参数化自适应波束形成的能力与边界

JED 2026年1月James Spriet技术专栏深读

当许多无线电信号同时到达一副接收阵列时，问题并不只是把声音放大。强信号可能遮住弱信号，信号本身还在变化。怎样组织多个通道的观测，让需要的信息更容易分辨，正是自适应波束形成试图解决的问题之一。

James Spriet在JED 2026年1月的首篇Raven Whispers专栏中，将参数化自适应波束形成与低截获概率信号的地理定位联系起来。[1] 这篇短文提出了有吸引力的应用愿景。理解它，需要把阵列处理、信号先验和位置估计分开，再看它们如何在具体条件下共同工作。

先把三个技术词放回各自的位置

原文所说的LPI，即低截获概率，描述的是让外部接收方较难发现、截获或利用发射信号的设计目标。作者举出频率变化、功率调整、较宽的波形带宽和发射模式变化。这些做法并不是每个发射源同时具备的固定清单，低截获概率也不是“绝对不可被观察”的保证。

波束形成关注多个接收通道怎样组合；自适应强调组合规则会依据观测改变；参数化则在作者的表述中，意味着进一步利用脉冲结构、调制类型等已知特征。这三个层次可以协同，却不能仅凭名称就推定系统已经掌握信号的全部特征，或者能够适应任意环境。

“参数化自适应波束形成”在本篇中是对一类处理思路的概括。作者没有给出完整数学目标、参数估计过程和权重更新规则，也没有把它定义为一个唯一的标准算法。因此，不能擅自用某一种常见阵列算法替换这个词，再将自行补入的实现细节归于作者。

这篇文章位于原刊第29页，署名为James Spriet，John Knowles撰写的是介绍新专栏的编者按。文中没有性能试验图表。下文保留作者关于处理潜力的主张，并用基础原理解释适用条件；其中的概念图和公式属于编辑补充，不是原文公开的系统设计。

阵列加权首先是一种空间滤波

图1 多通道加权与组合的通用概念。编辑绘制；箭头表示信息处理关系，未给出具体算法、参数或硬件配置。

一副阵列的各个单元处在不同位置。来自某个方向的波到达这些位置时，通常具有不同的传播时延。在适当的模型下，处理器可以调整各通道的相位和幅度，再把它们相加，使某些方向的贡献较强、另一些方向的贡献较弱。这种方向选择性，就是空间滤波的直观含义。[2]

“波束”因而不一定是一根在空间中可见的细线。对接收阵列，它可以表示系统对不同方向具有怎样的响应。图1中的单个组合输出，也不意味着屏幕上已经出现发射源的经纬度；它只是后续检测、测量或识别可以使用的一份处理结果。

下面的加权求和表达式用于说明这个基本关系。[3] 在窄带复基带模型中，每个通道的一个样本乘以复权重后参与求和。复权重能够同时表达幅度缩放与相位调整，星号表示复共轭。这只是描述一种输出形式，没有指定怎样从数据求得权重。

若把所有权重固定下来，它可以描述固定的组合；若让权重随观测更新，它也能描述自适应组合的某个时刻。相同的外形公式可以容纳不同方法，因此，仅凭一个求和式，无法判断处理速度、干扰抑制水平或定位精度，更不能证明某种算法已经完成验证。

式中，M为接收通道数，m为通道编号，n为采样序号；x_m[n]与y[n]分别表示输入、输出的复基带样本，采用相同量纲或同一归一化约定；w_m为此时刻的无量纲复权重，星号表示复共轭。此式适用于窄带或单个窄子带的加权描述，不是完整宽带处理流程，也不是权重求解公式。

自适应的价值来自变化也受制于变化

原刊强调持续重新计算权重，以应对强信号和背景的变化。这里的关键是，更新应依据接收数据反映出来的情况，而不是只沿用事先固定的组合。它提供了随环境调整响应的可能，也要求系统能够在一定时间内获得足以支持调整的观测。

固定波束形成不因此成为落后或迟钝的同义词。MathWorks的基础说明将传统方法概括为权重不依赖当前接收数据，并指出这类方法具有实现简单等特点。[2] 固定规则本身不必经过复杂的在线估计，所以“固定”并不直接推出“速度慢”。方法是否合适，仍取决于任务与环境。

自适应同样有成本。更新需要数据和计算，而被观察的环境可能在数据收集期间继续变化。编辑解释，这形成了一个朴素的矛盾：可用信息尚不充分时，迅速改变规则未必可靠；等到获得更多信息，规则又可能面对已经改变的背景。原文没有给出这项取舍的具体处理方式。

因此，评价自适应不能只问权重多久更新一次，还要问更新依据是什么，以及更新后的输出是否更有用。屏幕上参数快速变化，只能说明系统在调整；它并不单独证明调整方向正确。可靠的比较应针对同样的输入条件和相同的任务目标，而不是比较两个方法的名称。

