4、信号模型与数学工具：窄带与宽带信号、复数表示、阵列流形向量、协方差矩阵

波束形成技术的本质，是对传感器阵列所采集的空间信号进行加权合并，以增强期望方向信号、抑制干扰与噪声。要深入理解这一过程，必须首先建立严谨的信号模型与数学工具框架。本章将围绕四个核心概念展开：窄带与宽带信号的区分、信号的复数表示方法、阵列流形向量的物理意义，以及协方差矩阵在空间谱估计中的核心作用。这些内容构成了后续所有波束形成算法（如MVDR、MUSIC、ESPRIT）的理论基石。

4.1 窄带与宽带信号：时延与相移的等价性

核心原理：在阵列信号处理中，信号带宽相对于载波频率的比值决定了建模的复杂度。窄带信号满足条件 B/f₀ << 1（通常小于 1/10），此时信号包络在阵列孔径内的传播时延远小于包络变化周期，因此各阵元接收信号之间的差异可以仅用相位差来描述。设参考阵元接收信号为 s(t)，则第 m 个阵元的接收信号可近似为 s(t - τ_m) ≈ s(t)e^{-j2πf₀τ_m}，其中 τ_m 为相对于参考阵元的时延。这一近似将时间延迟转化为复指数相位因子，极大简化了后续的数学处理。

判断方法：工程上常用“阵列最大孔径传播时间”与“信号带宽倒数”的比较来判断窄带条件。若最大时延 τ_max 满足 τ_max << 1/B，则可视为窄带。例如，一个孔径为 0.5 米的线性阵列，信号带宽为 10 kHz，则 τ_max ≈ 1.67 μs，而 1/B = 100 μs，显然满足窄带条件。反之，若信号为宽带（如超声成像中的短脉冲、雷达中的线性调频信号），则必须采用频域分解方法，将宽带信号划分为若干窄带子带分别处理。

4.2 复数表示：从实信号到解析信号

核心原理：实际采集的物理信号均为实信号，但实信号的频谱具有共轭对称性，负频率部分不携带额外信息。为了简化分析，通常将实带通信号通过 Hilbert 变换转换为解析信号（复信号），从而将频谱搬移至基带。设实信号 x_r(t) = A(t)cos(2πf₀t + φ(t))，其解析信号为 x(t) = A(t)e^{j(2πf₀t+φ(t))}，进一步下变频至基带得到复包络 x_bb(t) = A(t)e^{jφ(t)}。复数表示的核心优势在于：相位信息被显式保留，且信号的瞬时幅度和相位可以分别提取。

操作流程：在数字实现中，通常采用正交采样（I/Q 采样）直接获得复基带信号。具体步骤为：

1. 将实带通信号与两路正交本振信号 cos(2πf₀t) 和 -sin(2πf₀t) 分别混频；
2. 通过低通滤波器滤除高频分量，得到 I 分量和 Q 分量；
3. 构造复信号 x(t) = I(t) + jQ(t)，即完成实信号到复基带信号的转换。

在 MATLAB 或 Python 中，也可直接使用 scipy.signal.hilbert 函数对实信号进行 Hilbert 变换，获得解析信号后乘以 e^{-j2πf₀t} 完成下变频。

# Python 示例：实信号转复基带
import numpy as np
from scipy.signal import hilbert
fs = 16000  # 采样率
t = np.arange(0, 0.1, 1/fs)
f0 = 1000   # 载频
x_real = np.cos(2*np.pi*f0*t + 0.5*np.sin(2*np.pi*50*t))
x_analytic = hilbert(x_real)          # 解析信号
x_baseband = x_analytic * np.exp(-1j*2*np.pi*f0*t)  # 下变频至基带

4.3 阵列流形向量：空间采样的数学刻画

核心原理：阵列流形向量 a(θ) 描述了来自方向 θ 的单位功率平面波在阵列各阵元上引起的复响应。对于 M 元均匀线性阵列（ULA），阵元间距为 d，波长为 λ，则第 m 个阵元相对于参考阵元的相位延迟为 φ_m = 2πmd·sin(θ)/λ，因此阵列流形向量为：

a(θ) = [1, e^{-j2πd·sinθ/λ}, e^{-j4πd·sinθ/λ}, ..., e^{-j2π(M-1)d·sinθ/λ}]ᵀ

该向量包含了阵列的几何结构、阵元方向图以及信号频率信息。对于任意阵列构型（如圆阵、L 型阵），只需将对应的相位延迟代入即可。阵列流形向量是波束形成器设计的基础——最优权向量 w 本质上是对 a(θ) 进行幅度和相位加权，使得期望方向信号同相叠加，干扰方向信号反相抵消。

