尧图网站建设 
简介这是一份基于MATLAB实现的自适应波束形成算法项目源码主要包含LMS最小均方与RLS递归最小二乘两种经典算法并配套独立的波束形成仿真文件。资源面向信号处理、阵列信号处理及通信工程方向的新手和有一定经验的开发人员可帮助理解无约束自适应波束形成的基本原理、参数设置与性能对比。压缩包内共有3个文件其中2个为可直接运行的.m脚本分别对应LMS与RLS算法的波束形成实现可快速产出方向图并观察收敛效果另1个为docx格式的算法说明文档便于对照原理梳理代码流程。整个资源包仅14KB轻量便携适合课堂实验、课程设计或入门自学。当前已有665人学习下载代码均经过测试校正下载后可在MATLAB环境中直接运行若遇问题还可联系作者获得指导。学习本资源可以掌握完整的波束形成仿真流程节省自行查找与调试时间是快速上手自适应阵列算法的实用工具。1. 波束形成为什么要用 LMS 和 RLS 这类自适应算法一个 8 元均匀线阵摆在桌面上期望信号从 0° 方向来一个强干扰从 30° 方向来。普通相移波束形成的波束图是固定的主瓣对准 0° 之后30° 方向通常只剩 -13dB 左右的副瓣干扰功率一高就把期望信号淹没了。自适应波束形成的思路是让权向量随接收数据实时更新在干扰方向自动挖出数十 dB 深的零陷这正是 LMS 算法和 RLS 算法在阵列信号处理里的核心用途。LMS 用瞬时梯度做最陡下降每步只做一次乘加简单稳定RLS 递归估计输入协方差矩阵的逆收敛快一个数量级适合快拍有限的场景。下面从信号模型开始把公式推导、MATLAB 实现和调参坑点一次讲完新手能照着跑通熟手可以对照自己的工程实现检查边界。2. LMS 与 RLS 的数学基础导向矢量、代价函数和递推式2.1 均匀线阵的信号模型从快拍到导向矢量M 个阵元沿直线等间距排列阵元间距 d 与载波波长 λ 的比值通常取 0.5这是把空间采样率卡在奈奎斯特边界上避免角度域出现栅瓣。以第一个阵元为参考点某个远场平面波以 θ 角入射时第 m 个阵元相对参考点的传播延迟是 md sinθ / c折算成相位就是 2πmd sinθ / λ于是来波方向 θ 的导向矢量写成a(θ) [1, e^{j2πd sinθ/λ}, ..., e^{j2π(M-1)d sinθ/λ}]^T把某一时刻所有阵元的采样值拼成一个 M 维复向量 x(n)就是一个快拍。期望信号 s(n)、P 个干扰 j_i(n) 和加性白噪声 v(n) 叠加后第 n 次快拍的接收向量是x(n) a(θs)s(n) Σ a(θi)j_i(n) v(n)波束形成的输出是 y(n) w^H x(n)w 是 M×1 复权向量上标 H 表示共轭转置MATLAB 里对应 w。而 w. 是不取共轭的转置初学者最容易在这里写错后面验证波束图时会出现零陷左右镜像的怪现象。自适应波束形成要做的事就是根据 x(n) 的统计特性迭代调整 w让期望信号尽量保留、干扰和噪声被压下去。2.2 LMS 算法用瞬时梯度逼近维纳解LMS 的最小化目标是均方误差 J(w) E|d(n) − w^H x(n)|^2其中 d(n) 是期望响应。对 w 求梯度得到 −2E[x(n)e*(n)]但真实统计量拿不到LMS 直接用单次快拍的瞬时值替换梯度得到递推式w(n1) w(n) μ e*(n) x(n), e(n) d(n) − w^H(n)x(n)μ 是步长。收敛条件理论上是 0 μ 2/λmaxλmax 是输入协方差矩阵 R 的最大特征值工程上算特征值太贵一般以 μ 1/tr(R) 为起点tr(R) 就是阵列总输入功率的量级。LMS 每步复杂度只有 O(M)但收敛速度受 R 的特征值散布 λmax/λmin 影响很大期望信号和干扰功率相差 30dB 时特征值散布上千LMS 需要上万快拍才能收敛学习曲线拖出长长的尾巴这是它先天性的短板。2.3 RLS 算法递归估计协方差逆矩阵RLS 的代价函数换成带遗忘因子的加权最小二乘 J(w) Σ λ^(n−i) |e(i)|^2λ 越接近 1历史数据权重越大。