简介面向无线通信与信号处理学习者这是一份基于MATLAB的4元阵列LMS自适应波束形成实现聚焦低旁瓣与高增益波束设计可用于理解LMS算法在阵列信号处理中的迭代权重更新与性能权衡。压缩包仅1个文件为约1KB的m脚本涵盖阵列几何初始化、信号模型构建、LMS迭代、波束方向图绘制及MSE评估等完整流程方便快速运行与二次开发。已有124人学习下载。运行该脚本可直观观察主瓣与旁瓣随迭代的变化自主调整学习率、阵元间距等参数探索不同设定下的波束性能对初学者而言是一份能串联自适应滤波理论与实际波束赋形的紧凑实验案例也能为后续扩展至归一化LMS或快速LMS提供基础。1. 4 元阵列的 LMS 波束形成低旁瓣不是窗函数的专利相控阵波束指向算法通常默认阵元数够多但很多实际前端只有 4 个阵元。4 元阵列自由度低想同时做到低旁瓣和高增益固定窗函数往往顾此失彼。LMS 波束形成不直接控制权值而是通过迭代误差把输出能量压向期望方向既能保留主瓣增益又能自适应地压低旁瓣。标题里的 lms_4array 就是把 LMS 用在 4 元阵列上的典型做法。我一般不会一上来就调窗函数而是先跑通 LMS 迭代再拿旁瓣电平当指标去卡参数。这里分享的是一套可以在本地复现的仿真流程适合雷达、通信、声呐以及做相控阵校准的工程师。2. LMS 波束形成的 4 元阵列模型与旁瓣抑制原理2.1 4 元均匀线阵的信号模型4 元均匀线阵ULA是自适应波束形成里最精简的模型。阵元间距按半个波长布置期望信号从方向 θs 入射一个干扰从 θj 方向进入。第 m 个阵元接收到的信号可以写成x_m(n) s(n) · e^{jπ m sinθs} j(n) · e^{jπ m sinθj} n_m(n)这里指数项里的 π 来源于半波长间距对应的空间相位差。把 4 个阵元的接收信号写成向量 x(n) [x0(n), x1(n), x2(n), x3(n)]^T阵列流形矢量 a(θ) [1, e^{jπ sinθ}, e^{j2π sinθ}, e^{j3π sinθ}]^T。波束形成的权值 w 也是 4 维复数向量输出为y(n) w^H x(n)LMS 做的是在线估计权值不需要像采样协方差求逆那样做矩阵求逆这在小阵列里非常划算。4 元阵的协方差矩阵是 4×4但 LMS 只做向量点乘和标量乘法计算量远低于 MVDR 的 O(M^3) 量级。对于实时性要求高的嵌入式前端这是一个明显优势。2.2 LMS 迭代与旁瓣电平的关系LMS 波束形成本质上是一个自适应滤波器。设 d(n) 是期望方向的参考信号误差定义为e(n) d(n) - w^H(n) x(n)代价函数 J E{|e(n)|²}梯度下降迭代公式w(n1) w(n) μ x(n) e*(n)其中 μ 是步长。这个迭代的含义很直接当输出 y(n) 与参考信号不一致时误差越大权值修正幅度越大。稳态时输出信号尽可能接近参考信号所有与参考信号不相关的分量都会被抑制。旁瓣泄漏可以看作来自非期望方向的“干扰”而 LMS 并不知道哪个是干扰、哪个是旁瓣它只知道这些分量拉高了误差。需要澄清一个常见误解LMS 并不显式地约束旁瓣电平它的“低旁瓣”是平稳迭代后误差最小化的副产品。仿真中经常观察到在纯 Gaussian 噪声背景下LMS 稳态权值的方向图会自然形成较深的旁瓣零陷。原因在于旁瓣区域的响应如果太高对应的信号分量会进入输出与参考信号叠加后产生大误差LMS 会持续调整权值直到这些分量被抑制。因此只要快拍数足够LMS 在 4 元阵上也能得到比常规窗函数更低的旁瓣。2.3 为什么固定窗在 4 元阵上会失效固定窗如 Chebyshev 或 Taylor 窗设计时直接指定旁瓣电平然后根据阵列口径计算权值。4 元阵只有 3 个有效自由度一个自由度被期望方向增益为 1 约束占用能实现的旁瓣电平有明确上限。要压低旁瓣权值比会变得很大而权值比越大白噪声增益越高输出信噪比反而下降。这就是“高增益低旁瓣”在少阵元时很难用单程加权实现的原因。LMS 则走了另一条路它利用时间上的快拍迭代用时间自由度换取空间自由度。每一时刻它都在更新权值实际上是让波束方向图适应协方差矩阵的实时状态。固定窗在均匀噪声下设计遇到非均匀干扰或者阵元幅相误差时旁瓣会立刻抬高LMS 能感知这些误差把权值重新分配到误差最小的解上。所以4 元阵上做“高增益低旁瓣”自适应处理通常比固定窗更可靠。3. 用 Python 把 lms_4array 低旁瓣波束仿真跑通3.1 仿真场景与参数表先把仿真参数固定下来用统一参数复现 LMS 行为。下面这张表是 4 元阵仿真的常用起点信噪比和干噪比都按典型相控阵场景设置。参数取值说明阵元数 M44 元均匀线阵阵元间距0.5 λ半波长避免栅瓣快拍数 N2000足够迭代稳态的采样点数期望方向 θs30°波束主瓣指向干扰方向 θj-10°旁瓣区干扰SNR10 dB期望信号与噪声比INR20 dB干扰与噪声比步长 μ0.001梯度下降步长参考信号 d(n)30°方向复正弦与期望信号同频同相所有角度都用度表示进入公式前转弧度。