SINR自适应波束形成器MVDR Matlab仿真：强干扰下阵列信号处理

简介：这是一份用于无线通信与雷达信号处理的自适应波束形成器MATLAB实现，核心算法基于最大信干噪比（SINR）准则，解决阵列天线在强干扰与噪声环境下期望信号接收质量不佳的问题，适合通信工程、信号处理方向的学生与研究人员学习或作为课程设计参考。压缩包内仅含1个M文件，代码体积847B，文件精简严谨，便于直接阅读与调试，完整覆盖阵列接收数据预处理、关键参数定义、权值初始化、迭代优化以及波束响应图输出等流程。目前已有788人学习，具有一定的参考热度。通过研读该代码，可以直观理解如何利用梯度上升或最小二乘类方法迭代更新天线阵元权值，在期望方向形成主瓣的同时抑制干扰与噪声；同时能掌握MATLAB下自适应波束形成算法从建模到仿真验证的完整实现框架，为后续扩展到LCMV、MVDR等波束形成器提供可复用的基础模块。

1. SINR自适应波束形成器：强干扰下还能保住目标信号的Matlab仿真代码

做阵列信号处理的同行可能都有这个经历：用最大信噪比波束形成时，目标方向增益明明很高，可干扰一来，输出信噪比直接崩掉。SINR自适应波束形成器解决的就是这个问题，它不追求单点增益最高，而是把输出信干噪比作为优化目标，在期望方向约束无失真，同时把干扰和噪声的总输出压到最低。这套Matlab代码是模拟项目X里拆出来的，覆盖了阵列快拍生成、采样协方差估计、MVDR权值求解和SINR曲线复现完整链路。适合正在复现自适应波束形成仿真、做阵列信号处理课程设计，以及工作中需要快速验证MVDR效果的同行。不需要额外装工具箱，开箱就能跑。

2. 信号模型与优化目标：SINR公式到底在优化什么

跑代码之前先想明白一个问题：MVDR权值到底是怎么从接收数据里算出来的？如果这一段概念不牢，后面改参数、排查零陷位置偏差都会变成纯玄学。

2.1 均匀线阵导向矢量与接收数据模型

考虑一个M元均匀线阵（ULA），阵元间距为d，远场窄带信号以角度θ入射。第k个快拍的接收向量由三部分组成：期望信号、干扰、噪声，写成

x(k) = a(θ0)·s(k) + a(θ1)·i(k) + n(k)

其中s(k)和i(k)是基带复信号，n(k)是M维复高斯白噪声，每个阵元上的噪声功率归一化为1。导向矢量a(θ)描述信号到达各阵元的相位差，对ULA而言：

a(θ) = [1, exp(j·2πd·sinθ/λ), …, exp(j·(M-1)·2πd·sinθ/λ)]^T

这套代码默认d = λ/2，也就是半波长间距。这个选择很重要：半波长间距下空间谱不会出现栅瓣，导向矢量在[-90°, 90°]范围内是单射，方向图的主瓣和零陷位置才可信。若把d改成0.6λ甚至0.7λ，波束宽度虽然变窄了，但栅瓣会把干扰方向的零陷复制到其他地方，SINR曲线看起来忽高忽低，很难排查。

接收数据X是M×K矩阵，每一列对应一个快拍，K是采样快拍数。生成数据时，信号的复幅度用randn生成并除以sqrt(2)，确保复信号的总功率等于幅度平方。这样SNR_dB和INR_dB就能直接对应物理意义，比如SNR_dB=10表示信号功率是噪声功率的10倍，INR_dB=30表示干扰功率是噪声功率的1000倍。

阵列信号模型还有一个容易被忽视的性质：数据矩阵的秩。在没有噪声的理想情况下，X的秩不会超过信号源数量之和，所以当快拍数K小于M时，采样协方差矩阵严格奇异；即使K大于M，如果干扰功率极强，数值上也可能接近奇异。这个性质在后面协方差矩阵求逆时会反复冒出来。