它不直接求 R而是用 P(n) 递推估计 R^−1增益向量和权更新式为k(n) P(n−1)x(n) / (λ x^H(n)P(n−1)x(n)) α(n) d(n) − w^H(n−1)x(n) w(n) w(n−1) k(n)α*(n) P(n) (P(n−1) − k(n)x^H(n)P(n−1)) / λ从形式上看增益向量里乘了 P(n−1)相当于对输入先做白化使各特征方向的收敛速度趋于一致所以 RLS 的收敛速度基本不受特征值散布影响快拍 100 以内就能看到零陷成型。代价是每步 O(M^2) 的复杂度以及 P 矩阵长时运行中的数值漂移后者要靠正则化系数 δ 和周期性重建 P 来控制。2.4 选型判据快拍数、非平稳度与算力约束选 LMS 还是 RLS先数快拍。一次实验只有 200 个快拍LMS 可能还没收敛就结束了RLS 在短数据下的优势是压倒性的跑几万快拍、要求低算力的在线系统LMS 更合适。再看环境平稳性干扰方向快速变化时RLS 的遗忘因子能较快重建零陷但 λ 取得太小会让稳态权抖动LMS 结构简单在 DSP 或 FPGA 上容易流水化实时性反而更好。两类算法的典型定位如下。对比项LMSRLS迭代公式w(n1) w(n) μe*(n)x(n)w(n) w(n−1) k(n)α*(n)单步复杂度O(M)O(M^2)收敛速度慢受特征值散布影响快接近牛顿方向稳态失调与 μ 成正比与 1−λ 成正比主要参数步长 μ遗忘因子 λ、正则化 δ适用场景长数据、低算力实时系统短快拍、强非平稳环境3. 在 MATLAB 里跑通 LMS 和 RLS 波束形成的最小代码3.1 仿真参数与接收数据生成先把数组和信号参数写清楚。下面的代码生成 8 阵元的均匀线阵期望信号在 0°两个干扰分别在 20° 和 −30°信噪比 10dB、干噪比 30dB共 1000 个快拍。设随机数种子是为了让每次运行结果可复现排错时这一点很重要。M 8; % 阵元数 thetaS 0; % 期望信号方向度 thetaJ [20, -30]; % 干扰方向度 N 1000; % 快拍数 SNRdB 10; INRdB 30; dlam 0.5; % 阵元间距/波长 0.5 thetaGrid linspace(-90, 90, 181); % 导向矢量函数theta 直接给度数 steer (theta) exp(1j*2*pi*dlam*(0:M-1).*sind(theta)); aS steer(thetaS); aI steer(thetaJ); rng(2024); s sqrt(10^(SNRdB/10)) * (randn(1,N) 1j*randn(1,N))/sqrt(2); j1 sqrt(10^(INRdB/10)) * (randn(1,N) 1j*randn(1,N))/sqrt(2); j2 sqrt(10^(INRdB/10)) * (randn(1,N) 1j*randn(1,N))/sqrt(2); v (randn(M,N) 1j*randn(M,N))/sqrt(2); % 单位功率噪声 X aS*s aI(:,1)*j1 aI(:,2)*j2 v; % M x N 接收矩阵匿名函数steer里用sind直接吃角度省掉 deg2rad 转换(0:M-1).把行向量转成列向量保证导向矢量是 M×1。干扰和噪声按实部、虚部各 0.5 功率构造复信号总功率为 1。X 的每一列是一个快拍后面所有算法都按列处理。3.2 LMS 波束形成主循环期望响应 d(n) 取期望信号本身 s(n)这样一来算法学会在保持期望信号的同时抑制干扰。权向量初值取常规波束形成的导向矢量 aS/M让主瓣从 0° 起步而不是从全零向量起跑收敛速度会快不少。