参考信号用本地载波生成频率与期望信号相同。这样 LMS 有明确的学习目标将输出信号匹配到本地参考相位上。3.2 LMS 波束形成核心代码仿真代码如下使用 numpy 生成基带信号迭代 2000 次最后返回稳态权值和方向图数据。import numpy as np import matplotlib.pyplot as plt M 4 N 2000 mu 0.001 theta_s np.deg2rad(30) theta_j np.deg2rad(-10) snr 10.0 inr 20.0 # 阵列流形矢量 def steervec(theta, M): m np.arange(M) return np.exp(1j * np.pi * m * np.sin(theta)) # 基带信号生成 n np.arange(N) s np.exp(1j * 0.1 * n) # 期望信号 j np.exp(1j * 0.15 * n) # 干扰信号 noise (np.random.randn(M, N) 1j * np.random.randn(M, N)) / np.sqrt(2) a_s steervec(theta_s, M).reshape(-1, 1) a_j steervec(theta_j, M).reshape(-1, 1) # 接收数据信号按SNR、干扰按INR叠加 sig_power np.mean(np.abs(s)**2) noise_power 1 s_amp np.sqrt(noise_power * 10**(snr/10)) j_amp np.sqrt(noise_power * 10**(inr/10)) X s_amp * a_s s.reshape(1, -1) j_amp * a_j j.reshape(1, -1) noise # 参考信号与期望信号同频同相 d s # LMS 迭代 w np.zeros(M, dtypecomplex) for i in range(N): x X[:, i] y np.conj(w) x e d[i] - y w w mu * x * np.conj(e) # 方向图扫描 theta_scan np.linspace(-90, 90, 181) G np.zeros_like(theta_scan, dtypefloat) for idx, th in enumerate(theta_scan): a steervec(np.deg2rad(th), M) G[idx] np.abs(np.conj(w) a)**2 G_db 10 * np.log10(G / G.max() 1e-12) print(稳态权值 w , w)代码里最关键的是迭代循环中的w w mu * x * np.conj(e)这一行。e是当前快拍的误差x是接收向量两者相乘得到梯度估计。步长mu控制修正幅度np.conj(e)是因为复数梯度的共轭形式。接收数据生成时信号、干扰、噪声功率都经过显式换算让仿真能复现不同信噪比下的行为。方向图扫描用 181 个角度点覆盖 -90° 到 90°计算每个角度上的阵列响应功率。最后做归一化单位转成 dB。这一步用来测量旁瓣电平是评估 LMS 是否达到低旁瓣目标的核心。3.3 方向图扫描与旁瓣测量扫完方向图后接着计算峰值旁瓣电平。常见做法是排除主瓣附近的几个波束宽度在其他角度区域找最大值。# 排除主瓣区域±5°计算峰值旁瓣电平 mainbeam (abs(theta_scan - np.deg2rad(30)) np.deg2rad(5)) sidelobe_gain G_db.copy() sidelobe_gain[mainbeam] -np.inf psll np.max(sidelobe_gain) print(峰值旁瓣电平 PSLL {:.2f} dB.format(psll))这里mainbeam掩码把主瓣 5° 范围内的数据排除掉剩余区域的最大值就是 PSLL。仿真输出通常能看到 PSLL 在 -12 到 -18 dB 之间具体数值取决于步长和快拍数。如果 PSLL 高于 -10 dB说明 LMS 还没收敛需要增加快拍数或调小步长。方向图曲线可以用plt.plot(theta_scan, G_db)画出观察主瓣是否指向 30°旁瓣是否有明显的非对称凹陷。4. 低旁瓣高增益的 4 个必调参数与常见坑4.1 步长 μ收敛速度与旁瓣振荡的平衡步长是 LMS 最敏感的参数。理论上步长应满足 0 μ 2/λ_maxλ_max 是接收信号协方差矩阵的最大特征值。实际使用中我一般取理论上限的 1/10 到 1/20避免稳态权值抖动导致旁瓣电平起伏。