问题，但矩阵会奇异。

MVDR函数里做了对角线加载，加载系数0.05乘特征值均值。这个值在快拍充足、阵列校准良好的时候可以降为0.01，快拍紧张或者阵元幅相误差大的时候加到0.1甚至0.3。加载量的选取看输出SINR的实测曲线，我在3.3节会给出标尺。r_xd的估计在仿真里用了真实s(k)，这在实际系统里不存在，实际用的是接收端已知的导频序列或者解调后的判决符号。

3.2 快拍数怎么设：至少两倍阵元数的行业底线

快拍数是自适应波束形成里最容易被低估的参数。R_hat是M×M复矩阵，满秩要求有M个线性无关的快照，但线性无关和统计可逆是两回事。当K = M时，R_hat几乎肯定病态，特征值分布极端，求逆后权值范数巨大，方向图在干扰方向以外的地方会出现陡峭伪零陷。K = 2M时勉强可用，但MVDR的零陷深度很不稳定。我做过一组快照扫描实验：K=100（约12M）时输出SINR稳定在理论值附近，K=20（约2.5M）时SINR抖动达到6dB以上。

工程上如果快拍数受限，不要急着加加载量，先检查信号是不是平稳。很多雷达和声呐场景里快拍数不够不是因为数据短，而是因为目标角度在动，快拍多了反而把导向矢量抹糊。这种情况下更推荐用前几节提到的子带分解，或者干脆降维到低快拍自适应算法。

3.3 对角线加载量的实用标尺

加载量λ的选取没有通用最优解，但有一个可操作的实验流程：固定快拍数和信干噪比，把λ从0.001·trace(R)/M扫到1·trace(R)/M，画出输出SINR随λ的变化曲线。曲线通常先上升后下降，峰值对应的λ就是当前场景的经验最优值。注意这个最优值在不同信噪比下会移动，所以不是调一次就能一劳永逸。

更省事的方法是用特征值分布来决定：对R_hat做特征分解，找出最大的干扰特征值和噪声底之间的缺口。加载量取噪声底特征值的2到5倍，这样既能压住噪声子空间的随机权重，又不会把干扰特征方向的抑制能力削弱太多。这个方法在干扰功率远大于噪声功率的场景（比如JNR>20dB）特别好用，因为特征值缺口非常明显。

4. 从窄带到时域波束形成：宽带信号如何改结构

4.1 窄带假设在宽带场景为什么失效

第2章的模型建立在窄带假设上：信号带宽远小于载频，导向矢量近似是频率无关的固定复向量。但实际信号往往不是这样。语音信号跨度300Hz到3400Hz，宽带雷达信号带宽可以达到载频的百分之几十，声呐信号更是从几十Hz到几kHz都有。带宽变大后，同一信号在不同阵元间的相位差变成随频率变化的函数，再用单一导向矢量描述期望方向，高频段会相位错位，低频段方向图主瓣变宽，结果就是波束输出信号失真。

解决思路有两条。一条是在时域做抽头延迟线结构，把每个阵元的输出通过一组延时抽头再加权，等效于对每个阵元做了频率自适应的滤波器；另一条是把信号变换到频域，划成若干子带，在每个子带内套用窄带MVDR，最后合成。这两条路殊途同归，但工程实现细节差别很大。

4.2 时域波束形成的两种常见做法：TDL结构与子带处理

TDL（抽头延迟线）结构的做法是：每个阵元通道接L个单位延迟抽头，也就是用当前快照和过去L-1个快照共同组成增广数据向量。阵元数M、抽头数L时，增广向量长度是M·L，权向量也是M·L长。约束条件从单点导向矢量变成块约束：对期望方向的所有频率分量保持增益一致，这样才能保证宽带信号无失真。

子带处理则是另一种思路：对接收数据做STFT或者滤波器组分解，每个频点单独用窄带波束形成，频域权值逐点计算，再IDFT合成时域输出。这个方案实现简单，每个频点的公式和窄带完全一样，但频点间权值可能跳变，合成后会有频谱不连续伪影。