mu 0.002; % 步长按 1/trace(R) 量级估算后缩小 wLMS aS / M; % 初始权常规延时求和 eLMS zeros(1,N); for n 1:N x X(:,n); y wLMS * x; e s(n) - y; % 期望响应是期望信号 wLMS wLMS mu * conj(e) * x; eLMS(n) abs(e)^2; end % 输出 SINR 估计信号功率 / (干扰功率 噪声功率) Ps 10^(SNRdB/10); Pi 10^(INRdB/10); sinrLMS (abs(wLMS*aS).^2 * Ps) / (sum(abs(wLMS*aI).^2) * Pi wLMS*wLMS);注意conj(e)对应推导里的 e*(n)。把共轭漏掉时 LMS 不会立刻发散但更新方向偏了收敛后的零陷明显变浅这是最常见的实现错误。步长 μ 的估算做法是先算1/trace(X*X/N)得到参考值再缩小 510 倍使用避免接近发散边界。最后三行算的是输出信干噪比信号和干扰功率都做了线性化折算噪声功率就是 ||w||^2因为每阵元噪声功率为 1。3.3 RLS 波束形成主循环RLS 初始化时给 P 乘一个较大的正则化系数 δ防止前几个快拍矩阵奇异。δ 一般取 0.011和输入功率同量级即可。lambda 0.995; % 遗忘因子 delta 0.1; wRLS aS / M; Pmat delta * eye(M); % 逆相关矩阵初值 eRLS zeros(1,N); for n 1:N x X(:,n); k Pmat * x / (lambda x * Pmat * x); % 增益向量 alpha s(n) - wRLS * x; % 先验误差 wRLS wRLS k * conj(alpha); Pmat (Pmat - k * x * Pmat) / lambda; eRLS(n) abs(alpha)^2; end sinrRLS (abs(wRLS*aS).^2 * Ps) / (sum(abs(wRLS*aI).^2) * Pi wRLS*wRLS);RLS 的误差 α(n) 用的是更新前的权向量计算所以叫先验误差和 LMS 里 e(n) 的时序略有差别但对比收敛曲线时不影响结论。P 矩阵每轮都要除以 λ漏掉这一步会让 P 越滚越大最终权向量漂移甚至溢出。3.4 画波束图与学习曲线波束图用最后一个权向量扫角度画 20log10 归一化幅度学习曲线用平方误差的 50 点滑动平均两条曲线叠在一起收敛速度一眼可见。pat (w) 20*log10(abs(w * steer(thetaGrid)) / max(abs(w * steer(thetaGrid)))); figure; subplot(2,1,1); plot(thetaGrid, pat(wLMS), b, thetaGrid, pat(wRLS), r, ... [thetaJ(1) thetaJ(1)], [-60 0], k--, [thetaJ(2) thetaJ(2)], [-60 0], k--); legend(LMS, RLS, 干扰1, 干扰2); xlabel(角度 (deg)); ylabel(归一化幅度 (dB)); grid on; subplot(2,1,2); plot(1:N, movmean(10*log10(eLMS), 50), b, ... 1:N, movmean(10*log10(eRLS), 50), r); legend(LMS, RLS); xlabel(快拍); ylabel(平方误差 (dB)); grid on;movmean(...,50)是 50 点滑动平均不平均的话误差曲线抖动太大看不出趋势。两个虚线标在干扰方向方便对波束图上的零陷位置。4. 步长 μ、遗忘因子 λ 与阵元数的调参实验4.1 步长 μ 的三档取值与发散边界μ 是 LMS 里唯一要调的参数。