参数先验帮助解释观测也可能带来偏差

作者对“参数化”的解释，是利用已经知道的信号特征。先验的作用，可以理解为缩小解释观测时需要考虑的范围。例如，接收数据中存在某种重复结构时，关于结构的合理假设有助于区分有意义的规律与无关变化。这是一般信号分析思路，不等于系统预先知道未知发射源的全部信息。

“已经知道”还必须追问来源。它可能来自先前观测、已有资料，或正在更新的估计。不同来源带来不同的不确定性。如果模型把并不稳定的特征当作永久特征，后续处理就可能过分偏向旧解释。参数数量更多，也不自动意味着模型更接近真实环境。

编辑用一个不涉及具体信号制式的例子说明：过去观察到的重复规律，可能因为工作状态变化而暂时消失。处理器若始终坚持旧规律，就可能把新的有效信息当成异常；反之，若每一点变化都立即触发模型改写，又可能将偶然波动误当成新规律。先验与新观测之间需要保持可检验的关系。

所以，参数化的价值不只是“知道得更多”，还包括知道哪些知识仍然有效。原刊没有展示失配时的表现，也没有说明参数置信度如何管理。可以认可作者提出的方向，但不能据此断言模型在信号变化后总能保持正确，更不能把适应能力理解为无须验证的自动学习。

宽带能力不能只从处理器名称判断

原文把现代数字波束形成与较宽的瞬时带宽联系起来。这里要区分两个问题：接收系统能够同时记录多宽的频率范围，以及采用何种方式对范围内的信号进行阵列组合。前者提供数据入口，后者还要处理不同频率下的响应关系，两个问题不能相互替代。

对于窄带信号，时延常可近似为一个相位变化；当信号较宽时，单一频率上的相位表示就未必足够。MathWorks的宽带说明区分了这两种情况，并介绍传统和自适应的宽带处理均有相应形式。[4] 因而，“宽带”不是贴到窄带公式前面就自然获得的属性。

通道之间的一致性也很重要。处理过程把各路样本放在一起解释，首先需要知道它们对应怎样的时间和通道响应。若观测关系本身不清楚，输出变化就可能混入仪器差异。原文提到分布式孔径，但没有展开同步、校准和数据传递条件，不能把这些工程环节视作已经自动解决。

数字处理还依赖进入处理器的数据。模数转换器的公开说明指出，输入超出适用范围等情况会造成削顶或性能下降。[6] 这提醒我们，强弱信号共存的难题也可能发生在采样前后。后端算法能够利用记录到的信息，却不能仅凭“数字”二字保证恢复全部未被正确记录的细节。

微秒与毫秒需要放进同一时间过程

Spriet一处使用微秒级处理来描述快速分离信号的潜力，另一处写到毫秒级权重更新。两种量级不必天然矛盾，因为计算、权重更新和产生可用输出可以属于不同阶段；但原文没有给出各阶段计时方式，也没有提供可将它们连起来的完整测量。

编辑据此区分三类时间：收集足够观测所需的时间、执行某个运算所需的时间，以及从输入变化到形成稳定可用结果的时间。一段计算很快，不能让尚未到达的数据提前出现。用其中一个最短环节的耗时代表整机响应，会遗漏前后的等待和处理。

“一次更新”本身也需要说明范围。它可能只是写入一组新权重，也可能包含重新估计环境的过程。文章没有给出阵列规模、输入带宽、数据量和硬件条件，因而无法从微秒或毫秒这些词单独算出系统能够处理多少信号，更不适合与其他设备直接排名。

这并不是否定快速处理的重要性，而是明确快在哪里。对技术读者而言，一个可用的速度结论应当同时指向具体工作和评价条件。本文保留原刊的量级表述作为作者主张，不把它们整理成已经验证的指标表，也不为缺失的时间过程补入猜测数字。

噪声底以下不是一个脱离条件的标签

原刊用“低于噪声底”强调微弱信号的处理潜力。这个说法不能只按显示图上的一条高低线来理解。观察噪声采用多宽的频率范围、怎样的时间观察和何种统计处理，会影响人们谈论信号与背景时的口径；没有这些条件，两个相似描述可能指向不同问题。

信号结构能够帮助分析，是因为结构提供了额外信息，而不是因为算法创造了原本不存在的观测。编辑认为，读者需要区分某个瞬间难以直接辨认，与经过合适处理后仍然完全不可区分。承认前一种情况可能改善，并不意味着任意微弱信号都能够被可靠恢复。

同样，原文“抑制其他一切”的措辞适合表达目标，不宜当成有限阵列的普遍承诺。输入中可能有多种背景，模型也可能不完全准确。让某些方向或成分贡献变弱，并不等于它们在所有频率、所有时刻严格消失。响应图上的低谷与真实环境中的永久零输出是不同概念。

判断改善是否成立，应同时关心保留了什么和误丢了什么。一个更干净的显示结果，如果也去掉了有用信息，就未必完成了任务。这是编辑提出的评价视角；原文没有公开这类对照数据，因此不能从形象比喻进一步推导出确定的检出率或误报率。