时域TDL和频域子带的核心取舍可以看这张表：

我遇到的大部分宽带工程，设计阶段喜欢用频域子带快速出效果，落地原型机时换成时域TDL，因为TDL在时延稳定性和抗频点跳变上更可控。如果你的场景是语音增强，频域子带更常见，因为STFT本来就是语音处理的标配。

4.3 时域MVDR的实现代码：构建增广数据与块约束

用Python实现TDL结构，核心是把数据矩阵X扩展成增广形式，再套用MVDR解。关键区别是约束矩阵C不再是一个导向矢量，而是L个导向矢量堆叠成的M·L×L块矩阵，约束响应向量f只在参考抽头位置为1。

def tdl_mvdr_weights(X, a_s, L): # X: M x K，窄带接收数据（已做下变频） # a_s: M x 1 期望方向导向矢量 # L: 抽头数 M, K = X.shape K_ext = K - L + 1 X_ext = np.zeros((M * L, K_ext), dtype=complex) # 构建抽头延迟线增广矩阵：每个阵元取连续L个快照 for m in range(M): for l in range(L): X_ext[m * L + l, :] = X[m, L - 1 - l : K_ext + L - 1 - l] R_ext = (X_ext @ X_ext.conj().T) / K_ext # 块约束：C是 M*L x L 矩阵，每一列对应一个抽头的导向矢量 C = np.tile(a_s, (L, 1)) # 按列堆叠 L 次 f = np.zeros(L, dtype=complex) f[0] = 1.0 # 参考抽头：第一个抽头响应为1，其余为0 # 广义MVDR解：w = R^-1 C (C^H R^-1 C)^-1 f Rinv_C = np.linalg.solve(R_ext, C) w = Rinv_C @ np.linalg.solve(C.conj().T @ Rinv_C, f) return w

这段代码的注意点在约束矩阵的构造上。C = np.tile(a_s, (L, 1))把导向矢量在行方向重复堆叠，得到M·L×L矩阵，每一列都指向期望方向。f[0]=1的意思是：期望信号从第一个抽头原样输出，其余抽头保持增益为零，这样整条滤波器的频率响应在期望方向上是平坦的。如果把f设成别的形状，比如让多个抽头参与输出，就能成型出频率响应，但自由度多了更容易过拟合。

抽头数L怎么定？经验公式是L ≥ B·M·d·sin(θ_max)/c，其中B是信号带宽，d是阵元间距，θ_max是最大扫描角。实际工程里L取8到16很常见。L太小，高频段频率响应不平坦；L太大，协方差矩阵维度升高，快拍要求成倍上涨，计算量也上来。

4.4 频域实现：划分子带后逐频点处理

频域子带实现更简洁：对每个阵元的时域数据做STFT，然后在每个频点f上计算协方差矩阵R(f)和导向矢量a(f, θ)，套用窄带MVDR公式得到权值W(f)，最后用W(f)对频域数据加权、重叠相加合成时域输出。

from scipy.signal import stft, istft def subband_mvdr(X, fs, fft_size, theta_s, d_lambda, overlap=0.75): # X: M x N 时域多通道数据 M, N = X.shape hop = int(fft_size * (1 - overlap)) F_list = [] # 逐通道STFT for m in range(M): f, t, Zm = stft(X[m], fs, nperseg=fft_size, noverlap=int(fft_size*overlap)) F_list.append(Zm) # 频域数据: f_bins x time_frames x M Z = np.stack(F_list, axis=-1) freq_bins = Z.shape[0] Y_out = np.zeros((freq_bins, Z.shape[1]), dtype=complex) for fi in range(freq_bins): Rf = np.mean(Z[fi][:, :, None] * Z[fi].conj()[:, None, :], axis=0) # 频率对应的 wavenumber，导向矢量随频率变化 freq_hz = f[fi] wave_len = 1.0 # 归一化频率，实际要除以光速/声速 a_f = np.exp(-1j * 2 * np.pi * d_lambda * np.arange(M) * np.sin(np.deg2rad(theta_s))) Rf_loaded = Rf + 1e-3 * np.trace(Rf) / M * np.eye(M) Rinv_a = np.linalg.solve(Rf_loaded, a_f) wf = Rinv_a / (a_f.conj() @ Rinv_a) Y_out[fi, :] = Z[fi] @ wf # 逆STFT，单通道输出 t_out, y = istft(Y_out, fs, nperseg=fft_size, noverlap=int(fft_size*overlap)) return y