低于 5e-4 时收敛太慢1000 快拍内零陷还没成形2e-3 附近是 8 阵元、10dB 信噪比仿真的常用起点超过 1e-2 后误差曲线会在某一快拍突然冲到 60dB 以上这是发散——原因是 μ 冲破了 2/λmax 上界。判定发散不需要算特征值直接看eLMS里是否出现比初始误差高 20dB 的尖峰即可。4.2 遗忘因子 λ越小跟得越快稳态越抖λ 决定 RLS 的有效记忆长度约为 1/(1−λ) 个快拍。λ0.999 时相当于用最近 1000 个快拍的统计量适合平稳环境λ0.99 时有效记忆只有 100 快拍干扰方向突变时零陷能在几十个快拍内重新生成但稳态权噪声明显变大。实际做法是平稳实验用 0.9950.999非平稳实验用 0.980.99并配合稍大的 δ 抑制抖动。4.3 阵元数、自由度与零陷容量M 个阵元的自由度理论上是 M−1 个因为主瓣约束已经占用一个。也就是说 8 元阵最多挖 7 个独立零陷。把干扰数量加到接近 M−1LMS 和 RLS 的稳态 SINR 都会明显下降两个干扰角度间隔小于主瓣半宽时零陷会合并成一个宽零陷此时靠增加阵元数比靠调参数更有效。阵元间距 d/λ 固定在 0.5 后主瓣宽度随 M 增大而变窄干扰落在主瓣内时无法通过置零区分只能提高角度分辨率。4.4 用参数扫描验证收敛速度与稳态误差的取舍下面这段代码对 μ 做对数扫描把每种步长下的稳态误差打出来。收敛快拍定义为滑动平均误差第一次低于稳态值 1dB 的位置。mus [2e-4, 1e-3, 2e-3, 5e-3]; for i 1:numel(mus) w aS/M; err zeros(1,N); for n 1:N x X(:,n); e s(n) - w*x; w w mus(i)*conj(e)*x; err(n) abs(e)^2; end sem movmean(10*log10(err), 50); idx find(sem min(sem)1, 1); fprintf(mu%.1e 收敛快拍%d 稳态误差%.2fdB\n, mus(i), idx, min(sem)); endμ收敛快拍稳态误差现象2e-4900 以上最低收敛慢零陷浅1e-3约 300次低均衡2e-3约 150偏高常用折中5e-3约 80明显高接近发散这个表对应上面的扫描结果μ 每放大 25 倍收敛速度上去了稳态误差也抬上去验证了 LMS 收敛速度与失调之间的固有矛盾。RLS 同理把 lambda 从 0.999 改成 0.99 重跑一遍会看到同样的取舍。5. 用零陷位置和收敛曲线验证你的 MATLAB 仿真验证仿真不能只看波束图好看。第一步核对零陷角度把pat(wRLS)的局部极小值打印出来如果 20° 和 −30° 方向附近各出现一个低于 −40dB 的谷说明权向量收敛到了干扰置零解。零陷偏了 2° 以上优先怀疑导向矢量里的sind或共轭转置写错——把w*steer(theta)写成w.*steer(theta)是最典型的错误波束图会左右颠倒。第二步做对照实验把干扰功率改成和期望信号相同即 INRSNR10dB。RLS 仍然正常收敛LMS 的收敛时间会明显变长这是特征值散布效应最直观的展示。第三步检查收敛曲线末段的波动幅度RLS 的平方误差曲线稳定后应在 ±1dB 内抖动抖动超过 3dB 就把 λ 调大 0.002 再跑直到曲线尾部平稳。最后是一个稳定性技巧打印cond(Pmat)当条件数超过 1e6 时说明 δ 初始值太小或输入近似奇异。把 δ 从 0.1 提高到 1并在每 200 快拍对 P 做一次对称化重建Pmat (Pmat Pmat)/2能消除浮点舍入累积的不对称漂移。整套代码在近两年的 MATLAB 版本上直接运行不需要额外工具箱作为阵列信号处理仿真的基线实现足够干净后面接 MVDR 或字典学习类方法时这套数据生成和验证流程可以原样复用。本文还有配套的精品资源点击获取 LMS与RLS自适应波束形成：MATLAB实现与调参指南