2.2 输出SINR：分子是信号增益，分母是干扰加噪声

波束形成器的输出是各阵元数据的加权和：y(k) = w^H x(k)，w是M维权向量。输出信干噪比的定义把整个算法的目标暴露得很清楚：

SINR = (σ_s² · |w^H a(θ0)|²) / (w^H R_{i+n} w)

其中R_{i+n} = σ_i²·a(θ1)·a(θ1)^H + σ_n²·I，是干扰加噪声协方差矩阵。分子是信号方向的响应功率，分母是残留的干扰和噪声功率。传统最大信噪比波束形成只优化噪声项，没有建模干扰源，干扰一强，权值会在干扰方向形成很高的增益，输出SINR迅速恶化。SINR自适应波束形成器等于是把分母换成了干扰加噪声联合协方差，迫使权值在干扰方向生成零陷。

注意分母里的R_{i+n}不是采样协方差R，而是理想的干扰加噪声协方差。仿真代码里评估SINR时用理想矩阵，这样得到的曲线是算法在当前环境下的性能上限。实际系统只能用采样协方差估计权值，再把这个权值代入理想SINR公式评估，这就是“用含噪数据训练、用理想数据评估”的仿真框架，也是本文代码的基本逻辑。

SINR是一个比值，所以权向量乘任意复常数，分子分母同时缩放，SINR不变。这也是为什么MVDR解里可以随便归一化。代码中固定w^H a(θ0) = 1纯粹是为了数值习惯，不是优化约束带来的额外结果。

2.3 从约束优化到闭式解：MVDR为什么只需要一步逆矩阵

把输出SINR最大化等价为这样一件事：在期望方向响应保持为1的约束下，最小化干扰加噪声输出功率，数学形式是：

min w^H R_{i+n} w，约束条件 w^H a(θ0) = 1

这就是最小方差无失真响应（MVDR）问题的原型。用拉格朗日乘子法求导，得到闭式解：

w_mvdr = R^{-1} a(θ0) / (a(θ0)^H R^{-1} a(θ0))

如果R_{i+n}换成采样协方差R_hat，得到的就是实际工程中最常用的自适应用法。这里必须强调的是，当采样协方差里包含期望信号分量时，高SNR下算法会把期望信号当成干扰来消除，出现信号自消。所以实际代码里常见两种变体：一种用纯干扰加噪声的采样矩阵估计权值，另一种在R上叠加对角加载。模拟项目X的代码默认用采样协方差，但同时预留loading参数，方便你做对比实验。

MVDR再往前一步就是LCMV，即把单一方向约束扩展成多个约束方程。LCMV的权值形式是：

w_lcmv = R^{-1} C (C^H R^{-1} C)^{-1} f

其中C的每一列是一个约束导向矢量，f是对应的期望响应。想给某个干扰方向强制置零，只需把该方向的导向矢量加进C并令对应的f元素为0。理解了MVDR的推导，再看LCMV就是多一个矩阵求逆的事。

上述推导是整份代码的理论地基。后面每一段Matlab代码，都是把这里的数学公式翻译成矩阵运算而已。

3. 核心代码逐段拆解：阵列快拍、协方差矩阵与MVDR权值

拿到代码压缩包，里面文件不多，大致是三件事：生成数据、算权值、画曲线。我按实际阅读顺序拆开讲。

3.1 文件结构与参数初始化入口

压缩包的结构大概是这样的：

main.m 运行入口，负责循环和扫参 steervec.m 计算ULA导向矢量 mvdr_beamformer.m MVDR权值闭式解 sinr_eval.m 计算输出SINR plot_beampattern.m 画阵列方向图

拆分的好处是，你换阵型时只要改steervec和接收数据生成部分，扫参数时只动main.m顶部的参数区。main.m开头是一段参数配置，直接决定后面的仿真行为：

% 仿真参数配置（main.m 顶部） M = 8; % 阵元数 d = 0.5; % 阵元间距，单位波长 theta0 = 0; % 期望信号来向，度 theta1 = -30; % 干扰来向，度 SNR_dB = 10; % 信号信噪比 INR_dB = 30; % 干扰干噪比 K = 500; % 快拍数 num_mc = 200; % 蒙特卡洛次数 loading = 0; % 对角加载量，0表示关闭