从来向估计到地理坐标还有一步

图2 单一方向信息的几何含义。编辑绘制；同一射线上可有不同距离的位置，方向误差也会形成范围。图中未给出实际观测配置或定位算法。

文章最容易引起误读的跳跃，是从较清晰的接收信号直接转到精确地理定位。来向说明信号从哪个方向到达，地理位置则还需要把观测与空间坐标联系起来。在常用的远场方向模型下，同一个方向上可以有不同距离的候选位置，单个方向数值通常不足以同时确定未知距离。

图2以一条射线表达这种信息差别。它不是说方向测量没有价值，而是说明它具体约束了什么。如果方向存在不确定性，候选范围还会变宽。完整的位置结论需要额外的独立信息或明确假设；不能因为角度显示了许多小数位，就认为距离问题已经被解决。

阵列形状和模型还会影响“方向”究竟指什么。MathWorks的来向估计示例明确区分阵列几何所能提供的角度信息，并指出线阵存在相应的方向辨识限制。[5] 因此，读到某种高分辨率角度结果时，需要先确认其维度和前提，不能把一个角度等同于完整三维位置。

原刊采用想象场景说明应用，并未给出由观测形成距离与位置的完整证据链。文中涉及台海与城市环境的段落，应按示例阅读，不是已完成任务的现场报道。本文不补写具体部署和定位流程，只强调输出层次：分离信号、估计方向与确定位置，需要分别说明依据。

自适应机器学习与软件定义并不等义

原文先介绍权重更新，随后提出加入机器学习来辅助环境描述。这个顺序值得保留：自适应是一种依据变化调整处理的性质，并不要求每一种实现都使用机器学习。把二者直接画上等号，会掩盖各自真正需要验证的部分，也可能将普通数据驱动调整误写成新的人工智能能力。

引入学习方法以后，仍要回答输入数据是否代表使用环境、输出判断是否可靠等问题。名称改变不会消除前面的观测不足、通道差异或模型失配。编辑在这里讨论的是评价逻辑，而不是断言原刊提及的系统采用了某种网络结构；文章没有公开这些实现信息。

软件定义则说明部分处理功能可以通过软件改变。它有助于解释作者所说的任务重设，但改变软件并不自动扩展硬件能够采集的频率范围，也不自动补齐缺失的通道或时间参考。同一套设备能够调整用途的程度，需要结合它原有的数据入口与计算条件理解。

被动接收也有明确边界：它表示这项观测不依靠主动向外发射探测信号，并不证明整个平台从任何渠道都不会被发现。发现一个发射源的存在，与读懂其加密通信内容同样不是一回事。原文的应用想象不应被转述为通用解密能力或平台绝对隐蔽的证明。

真正值得关注的是能力如何被证明

Spriet的专栏把阵列、参数模型和快速更新放到同一个讨论中，价值在于提醒读者：复杂频谱环境中的接收能力，来自硬件与处理共同作用。它既不是单纯提高接收增益，也不是在软件菜单中加入一个功能名称，就可以覆盖全部观测条件。

作者还说相关机构正在将这类技术用于新一代平台，但没有列出可逐项核对的具体项目与测试数据。因此，行业采用的表述可以归于作者，不能由本文进一步包装成全部应用已经成熟的结论。公开了处理思想，与证明某套产品在特定环境中有效，是不同的证据层次。

沿着本文的脉络阅读，可以先问阵列输出发生了什么变化，再问这种变化依赖哪些先验，最后问输出足以支持怎样的判断。这样的顺序能够避免用“精确定位”替代中间缺失的解释，也能把真正有价值的技术进步落实到可理解、可比较的结果上。

参数化自适应波束形成的吸引力，在于它让接收过程更有针对性。它的边界，则来自观测、模型与工程实现的共同约束。把这两面同时讲清楚，既保留了原刊希望传达的技术潜力，也为后续阅读试验报告和产品资料建立了更扎实的判断起点。

资料来源与说明

[1] James Spriet. Hunting Ghosts in the Spectrum – Parametric Adaptive Beamforming for LPI Geolocation. JED，2026年1月，第29页。Raven Whispers专栏；编者按署名John Knowles。

[2] MathWorks，Beamforming Overview。用于空间滤波、传统与自适应处理的基础概念。

[3] MathWorks，Element and Array Radiation and Response Patterns。用于阵列响应与加权求和的基础表述。

[4] MathWorks，Wideband Beamforming。用于窄带相位近似与宽带处理的区别。

[5] MathWorks，High Resolution Direction of Arrival Estimation。仅用于阵列几何与角度信息的模型限制，不引用示例性能为实际系统指标。

[6] Analog Devices，AN-1405: Diagnostic Features on the AD7770, AD7771, and AD7779。仅说明模数转换的输入范围与削顶问题，不表示原刊系统采用这些器件。两图及公式为编辑补充。