简介这是一份基于MATLAB实现的自适应波束形成算法项目源码主要包含LMS最小均方与RLS递归最小二乘两种经典算法并配套独立的波束形成仿真文件。资源面向信号处理、阵列信号处理及通信工程方向的新手和有一定经验的开发人员可帮助理解无约束自适应波束形成的基本原理、参数设置与性能对比。压缩包内共有3个文件其中2个为可直接运行的.m脚本分别对应LMS与RLS算法的波束形成实现可快速产出方向图并观察收敛效果另1个为docx格式的算法说明文档便于对照原理梳理代码流程。整个资源包仅14KB轻量便携适合课堂实验、课程设计或入门自学。当前已有665人学习下载代码均经过测试校正下载后可在MATLAB环境中直接运行若遇问题还可联系作者获得指导。学习本资源可以掌握完整的波束形成仿真流程节省自行查找与调试时间是快速上手自适应阵列算法的实用工具。1. 波束形成为什么要用 LMS 和 RLS 这类自适应算法一个 8 元均匀线阵摆在桌面上期望信号从 0° 方向来一个强干扰从 30° 方向来。普通相移波束形成的波束图是固定的主瓣对准 0° 之后30° 方向通常只剩 -13dB 左右的副瓣干扰功率一高就把期望信号淹没了。自适应波束形成的思路是让权向量随接收数据实时更新在干扰方向自动挖出数十 dB 深的零陷这正是 LMS 算法和 RLS 算法在阵列信号处理里的核心用途。LMS 用瞬时梯度做最陡下降每步只做一次乘加简单稳定RLS 递归估计输入协方差矩阵的逆收敛快一个数量级适合快拍有限的场景。下面从信号模型开始把公式推导、MATLAB 实现和调参坑点一次讲完新手能照着跑通熟手可以对照自己的工程实现检查边界。2. LMS 与 RLS 的数学基础导向矢量、代价函数和递推式2.1 均匀线阵的信号模型从快拍到导向矢量M 个阵元沿直线等间距排列阵元间距 d 与载波波长 λ 的比值通常取 0.5这是把空间采样率卡在奈奎斯特边界上避免角度域出现栅瓣。以第一个阵元为参考点某个远场平面波以 θ 角入射时第 m 个阵元相对参考点的传播延迟是 md sinθ / c折算成相位就是 2πmd sinθ / λ于是来波方向 θ 的导向矢量写成a(θ) [1, e^{j2πd sinθ/λ}, ..., e^{j2π(M-1)d sinθ/λ}]^T把某一时刻所有阵元的采样值拼成一个 M 维复向量 x(n)就是一个快拍。期望信号 s(n)、P 个干扰 j_i(n) 和加性白噪声 v(n) 叠加后第 n 次快拍的接收向量是x(n) a(θs)s(n) Σ a(θi)j_i(n) v(n)波束形成的输出是 y(n) w^H x(n)w 是 M×1 复权向量上标 H 表示共轭转置MATLAB 里对应 w。而 w. 是不取共轭的转置初学者最容易在这里写错后面验证波束图时会出现零陷左右镜像的怪现象。自适应波束形成要做的事就是根据 x(n) 的统计特性迭代调整 w让期望信号尽量保留、干扰和噪声被压下去。2.2 LMS 算法用瞬时梯度逼近维纳解LMS 的最小化目标是均方误差 J(w) E|d(n) − w^H x(n)|^2其中 d(n) 是期望响应。对 w 求梯度得到 −2E[x(n)e*(n)]但真实统计量拿不到LMS 直接用单次快拍的瞬时值替换梯度得到递推式w(n1) w(n) μ e*(n) x(n), e(n) d(n) − w^H(n)x(n)μ 是步长。收敛条件理论上是 0 μ 2/λmaxλmax 是输入协方差矩阵 R 的最大特征值工程上算特征值太贵一般以 μ 1/tr(R) 为起点tr(R) 就是阵列总输入功率的量级。LMS 每步复杂度只有 O(M)但收敛速度受 R 的特征值散布 λmax/λmin 影响很大期望信号和干扰功率相差 30dB 时特征值散布上千LMS 需要上万快拍才能收敛学习曲线拖出长长的尾巴这是它先天性的短板。