参数区里d=0.5是半波长，这个值不是随便写的，后面第5章的栅瓣问题就出在这里。K至少是M的3倍，低于这个值采样协方差矩阵的质量不足以支撑自适应零陷。loading默认0，开启时把R_hat替换成R_hat + loading*eye(M)。

3.2 导向矢量与接收数据生成

steervec.m是整个工程正确性的地基，写得不对，后面全是错的：

% steervec.m —— 生成均匀线阵导向矢量 function a = steervec(theta_deg, M, d) idx = (0:M-1).'; % 阵元索引从0开始 a = exp(1i * 2 * pi * d * sin(deg2rad(theta_deg)) * idx); end

idx从0开始是这里唯一的细节。用(1:M)'也能出向量，但所有阵元的相位多了一个公共偏移，线性相位关系不变，所以理想情况下SINR不受影响；可一旦环境里有色噪声或者矩阵求逆出现数值截断，这点偏移就会表现为方向图主瓣的小幅漂移，排查时非常恼人。从0开始是阵列信号处理的标准写法。

接收数据生成放在主循环里：

% 生成期望信号、干扰和噪声快拍 sig_amp = sqrt(10^(SNR_dB/10)); int_amp = sqrt(10^(INR_dB/10)); a0 = steervec(theta0, M, d); a1 = steervec(theta1, M, d); s = sig_amp * (randn(1,K) + 1i*randn(1,K)) / sqrt(2); i = int_amp * (randn(1,K) + 1i*randn(1,K)) / sqrt(2); n = (randn(M,K) + 1i*randn(M,K)) / sqrt(2); X = a0 * s + a1 * i + n; % M x K 接收数据矩阵

randn产生的是零均值、方差1的高斯随机数，复数除以sqrt(2)后实部虚部的方差各为1/2，总方差正好是1。这样sig_amp的平方就等于信号功率，SNR_dB的定义与噪声功率1对应。X是M×K矩阵，每一列是一个快拍，矩阵的行对应阵元。

3.3 协方差估计、MVDR权值求解与SINR评估

协方差估计和权值求解合在一起，通常是两三行代码的事，但这里要把“训练”和“评估”分开，否则你没法解释为什么SINR曲线在高SNR端往下掉：

% 采样协方差矩阵估计 R_hat = (X * X') / K; % MVDR 权值 w = mvdr_beamformer(R_hat, a0, loading);

mvdr_beamformer的实现是闭式解：

% mvdr_beamformer.m —— MVDR 权值闭式解 function w = mvdr_beamformer(R, a0, loading) if nargin < 3 || isempty(loading) loading = 0; end R_reg = R + loading * eye(size(R,1)); w = (R_reg \ a0) / (a0' * (R_reg \ a0)); end

反斜杠求逆比inv()数值稳定，这是在Matlab里处理协方差矩阵的一个基本习惯。当R_hat条件数很差时，inv()会把最小奇异值对应的噪声方向无限放大，反斜杠的QR分解路径稍微好一些，但仍不能根治，根治手段还是对角加载。

评估SINR用的是理想的干扰加噪声协方差：

% 用理想R_i_n评估当前权值的SINR R_i_n = int_amp^2 * (a1 * a1') + eye(M); sinr = (sig_amp^2 * abs(w' * a0)^2) / real(w' * R_i_n * w); sinr_dB = 10 * log10(sinr);

分母中w' * R_i_n * w理论上是实数，但浮点计算会带极小的虚部，这里用real()包一层，防止log10遇到复数。分子里的abs(w'*a0)^2直接就是实数。这个细节在批跑仿真时非常重要，一个NaN就能让整条曲线断掉。