这段代码的导向矢量没有随频率变化，是偷懒的写法，真实宽带系统里a_f必须按freq_hz重新算。频率归一化时wave_len = 光速/载频还是声速/载频取决于应用，雷达选光速，声呐选声速。逐频点做矩阵求逆，运算量随频点数线性增长，实时性要求高的场景可以用并行加速。频点间的权值建议做一次中值平滑，否则合成后会有频谱泄漏噪声。

5. MVDR与MMSE工程踩坑记录：五个典型翻车现场

5.1 信号自消：期望信号被当成干扰抑制掉

现象：输入信噪比越高，输出SINR反而越低，甚至期望信号方向的方向图增益跌破-10dB。

原因：导向矢量有失配。阵元位置偏差、互耦、通道幅相不一致，都会让假设的a(θ_s)和真实接收方向存在角度差。MVDR的约束等式w^H·a(θ_s)=1针对的是假设导向矢量，真实信号方向不在约束上，最小方差优化会把真实期望信号当成干扰去压制。

解决：首先加对角线加载，加载量从0.05·trace(R)/M起往上试。其次检查通道校准：在消音室或暗室测一遍各通道幅相响应，把校正系数乘到数据上。再不够就用稳健MVDR，把约束从单点改成一段角度区域，比如用一组相邻角度的导向矢量做约束矩阵，牺牲一点干扰抑制深度换来自消免疫。

5.2 矩阵求逆出现NaN：快拍太少引发协方差奇异

现象：代码跑起来第一个快照就报错，权值全是nan或者inf，方向图完全乱掉。

原因：K < M时样本协方差矩阵必定秩亏，至少M-K个特征值为零，求逆遇到除零。K接近M时特征值分布极端病态，数值上等效于奇异。这是自适应波束形成最常见的入门翻车。

解决：第一步把快拍数加到K > 2M，这是底线。如果场景只够给这么多数据，就对R_hat做特征值截断：特征分解后把小于最大特征值1‰的特征值全部置为该值，再做逆。更省事的办法还是对角线加载，加载量给大一点，比如1.0·trace(R)/M，虽然干扰抑制深度下降，但至少权值能算出来。不要用np.linalg.pinv硬扛，伪逆会把噪声子空间权重归零，方向图同样会出现随机深零陷。

5.3 MMSE参考信号不干净：r_xd偏移导致波束指向漂移

现象：MMSE的输出SINR还不如直接把常规波束形成，且波束峰值明显偏离期望方向。

原因：r_xd是MMSE解的方向依据。参考信号d(k)里如果混入了干扰成分，或者和期望信号相关性不够（比如判决错误率高的通信系统），r_xd = E[x·d*]的主导成分就不再指向期望方向，整个波束被拖走。

解决：用干净的导频段估计r_xd，导频符号已知、相关性有保证。语音场景可以用语音活动检测切出的纯语音段，但检测错误的边缘帧宁可丢。另外可以加一个后验验证：算出MMSE权值后检查w_H·a(θ_s)的幅度，如果偏离1太远，说明r_xd不可信，退回MVDR。

5.4 时域波束形成高频方向图畸变：抽头数与时延精度没对齐

现象：宽带信号经过时域TDL波束形成后，高频分量明显衰减，输出声音发闷，或者高频段出现方向性伪峰。

原因：抽头时延分辨率不够。单位延迟间隔δ决定了TDL能补偿的最高频率，f_max ≈ 1/(2δ)。如果δ取采样周期，那么信号带宽超过采样率一半时，高频相位差无法被抽头链精确补偿。另一个常见原因是抽头数L太少，频率响应在带内起伏超过3dB。