判断方法：在实际系统中，阵列流形向量可能因阵元互耦、位置误差、通道幅相不一致等因素发生畸变。工程上通常通过“阵列校准”获取实测的阵列流形矩阵，而非依赖理论计算。校准方法包括：

• 远场校准：在消声室或微波暗室中，将辅助源放置在已知角度，测量各阵元响应；
• 自校准：利用已知方向的强干扰信号，在线估计幅相误差并补偿；
• 子空间校准：利用信号子空间与阵列流形空间的一致性，迭代优化误差参数。

4.4 协方差矩阵：空间相关性的统计表达

核心原理：阵列接收信号的协方差矩阵定义为 R = E[x(t)xᴴ(t)]，其中 x(t) 为 M 维接收信号向量，xᴴ 表示共轭转置。在窄带远场模型下，x(t) = a(θ₀)s(t) + n(t)，其中 s(t) 为信号波形，n(t) 为噪声向量（通常假设为空间白噪声，方差 σ²）。代入可得：

R = a(θ₀)E[|s(t)|²]aᴴ(θ₀) + σ²I = σ_s²·a(θ₀)aᴴ(θ₀) + σ²I

该矩阵具有厄米特对称性（R = Rᴴ）和半正定性。其特征值分解揭示了信号子空间与噪声子空间的正交结构：大特征值对应的特征向量张成信号子空间（与 a(θ₀) 方向一致），小特征值对应的特征向量张成噪声子空间（与信号方向正交）。这一性质是 MUSIC、ESPRIT 等超分辨算法的理论基础。

操作流程：实际系统中，协方差矩阵通过有限快拍数估计得到：

1. 采集 N 个快拍数据 x(1), x(2), ..., x(N)；
2. 计算样本协方差矩阵 R̂ = (1/N)Σ x(n)xᴴ(n)；
3. 为保证 R̂ 可逆，通常要求 N ≥ M（阵元数），工程上建议 N ≥ 3M 以获得稳定估计；
4. 若存在奇异问题，可加入对角加载：R̂_loaded = R̂ + εI，其中 ε 为加载因子（通常取 0.01–0.1 倍迹均值）。

4.5 案例拆解：均匀线性阵列的窄带信号模型构建

场景与目标：某车载雷达系统采用 8 元均匀线性阵列，阵元间距 d = λ/2（λ 为工作波长 4 mm，对应 77 GHz 频段），接收来自 30° 方向的单目标回波信号，信号带宽 200 MHz，快拍数 N = 256。目标：构建完整的信号模型，验证窄带条件，并计算协方差矩阵用于后续 MVDR 波束形成。

初始分析与判断：首先验证窄带条件：阵列孔径 D = 7×2 mm = 14 mm，最大时延 τ_max = D·sin(30°)/c = 14×0.5/3×10⁸ ≈ 23.3 ps，而 1/B = 5 ns，τ_max << 1/B，满足窄带条件。因此可以使用复相位模型。

建模过程：

1. 设定信号复包络 s(t) = A·e^{jφ(t)}，其中 A = 1，φ(t) 为随机相位；
2. 计算阵列流形向量 a(30°)：第 m 个阵元相位延迟 φ_m = 2πm·d·sin(30°)/λ = 2πm·0.5·0.5 = πm/2，因此 a(30°) = [1, e^{-jπ/2}, e^{-jπ}, e^{-j3π/2}, ..., e^{-j7π/2}]ᵀ；
3. 生成接收信号矩阵 X = [x(1), x(2), ..., x(256)]，其中 x(n) = a(30°)s(n) + n(n)，n(n) 为复高斯白噪声，信噪比 SNR = 10 dB；
4. 计算样本协方差矩阵 R̂ = (1/256)XXᴴ。

结果与验证：对 R̂ 进行特征值分解，得到 8 个特征值：最大特征值 λ₁ ≈ 12.5（对应信号），其余 7 个特征值 λ₂–λ₈ ≈ 1.0（对应噪声）。信号子空间特征向量与理论 a(30°) 的相关系数达 0.98，验证了模型正确性。使用 MVDR 权向量 w = R̂⁻¹a(30°)/(aᴴ(30°)R̂⁻¹a(30°)) 进行波束形成，输出信干噪比提升约 9.8 dB，与理论值 10 dB 接近。

复盘与经验：本案例中快拍数 N = 256 远大于 3M = 24，协方差矩阵估计稳定。若快拍数减少至 N = 16，特征值扩散加剧，信号子空间与噪声子空间混叠，MVDR 性能将显著下降。此时需引入对角加载或空间平滑技术。此外，实际雷达系统中还存在阵元互耦效应，导致阵列流形向量偏离理论值，需通过校准矩阵 C 修正：a_actual = C·a_theory。