首页 / 书籍阅读

本书导读 · 本书全部章节

有限训练样本如何改变自适应波束形成？

最优阵列处理 · 第07章 自适应波束形成器

第7章讨论根据观测估计权重的自适应波束形成。理论协方差已知时的解，只是可达到性能的参考；实际系统通常从有限且可能受污染的训练样本构造估计矩阵。

以下从矩阵秩、条件数和正则化展开，说明“能够求逆”为什么不代表权重可靠。

得到一个方阵以后，很多程序便准备直接求逆。但矩阵写成四行四列，并不意味着数据已经支持四个独立方向。

设每个观测有四个分量，只采集到三个观测向量。将它们按列排成数据矩阵，再乘以自身转置，形成的二阶矩矩阵秩最多为三。

如果还要从这三个观测中估计均值，并先将它们中心化，三个中心化向量之和为零，秩最多进一步降到二。

《使用阵列天线的雷达技术》第十章讨论由数据估计矩阵及其稳定性。本文从其中的样本协方差问题出发，考察一般多变量统计计算的限制。

表中固定数据维数为四，只改变观测数量，列出两个不同条件下的秩上限。上限并不保证达到，观测重复或线性相关还会让实际秩更低。

已知均值为零时，直接平均外积可以估计协方差；均值未知时，需要说明是否先中心化，以及分母采用什么约定。

这些定义会影响尺度与秩，不能仅把一个外积平均矩阵统一叫作协方差，就省略数据处理条件。

样本数量不足产生的是结构问题。改用更高浮点精度，可能让计算更精确，却不能从三个向量里制造出四个独立的观测方向。

可逆只排除了精确零特征值，没有排除极小特征值

即使样本足够，矩阵可以求逆，也还需要看不同方向的尺度。很小的正特征值会在求逆后变成很大的数。

考虑一个二阶对角矩阵，两个对角元素分别为一和零点零零一。它是正定矩阵，逆矩阵也完全存在。

若右端数据为一和零点零零一，解为一和一。现在只给第二个数据加上零点零零一，解的第二项却从一变成二。

输入绝对扰动只有千分之一，输出变化却达到一。这个放大来自第二个方向上的除法，而不是程序偶然出错。

图中保持该方向的数据扰动为零点零零一，只改变矩阵的第二个特征值。特征值越接近零，同样扰动引起的解变化就越大。

不过，最坏情况放大也取决于扰动是否落在敏感方向。如果扰动只沿第一个方向，同样大小的输入变化不会经历相同放大。

因此，条件数是重要提示，但还需要结合数据尺度与误差方向解释。不能把一个很大的条件数直接翻译成每次结果必然差同样多。

求逆成功描述的是代数可解性，扰动敏感性描述的是稳定性。这两个问题相关，却不是同一个通过或失败的标志。

给对角线加一个数能改善条件性，但也改变了原来的问题

一种常见做法是在矩阵对角线上加入同一个正数。对称或厄米矩阵的特征向量保持不变，所有特征值都增加这个数。

对上一页的一和零点零零一，加入零点零一以后，两者变为一点零一与零点零一一，最大与最小特征值之比显著下降。

表中列出几种加入量及对应条件数。数值更容易处理，是因为原本极小的方向被人为抬高了。

但若求解的是矩阵乘未知量等于观测，这一步同时把左侧矩阵改掉了。新解一般不再满足原始方程，稳定性改善伴随着模型或偏差的改变。

例如，原右端仍为一与零点零零一，加入零点零一以后，第二个解分量变为十一分之一，而不是原来的一个单位。

因此，对角修正不应被描述为免费消除数值问题。它加入了额外约束或尺度，需要按照数据模型与评价目标解释。

修正量还具有与协方差特征值相同的单位。若输入整体换了幅度单位，协方差按幅度平方缩放，同一个裸数字就不再表示同等强度的修正。

本文表格只展示代数效应，不给出适用于某类设备的选值规则。看清它改变了什么，才有可能正确解释随后得到的结果。

在训练数据上变得均匀，不代表新数据也会保持均匀

矩阵稳定性还涉及样本是否代表实际分布。即使某个估计精确反映了训练数据，也可能不适合另一组数据。

设训练条件下两维协方差为对角元素一和零点零一。将第二维乘十、第一维不变，就能把这组协方差变成单位矩阵。

这一步通常被称为白化。对训练模型而言，两维具有相同方差且不相关，计算结果完全符合预期。