解决：把单位时延从采样周期改成亚采样精度，用分数延迟滤波器实现每个抽头的时延偏移，这是声呐和宽带雷达的常见做法。或者增加L到16以上，并在约束里显式加入频率响应平坦约束，强制期望方向在通带内的增益一致。实在不行就换频域子带方案，逐频点处理天然规避了时延量化问题。

5.5 高输入SNR下SINR反而变差：协方差里混入期望信号

现象：仿真里把SNR调到30dB，MVDR输出SINR反而比SNR=0dB时低十几dB，方向图在期望方向出现凹口。

原因：样本协方差R_hat里包含了期望信号本身的贡献。当SNR很高时，期望信号成分主导了R_hat的特征结构，MVDR的最小方差优化会试图把最强的信号成分压掉，哪怕它是期望信号。这是MVDR在理论上的固有弱点：它区分不了期望信号和强干扰，只认导向矢量。

解决：如果场景允许，用不含期望信号的快拍估计R_hat，比如雷达在目标入场前采集噪声加干扰数据。语音和通信场景做不到，就加大加载量，把期望信号特征方向的影响摊薄。另一种做法是期望信号子空间投影：先估计R_hat的特征分解，把最大特征值对应的特征向量抠掉再求逆，这是舰载声呐里常见的预处理手段。

6. 先仿真后实测：验证波束形成器的三条硬指标

6.1 输出SINR的理论值与实测值对比

仿真阶段的第一件事不是看方向图，是算输出SINR。理论值用真实R和真实导向矢量代入：SINR_opt = a_s^H·R_inv⁻¹·a_s，其中R_inv是干扰加噪声协方差矩阵。实际权值算出来的SINR按第3章代码里的sinr_out函数计算，对比两者差值。差值在0.5dB以内说明实现正确；差值超过2dB，优先检查对角线加载是否过大或者协方差估计里混入了期望信号。

做法是固定场景跑100次蒙特卡洛，统计SINR的均值和方差。均值偏低说明有系统偏差，方差偏大说明快拍不够或者加载量没调好。这个流程在实测前必须通过，不然实测翻车了很难分清是算法问题还是硬件问题。

6.2 方向图与零陷深度检查

方向图是波束形成器最直观的体检报告。用计算好的权值扫角得到响应曲线：

def array_pattern(w, M, d_lambda): angles = np.linspace(-90, 90, 361) P = np.zeros(len(angles), dtype=complex) for i, theta in enumerate(angles): a = steering_vec(theta, M, d_lambda) P[i] = w.conj() @ a return angles, 20 * np.log10(np.abs(P) / np.max(np.abs(P)))

检查三件事。第一，主瓣峰值是否对准0dB且在期望方向；第二，干扰方向是否有零陷，深度要低于-30dB；第三，旁瓣是否出现随机尖峰，尖峰超过-20dB就说明权值有病态成分。零陷深度不够时，先加加载量再观察，加载量升高零陷变浅是正常现象，但低于-20dB就要回头查导向矢量了。

6.3 稳健性蒙特卡洛测试

实测环境和仿真假设总有偏差，所以在仿真阶段我要做一轮失配测试：给导向矢量加随机幅相扰动，给阵元位置加随机偏移，跑200次取SINR统计。SINR均值跌落在3dB以内说明方案稳健，超过5dB就该考虑换稳健算法。这轮测试过的参数拿到实测时基本不用再大动。

我的习惯是，任何新的波束形成方案都按这个顺序过一遍：先验算闭式解，再做蒙特卡洛看分布，最后才上方向图可视化。方向图好看但SINR统计不行，等于金玉其外。这套验证流程救过我不少次，希望帮到你。

本文还有配套的精品资源，点击获取