到这里，从参数到输出SINR的最小闭环就打通了。先跑通这一节，再去扫参和画方向图。

4. 参数配置与曲线复现：阵元数、快拍数、干噪比怎么配

参数配置是很多人拿到代码后第一个迷茫点。模拟项目X里验证过的参数组如下，对应不同仿真目的，每行都可以直接替换到main.m顶部。

这张表里最有价值的是鲁棒性对比那一行：theta1设为-25度，和theta0只差25度，干扰方向已经比较接近主瓣，这时不开加载，方向图零陷会偏，SINR比理想值低好几个dB；开加载后零陷变宽变浅，代价是主瓣稍宽。用这组参数你能亲眼看到鲁棒性和分辨率的取舍。

角度间隔的问题：当干扰与期望信号的角度间隔小于波束宽度时，MVDR很难在干扰方向同时保持主瓣增益和深零陷，代码跑出来的SINR会显著低于理论值。波束宽度大约为2/M弧度，M=8时约14度，所以theta1和theta0至少隔15度以上，要复现“漂亮”的零陷曲线，间隔拉到25度更稳。

4.2 扫参循环：SINR vs SNR曲线的标准写法

要画SINR随SNR变化的曲线，最直接的做法是循环改SNR_dB，每次重新生成快拍：

snr_vec = -10:2:30; % 扫描范围 sinr_mean = zeros(1, length(snr_vec)); for i = 1:length(snr_vec) SNR_dB = snr_vec(i); sinr_tmp = zeros(1, num_mc); for mc = 1:num_mc % 重新生成X并计算sinr_dB（见第3章代码） sinr_tmp(mc) = sinr_dB; end sinr_mean(i) = mean(sinr_tmp); end

num_mc取200是时间开销和曲线平滑度的一个平衡点。取50时曲线很毛糙，取500时平滑度到顶，后面的改进非常有限，但耗时翻倍。如果你想省时间，可以先跑50次看趋势，确认没写错再上200次。

快拍数扫描也建议用对数间隔，比如[50, 100, 200, 500, 1000, 2000]，因为协方差估计误差大致按1/sqrt(K)下降，线性间隔会在低快拍区挤成一团，看不出规律。画图时横轴用logscale，从纯工程角度解释就是：加不加log，K在50和100的区别远大于1000和2000的区别。

4.3 参数改不动时按什么顺序查

扫参结果异常时，按这个顺序查能挡掉大部分问题。先查X的维度：X = a0s + a1i + n，三项都是M×K，K >= M这是硬性条件。再查R_hat的条件数cond(R_hat)，超过1e14基本就是数值上的秩亏缺，要么加大K，要么开loading。然后查SINR公式里有没有漏real()，虚部会带崩log10。最后查角度间隔和d的值，θ1与θ0太近、d大于0.5λ都会让方向图零陷失常。

这套检查顺序我用到现在，大多数“代码跑不通”其实都是这四类问题。真正算法层面的bug反而少见，因为MVDR闭式解就两行，不容易写错。

5. 常见问题与排查：协方差奇异、信号自消、权值漂移

这一章是血泪经验。我在复现自适应波束形成时踩过的坑，每一条都按现象、原因、解决来写，可以直接对照排查。

5.1 现象：R_hat求逆时报“矩阵接近奇异”

仿真时如果K取50，M取8，理论上K > M，但依然可能报矩阵奇异。原因有两个：一是干扰的功率太大，INR_dB=40时R_hat的最大奇异值和最小奇异值能差十几个数量级，double精度下最小奇异值被截断，矩阵数值上变成奇异的；二是快拍信号里存在强相关性，比如干扰和信号同时为单频复指数，采样协方差的秩会不够。

解决方法是加对角加载，或者用伪逆pinv(R_hat)。我一般优先加加载量，取1e-6到1e-3倍R的迹，足够稳定又不至于扭曲权值。另一个做法是把快拍数提到M的3倍以上，K=3M是一个工程经验下界，低于这个值就别谈什么性能。