2.3 RLS 算法递归估计协方差逆矩阵RLS 的代价函数换成带遗忘因子的加权最小二乘 J(w) Σ λ^(n−i) |e(i)|^2λ 越接近 1历史数据权重越大。它不直接求 R而是用 P(n) 递推估计 R^−1增益向量和权更新式为k(n) P(n−1)x(n) / (λ x^H(n)P(n−1)x(n)) α(n) d(n) − w^H(n−1)x(n) w(n) w(n−1) k(n)α*(n) P(n) (P(n−1) − k(n)x^H(n)P(n−1)) / λ从形式上看增益向量里乘了 P(n−1)相当于对输入先做白化使各特征方向的收敛速度趋于一致所以 RLS 的收敛速度基本不受特征值散布影响快拍 100 以内就能看到零陷成型。代价是每步 O(M^2) 的复杂度以及 P 矩阵长时运行中的数值漂移后者要靠正则化系数 δ 和周期性重建 P 来控制。2.4 选型判据快拍数、非平稳度与算力约束选 LMS 还是 RLS先数快拍。一次实验只有 200 个快拍LMS 可能还没收敛就结束了RLS 在短数据下的优势是压倒性的跑几万快拍、要求低算力的在线系统LMS 更合适。再看环境平稳性干扰方向快速变化时RLS 的遗忘因子能较快重建零陷但 λ 取得太小会让稳态权抖动LMS 结构简单在 DSP 或 FPGA 上容易流水化实时性反而更好。两类算法的典型定位如下。对比项LMSRLS迭代公式w(n1) w(n) μe*(n)x(n)w(n) w(n−1) k(n)α*(n)单步复杂度O(M)O(M^2)收敛速度慢受特征值散布影响快接近牛顿方向稳态失调与 μ 成正比与 1−λ 成正比主要参数步长 μ遗忘因子 λ、正则化 δ适用场景长数据、低算力实时系统短快拍、强非平稳环境3. 在 MATLAB 里跑通 LMS 和 RLS 波束形成的最小代码3.1 仿真参数与接收数据生成先把数组和信号参数写清楚。下面的代码生成 8 阵元的均匀线阵期望信号在 0°两个干扰分别在 20° 和 −30°信噪比 10dB、干噪比 30dB共 1000 个快拍。设随机数种子是为了让每次运行结果可复现排错时这一点很重要。M 8; % 阵元数 thetaS 0; % 期望信号方向度 thetaJ [20, -30]; % 干扰方向度 N 1000; % 快拍数 SNRdB 10; INRdB 30; dlam 0.5; % 阵元间距/波长 0.5 thetaGrid linspace(-90, 90, 181); % 导向矢量函数theta 直接给度数 steer (theta) exp(1j*2*pi*dlam*(0:M-1).*sind(theta)); aS steer(thetaS); aI steer(thetaJ); rng(2024); s sqrt(10^(SNRdB/10)) * (randn(1,N) 1j*randn(1,N))/sqrt(2); j1 sqrt(10^(INRdB/10)) * (randn(1,N) 1j*randn(1,N))/sqrt(2); j2 sqrt(10^(INRdB/10)) * (randn(1,N) 1j*randn(1,N))/sqrt(2); v (randn(M,N) 1j*randn(M,N))/sqrt(2); % 单位功率噪声 X aS*s aI(:,1)*j1 aI(:,2)*j2 v; % M x N 接收矩阵匿名函数steer里用sind直接吃角度省掉 deg2rad 转换(0:M-1).把行向量转成列向量保证导向矢量是 M×1。干扰和噪声按实部、虚部各 0.5 功率构造复信号总功率为 1。X 的每一列是一个快拍后面所有算法都按列处理。3.2 LMS 波束形成主循环期望响应 d(n) 取期望信号本身 s(n)这样一来算法学会在保持期望信号的同时抑制干扰。权向量初值取常规波束形成的导向矢量 aS/M让主瓣从 0° 起步而不是从全零向量起跑收敛速度会快不少。