步长 μ收敛速度稳态旁瓣风险0.01快-10 dB 左右波动大权值振荡方向图不稳定0.001中等-14 dB 左右推荐起点0.0001慢-16 dB 左右快拍数需增加到 5000 以上步长过大时LMS 在最优权值附近来回跳动等效于给权值叠加了一个随机扰动旁瓣电平会被抬高。步长过小则收敛时间变长在快拍数有限的场景下权值还没收敛就被截断方向图同样不理想。判断收敛的一个技巧是观察权值向量的范数是否稳定如果还在单调变化说明需要更多快拍或更大步长。4.2 参考信号与期望方向失配LMS 的旁瓣抑制能力完全依赖于参考信号与期望信号的相关性。参考信号必须与期望方向入射的信号频率、相位一致。如果参考信号方向匹配但相位没有补偿LMS 会把期望信号本身当作误差最后在期望方向形成一个零陷。这就是新手常遇到的“主瓣没了”的问题。相控阵波束扫描相位计算在这里派上用场。4 元阵期望方向为 θs 时相邻阵元的补偿相位是 π sinθs。本地参考信号可以直接用np.exp(1j * π * 0 * sinθs)的单路信号也可以对第一阵元接收信号做延时对齐。更稳妥的做法是取期望方向信号的复包络样本直接作为参考避免相位模糊。注意参考信号不要带噪声也不要带干扰分量。如果参考信号从实际接收信号中提取需要先做滤波否则 LMS 会尝试复制干扰成分旁瓣反而抬高。4.3 权值初始化与对角加载抑制小特征值噪声LMS 权值初始化为零向量虽然简单但收敛过程会经历一个“旁瓣扫描”阶段方向图中可能出现瞬时的高旁瓣。更常见的做法是初始化为常规延时补偿权值w(0) a(θs) / M这样一开始主瓣就指向期望方向LMS 只需要做修正旁瓣不会大起大落。在 4 元阵上这个初始化对低旁瓣目标非常有用。当接收信号存在强干扰时协方差矩阵会有小特征值。LMS 迭代中这些小特征值对应方向上的权值会持续漂移最终放大噪声造成“增益损失”。工程上可以在误差项里加一个对角加载正则e(n) d(n) - w^H(n) x(n) β w^H(n) w(n)或者在迭代更新中每次减去一小部分权值范数。β 取 0.01 到 0.1 之间。这样权值不会无限长得过大保住了高增益。注意 β 太大会把 LMS 变成泄漏 LMS主瓣增益下降旁瓣抑制能力也减弱。4.4 快拍数选择的经验公式4 元 LMS 的收敛速度大约需要 10 倍于自由度数量的时间常数。时间常数近似为 1/(μλ_eff)λ_eff 是协方差矩阵的主特征值。仿真经验是快拍数至少取 10/μ才能看到稳态方向图。如果 μ0.001快拍数就是 10000 量级对实时系统来说这个数据块长度意味着 LMS 更适合慢变信道或者用块处理方式定期更新权值。快拍数不够时方向图会像噪声一样抖动PSLL 会随随机种子大幅变化。解决办法是多跑几次仿真取统计平均或者增大 μ 换取更快的初始收敛后切换到小步长平滑。5. 旁瓣电平测量与 LMS 权值做相控阵扫描的进阶做法5.1 用峰值旁瓣电平和积分旁瓣电平卡指标低旁瓣不能只看方向图“感觉低”要用数值指标卡。峰值旁瓣电平PSLL是主瓣以外最大副瓣的增益积分旁瓣电平ISLR衡量所有旁瓣能量之和与主瓣能量的比值。ISLR 对分布式杂波更敏感雷达里常用它评估抑制杂波能力。计算时方向图功率要在线性域求和不能直接在 dB 域平均。LMS 权值的方向图通常主瓣较窄ISLR 会比均匀加权低几个 dB。5.2 LMS 权值与 Chebyshev 窗的旁瓣对比固定 Chebyshev 窗在 4 元阵上可以设计到 -20 dB 旁瓣但权值比会达到 1 比 3 以上白噪声增益线性度下降。LMS 稳态权值的幅度分布往往更均匀这有助于保持高增益。仿真对比时用同样的 4 元阵列、同样的期望方向分别计算 Chebyshev 权和 LMS 权的方向图。LMS 权在干扰方向会出现明显零陷而 Chebyshev 权没有这解释了为什么 LMS 在干扰环境下有效旁瓣更低。两者的主瓣宽度差别不大但 LMS 的旁瓣通常更“碎”即存在多个深度不一的凹陷而不是平滑的 -20dB 平台。5.3 一个实用技巧用 LMS 稳态权值作为 MVDR 的初值LMS 稳态权值质量高但稳态后仍然有梯度噪声。一个省事的进阶做法是把 LMS 跑完得到的 w 作为 MVDR 的初始解再用采样协方差矩阵做一步 Newton 修正。公式是w_mvdr w_lms - (R w_lms - r) / (w_lms^H R w_lms)其中 R 是采样协方差r 是期望方向与接收信号的互相关向量。这一步能进一步压低旁瓣同时保持 LMS 的鲁棒性。实际给相控阵前端下发权值时记得对 w 做相位解卷绕把相邻阵元的相位差换算成移相器可量化的小数避免相位跳变破坏波束指向。最后提一个容易忽略的验证点方向图扫描间隔不要用 1°换成 0.1° 再测一次 PSLL。LMS 形成的窄零陷可能正好落在 1° 间隔的缝隙里造成旁瓣“假低”。密扫后仍低于指标值才真正算低旁瓣达标。本文还有配套的精品资源点击获取