5.2 现象：SNR越高，SINR越低，曲线在高信噪比端掉头

这是最经典的自适应波束形成翻车现场。原因是采样协方差里包含期望信号，高SNR时约束w^H a(θ0)=1仍然要满足，但算法为了压制被当成“干扰”的期望信号分量，会在信号方向附近制造一个零陷，结果信号被自己压掉了。

解决思路有三种：训练数据里不含期望信号，直接估计R_{i+n}；使用对角加载，把信号自消的深度限制住；或者改用最差性能最优波束形成这类鲁棒算法。这套代码里最容易操作的是开启loading参数，把loading设为0.1*trace(R)/M，SINR曲线高SNR端就稳了。

5.3 现象：方向图主瓣指向对了，但零陷位置偏差很大

阵列方向图画出来，主瓣对准0度，干扰方向-30度附近的零陷却偏移了2～3度。原因往往是角度扫描网格取太粗，比如每1度一个点，-30度正好在网格上时零陷很深，一旦干扰角度改成-30.5度，采样协方差里的导向矢量和实际矢量的相位差积累，零陷就被抹平。

解决方法是把扫描网格细化到0.1度，并且生成干扰快拍时用的角度要和评估方向图时一致。还有一种情况是阵元间距d写成0.6λ，导致空间谱出现栅瓣，零陷在-30度和它的栅瓣位置重复出现，这种问题把d改回0.5就没了。

5.4 现象：蒙特卡洛平均后SINR曲线还是锯齿状

我一开始以为是算法问题，查了半天发现是随机数没固定。Matlab的randn每次启动序列都不一样，如果不固定随机种子，每次跑出来的R_hat都略有差异，蒙特卡洛平均次数又不够时，曲线自然毛糙。解决是在main.m开头加rng(2025)，固定种子后每次运行结果可复现，调参才能真正对比。这个习惯帮我节约了大量比对时间。

5.5 现象：SINR计算出来带复数虚部，log10报错

SINR分母w'R_i_nw理论上是实数，但浮点运算下会有极小虚部，不处理直接调10*log10会报错。解决是分母用real()包一层，分子|w'*a0|^2本身就是实数。这个坑虽然小，但在批量跑仿真时一个NaN就会让整组曲线断掉。

6. 进阶玩法：对角加载与收敛性验证

MVDR跑通之后，下一步值得做的是加鲁棒性，以及确认自己代码没有隐藏的数值错误。这两件事合起来，就是把代码从“能出图”变成“知道自己为什么出这张图”。

对角加载的实现只改一处，但加载量怎么取是经验活：

% 对采样协方差做对角加载 loading = 0.1 * trace(R_hat) / M; R_reg = R_hat + loading * eye(M); w = (R_reg \ a0) / (a0' * (R_reg \ a0));

加载量取R的迹除以M后再乘0.1，是工程上常用的经验值。你可以写一个扫描循环，把加载系数从1e-4扫到1，观察SINR曲线的拐点。系数太小没效果，太大则退化成常规波束形成，自适应零陷消失。那个拐点就是当前仿真场景下加载量的合理上界。

收敛性验证是另一件值得做的事。固定SNR和INR，把K从50扫到5000，画出SINR随快拍数的曲线，同时把理论最优SINR画成一条水平线。理论最优值用理想R_{i+n}代入MVDR闭式解算出来。仿真曲线在高快拍端应该逼近这条线，如果差很远，说明协方差估计或权值计算里有偏差，而不是单纯“快拍不够”。

我后来在模拟项目X里还加了一个方向图对比：理想权值和采样权值各画一张方向图叠在一起，观察零陷深度的差异。这一步把数值偏差变成可见的图形，排查信号自消问题时特别直观。这份代码包里已经把上面这些坑都踩平了，你拿到手的主要精力应该花在改参数上。

从那以后，我每次拿到新的波束形成代码，都会固定随机种子、先跑一遍K=1000的基线，再开对角加载对比，最后用方向图确认零陷位置。这套流程帮我挡掉了很多隐性bug，希望帮到你。

本文还有配套的精品资源，点击获取