现在把同一个变换作用于另一组协方差为单位矩阵的数据。第二维方差会被乘一百，输出协方差变成一和一百。

表中列出输入与输出的两维方差。同一个变换，在一组数据中实现尺度均衡，在另一组数据中却造成巨大的尺度差异。

这个例子没有采样误差，也没有求逆失败。差别完全来自两组数据的真实协方差不同，因此不能只靠更精确地拟合训练样本解决。

此外，协方差白化只保证二阶关系。除非还有联合高斯等附加条件，单位协方差并不自动保证各维独立。

评估数据驱动变换时，应当把拟合使用的数据与检验使用的数据分清。否则，在同一批数据上看到漂亮的单位矩阵，可能只是重复确认了构造本身。

矩阵结构、样本代表性和数值精度，是三类不同的问题

样本协方差遇到困难时，很容易把所有现象都归为算法不够稳定。实际上，需要先区分问题发生在哪一层。

第一层是结构：观测数量与线性相关性决定估计矩阵能有多大秩。如果某个方向根本没有被样本支持，矩阵就不具备该方向的独立信息。

第二层是统计：即使矩阵满秩，有限样本估计仍会波动，特别是较小特征值及其对应方向，可能对样本变化敏感。

第三层是代表性：训练样本与应用数据是否遵循同一分布。上一页说明，即使训练协方差没有任何估计误差，换一个真实分布也会改变变换效果。

数值计算还构成另一项因素。浮点舍入、求解方法和尺度处理都会影响实际实现，但不能把它们与前面几种数据问题混为一谈。

若只是使用更高计算精度，结构缺失仍然存在；若只是增加同一条件下的样本量，分布改变的问题也未必得到解决。

因此，报告应分别说明样本数、是否中心化、矩阵条件性，以及评估数据来自什么条件。这些信息帮助读者判断结果究竟依赖哪一部分证据。

第十章中的矩阵估计之所以重要，就在于处理参数来自数据本身。输入数据的统计误差与结构，会继续传递到后续变换中。

理解这一点以后，矩阵不再只是一个求逆函数的参数。它是一份关于样本如何变化的估计，也带着这份估计的范围与不确定性。

一个可逆的矩阵，只是开始，不是结果可信的全部理由

四维数据只有三个观测时，秩的限制已经说明并非任何方阵都可以可靠求逆。中心化还会进一步消耗一个样本方向。

样本足够以后，极小特征值仍可能使某些扰动显著放大。可逆与稳定应当分别说明，不能用程序成功返回代替对敏感性的分析。

对角修正可以改变特征值比例，让计算更稳定，但它也改变原来求解的问题。新的结果需要连同这种改变一起解释。

数据分布的变化则更进一步：在训练条件下合理的白化，可能在另一组数据上造成强烈尺度失衡。训练拟合通过，不代表外部数据行为已经得到验证。

这些例子涉及的矩阵都很小，却对应一般数据驱动处理中的基本问题。大矩阵不会绕过它们，只会让问题更难凭直觉直接看见。

读第十章时，可以沿着“数据如何形成矩阵、矩阵如何决定变换、变换如何影响新数据”这条线理解相关讨论。

每一步都应有自己的证据。秩来自结构，稳定性来自尺度与扰动分析，统计可信度来自样本及其适用条件。

若一份结果只给出最终输出曲线，却省略样本来源与矩阵性质，就很难判断它在哪些条件下可以重复出现。

协方差矩阵能求逆，说明运算在当前表示下可以继续。真正可信的结果，还需要说明这份矩阵为什么能够代表问题，以及误差通过它之后会怎样变化。

本章范围与工程联系

对角加载能够改善数值稳定性并减轻失配，却会改变抑制能力和目标响应。训练样本中混入目标、背景不均匀或导向矢量错误，都可能引起自消；需要单独检查无失真约束与实际目标增益。

来源与阅读位置

章目依据 Wiley《Optimum Array Processing》（Harry L. Van Trees，2002）公开目录核对。当前未取得整本原文；本组以同题公开理论和图书馆已有教材专题编订中文导读，明确补充原理，不宣称逐页解读或复现原书例题。

技术展开依据：图书馆既有专题《协方差矩阵能求逆，计算结果就一定可靠吗？》（使用阵列天线的雷达技术（第2版））。本篇重新编排章节导读与适用边界；图表及算例属于专题解释，不能当作目标书的原图或原书实测结果。

Wiley 目录、章节摘要与书目信息