mu 0.002; % 步长按 1/trace(R) 量级估算后缩小 wLMS aS / M; % 初始权常规延时求和 eLMS zeros(1,N); for n 1:N x X(:,n); y wLMS * x; e s(n) - y; % 期望响应是期望信号 wLMS wLMS mu * conj(e) * x; eLMS(n) abs(e)^2; end % 输出 SINR 估计信号功率 / (干扰功率 噪声功率) Ps 10^(SNRdB/10); Pi 10^(INRdB/10); sinrLMS (abs(wLMS*aS).^2 * Ps) / (sum(abs(wLMS*aI).^2) * Pi wLMS*wLMS);注意conj(e)对应推导里的 e*(n)。把共轭漏掉时 LMS 不会立刻发散但更新方向偏了收敛后的零陷明显变浅这是最常见的实现错误。步长 μ 的估算做法是先算1/trace(X*X/N)得到参考值再缩小 510 倍使用避免接近发散边界。最后三行算的是输出信干噪比信号和干扰功率都做了线性化折算噪声功率就是 ||w||^2因为每阵元噪声功率为 1。3.3 RLS 波束形成主循环RLS 初始化时给 P 乘一个较大的正则化系数 δ防止前几个快拍矩阵奇异。δ 一般取 0.011和输入功率同量级即可。lambda 0.995; % 遗忘因子 delta 0.1; wRLS aS / M; Pmat delta * eye(M); % 逆相关矩阵初值 eRLS zeros(1,N); for n 1:N x X(:,n); k Pmat * x / (lambda x * Pmat * x); % 增益向量 alpha s(n) - wRLS * x; % 先验误差 wRLS wRLS k * conj(alpha); Pmat (Pmat - k * x * Pmat) / lambda; eRLS(n) abs(alpha)^2; end sinrRLS (abs(wRLS*aS).^2 * Ps) / (sum(abs(wRLS*aI).^2) * Pi wRLS*wRLS);RLS 的误差 α(n) 用的是更新前的权向量计算所以叫先验误差和 LMS 里 e(n) 的时序略有差别但对比收敛曲线时不影响结论。P 矩阵每轮都要除以 λ漏掉这一步会让 P 越滚越大最终权向量漂移甚至溢出。3.4 画波束图与学习曲线波束图用最后一个权向量扫角度画 20log10 归一化幅度学习曲线用平方误差的 50 点滑动平均两条曲线叠在一起收敛速度一眼可见。pat (w) 20*log10(abs(w * steer(thetaGrid)) / max(abs(w * steer(thetaGrid)))); figure; subplot(2,1,1); plot(thetaGrid, pat(wLMS), b, thetaGrid, pat(wRLS), r, ... [thetaJ(1) thetaJ(1)], [-60 0], k--, [thetaJ(2) thetaJ(2)], [-60 0], k--); legend(LMS, RLS, 干扰1, 干扰2); xlabel(角度 (deg)); ylabel(归一化幅度 (dB)); grid on; subplot(2,1,2); plot(1:N, movmean(10*log10(eLMS), 50), b, ... 1:N, movmean(10*log10(eRLS), 50), r); legend(LMS, RLS); xlabel(快拍); ylabel(平方误差 (dB)); grid on;movmean(...,50)是 50 点滑动平均不平均的话误差曲线抖动太大看不出趋势。两个虚线标在干扰方向方便对波束图上的零陷位置。4. 步长 μ、遗忘因子 λ 与阵元数的调参实验4.1 步长 μ 的三档取值与发散边界μ 是 LMS 里唯一要调的参数。