首页 / 书籍阅读

本书导读 · 本书全部章节

超分辨谱峰更尖，为什么仍需要可辨识性条件？

最优阵列处理 · 第09章 参数估计的其他方法

第9章继续讨论参数估计方法。子空间等方法利用阵列模型与协方差结构，可能给出比传统波束更尖的参数谱，但谱峰宽度本身不是分辨成功的统计证明。

下面从超分辨估计的条件出发，检查源数、相关性、样本量和模型误差如何改变结论。

如果一条测量曲线只有一个峰，是不是就说明它来自一个源？答案取决于测量响应，而不能仅凭峰数决定。

取两个高斯形响应，标准差都为一，中心分别在负零点五与正零点五，各占一半权重。把它们相加，得到的曲线只有一个居中的峰。

图中同时画出两项贡献与它们的和。两个组成的中心不同，但宽响应相互重叠以后，视觉上并没有自动出现两个局部峰。

《使用阵列天线的雷达技术》第十二章讨论超分辨、参数模型与信号子空间。要理解其中的论证，首先应把观测曲线的峰数与潜在分量数分开。

本文用一般数学混合响应和小矩阵说明这种区别，不把坐标对应到具体设备的角度或分辨指标。

居中的最大值是真实的合成响应，却并不对应两个组成中的任何一个中心。若把这个最大值直接命名为唯一来源的位置，就额外加入了单分量假设。

反过来，即使某种处理画出了两个尖峰，也还要说明这些峰由什么数据和模型支持。绘图结果本身不能独立证明组成已经被正确恢复。

分辨问题因此不只是把线画细，而是判断不同潜在组成能否在观测中留下足够不同的证据，并且这些差别是否大于误差与模型不确定性。

把搜索网格加密一百倍，输入数据本身没有增加

假设用程序在负四到正四之间计算上一页同一条合成曲线。先取二十一个网格点，再取二百零一个，最后取二千零一个。

对应的网格间隔依次为零点四、零点零四和零点零零四。曲线看起来越来越平滑，最大值的位置也能用更细的坐标刻度表示。

但三个计算都使用同一个函数与同一组参数，没有新增任何测量。网格变细改善的是数值搜索或显示尺度，不是输入信息量。

表中将这三种网格并排。因为本例中心恰好都落在网格点上，三种计算的最大值位置完全相同，均为零。

若最大值不在原网格上，加密可以减小离散搜索误差。这种改善有实际意义，但仍需要与区分多个组成的能力分开报告。

同样，频域补零会使曲线被更密地采样，却不会把原来没有记录的观测时长补出来。插值点数与独立数据数量不同。

因此，不能把输出网格间隔直接当成物理分辨率。一个程序可以输出非常多的小数位，而数据仍不足以支持相应精度。

第十二章中的分辨讨论涉及观测模型、分量数量与误差。数值网格只是实现中的一个尺度，不能代替这些决定可区分性的条件。

两个响应方向越接近，分别估计它们的系数就越敏感

用一个二阶线性例子，可以把可区分性写得更具体。让两个单位响应向量分别为一、零，以及某个夹角的余弦、正弦。

这里的夹角只描述抽象二维向量之间的几何关系，不是待估计的物理入射方向。

将两个向量作为矩阵的两列。它们越接近，两个系数的不同组合就越容易产生相近的观测。

矩阵列内积为夹角余弦，格拉姆矩阵的两个特征值为一加余弦与一减余弦。后者接近零时，求解对扰动更加敏感。

表中列出几个夹角下的列相关性与矩阵二范数条件数。五度时条件数约为二十二点九，九十度时则为一。

注意这里报告的是原矩阵条件数。格拉姆矩阵的条件数是它的平方，不能把两者当作同一个数字。

当两个列方向完全相同时，矩阵秩降为一，只能确定两个系数之和，无法分别恢复它们。接近但不完全相同，则从精确不可辨识转为对误差敏感。

因此，某个无噪声小例子能够解出两个系数，并不自动证明含误差数据也能稳定区分。可解性、稳定性和实际不确定度需要分别判断。

两个分量不一定产生两个统计方向，相关性会改变子空间维数