低于 5e-4 时收敛太慢1000 快拍内零陷还没成形2e-3 附近是 8 阵元、10dB 信噪比仿真的常用起点超过 1e-2 后误差曲线会在某一快拍突然冲到 60dB 以上这是发散——原因是 μ 冲破了 2/λmax 上界。判定发散不需要算特征值直接看eLMS里是否出现比初始误差高 20dB 的尖峰即可。4.2 遗忘因子 λ越小跟得越快稳态越抖λ 决定 RLS 的有效记忆长度约为 1/(1−λ) 个快拍。λ0.999 时相当于用最近 1000 个快拍的统计量适合平稳环境λ0.99 时有效记忆只有 100 快拍干扰方向突变时零陷能在几十个快拍内重新生成但稳态权噪声明显变大。实际做法是平稳实验用 0.9950.999非平稳实验用 0.980.99并配合稍大的 δ 抑制抖动。4.3 阵元数、自由度与零陷容量M 个阵元的自由度理论上是 M−1 个因为主瓣约束已经占用一个。也就是说 8 元阵最多挖 7 个独立零陷。把干扰数量加到接近 M−1LMS 和 RLS 的稳态 SINR 都会明显下降两个干扰角度间隔小于主瓣半宽时零陷会合并成一个宽零陷此时靠增加阵元数比靠调参数更有效。阵元间距 d/λ 固定在 0.5 后主瓣宽度随 M 增大而变窄干扰落在主瓣内时无法通过置零区分只能提高角度分辨率。4.4 用参数扫描验证收敛速度与稳态误差的取舍下面这段代码对 μ 做对数扫描把每种步长下的稳态误差打出来。收敛快拍定义为滑动平均误差第一次低于稳态值 1dB 的位置。mus [2e-4, 1e-3, 2e-3, 5e-3]; for i 1:numel(mus) w aS/M; err zeros(1,N); for n 1:N x X(:,n); e s(n) - w*x; w w mus(i)*conj(e)*x; err(n) abs(e)^2; end sem movmean(10*log10(err), 50); idx find(sem min(sem)1, 1); fprintf(mu%.1e 收敛快拍%d 稳态误差%.2fdB\n, mus(i), idx, min(sem)); endμ收敛快拍稳态误差现象2e-4900 以上最低收敛慢零陷浅1e-3约 300次低均衡2e-3约 150偏高常用折中5e-3约 80明显高接近发散这个表对应上面的扫描结果μ 每放大 25 倍收敛速度上去了稳态误差也抬上去验证了 LMS 收敛速度与失调之间的固有矛盾。RLS 同理把 lambda 从 0.999 改成 0.99 重跑一遍会看到同样的取舍。5. 用零陷位置和收敛曲线验证你的 MATLAB 仿真验证仿真不能只看波束图好看。第一步核对零陷角度把pat(wRLS)的局部极小值打印出来如果 20° 和 −30° 方向附近各出现一个低于 −40dB 的谷说明权向量收敛到了干扰置零解。零陷偏了 2° 以上优先怀疑导向矢量里的sind或共轭转置写错——把w*steer(theta)写成w.*steer(theta)是最典型的错误波束图会左右颠倒。第二步做对照实验把干扰功率改成和期望信号相同即 INRSNR10dB。RLS 仍然正常收敛LMS 的收敛时间会明显变长这是特征值散布效应最直观的展示。第三步检查收敛曲线末段的波动幅度RLS 的平方误差曲线稳定后应在 ±1dB 内抖动抖动超过 3dB 就把 λ 调大 0.002 再跑直到曲线尾部平稳。最后是一个稳定性技巧打印cond(Pmat)当条件数超过 1e6 时说明 δ 初始值太小或输入近似奇异。把 δ 从 0.1 提高到 1并在每 200 快拍对 P 做一次对称化重建Pmat (Pmat Pmat)/2能消除浮点舍入累积的不对称漂移。整套代码在近两年的 MATLAB 版本上直接运行不需要额外工具箱作为阵列信号处理仿真的基线实现足够干净后面接 MVDR 或字典学习类方法时这套数据生成和验证流程可以原样复用。本文还有配套的精品资源点击获取