另一个容易混淆的数量，是组成分量数与协方差的秩。二者之间的对应关系，需要分量之间的统计条件支持。

设第一份随机分量只进入第一维，第二份只进入第二维。如果两份分量独立、零均值、方差都为一，观测协方差就是二阶单位矩阵，秩为二。

现在改成第二份分量始终等于第一份的两倍。每次观测都落在一与二构成的同一个方向上，尽管写法中仍然包含两项贡献。

若第一份方差为一，协方差矩阵两行分别为一、二和二、四。它的特征值为零与五，秩只有一。

表中对比这两种条件。不能仅因为找到一个非零特征值，就无条件断言物理世界里只有一个独立位置的贡献。

协方差描述的是随机变化所占据的方向。若多个组成完全同步变化，它们可以合并成一个统计方向。

实际数据还会受到有限样本、噪声与模型误差影响，使特征值不再呈现理想的精确零与非零分离。如何解释维数，需要这些条件共同参与。

第十二章专门讨论信号子空间维数，是因为分量数量本身也是待判断的问题。若先把数量设成答案，再展示精确位置，就可能把最困难的一部分假设掉了。

模型中少写一种误差，拟合程序可能多写一个分量来解释它

参数模型需要说明每个组成如何产生观测。如果真实响应与模型存在差别，增加组成数量有时也能减小拟合残差。

例如，一个实际响应略微不对称，而模型只允许对称形状。用两个偏移的对称函数相加，可能比一个函数更接近数据。

此时，残差下降有可能来自模型用额外分量补偿形状误差，并不自动证明真实对象确实包含两个独立来源。

同样，通道增益、参考相位或位置标定存在偏差时，理想模型中不存在的细小结构也可能出现在拟合结果里。

因此，分量数量的判断应与模型误差一起考虑。只比较训练数据残差，通常会偏向更灵活、参数更多的解释。

还需要观察结论是否能在不同数据段、独立样本或合理的模型变化下保持。对于不可重复的测量，则更要明确不确定性来自哪里。

理论误差下界也不能单独解决组成数量问题。如果推导时已经假定分量数已知、模型正确，它约束的就是这个条件下的估计问题。

把该下界画在图上，并没有验证这些假设已经在实际数据中成立。参数条件下的精度，与模型选择正确的概率仍是不同指标。

第十二章同时涉及误差与标定，正适合沿着这条线阅读：一条更尖的曲线背后，究竟增加了观测证据，还是增加了模型约束与先验结构。

分辨率的结论，应当从数据和模型出发，而不是从峰的宽度出发

两个高斯形贡献可以叠成一个峰，说明观测峰数不能直接等于组成数量。反过来，多画出几个峰也不构成充分证明。

网格加密能改善数值搜索与显示，但不增加原始观测。它需要作为计算精度报告，而不应直接替代分辨能力。

响应向量接近时，不同系数组合产生相近数据，问题会对扰动敏感。没有精确重合，只说明代数上仍可能可解，并没有保证稳定。

分量之间的依赖关系，又可能让多个组成占据更低维的统计子空间。协方差秩与实际组成数量之间的联系，必须带着相应假设来解释。

模型误差则可能让额外分量成为拟合补偿项。残差更小与来源判断更正确，不是同一个需要证明的结论。

阅读第十二章时，可以把这些问题分开：有多少分量，各自参数是什么，以及这些参数在当前误差条件下有多确定。

每个问题都有不同证据需求。如果某个演示预先给出了正确分量数，就应清楚说明它只验证了剩余参数的估计部分。

真正有说服力的分辨结果，会展示模型、样本和不确定度如何共同支持某种解释。尖峰是结果的一种表达方式，不能反过来充当全部依据。

图上的峰可以变得很窄，但结论能走多远，仍然取决于那些潜在组成在实际观测中究竟有多容易被区分。

本章范围与工程联系

相干来源、阵列校准误差和错误的模型阶数会破坏信号子空间与噪声子空间的预期关系。比较估计器时，应报告偏差、方差、分辨成功率与异常值，而不只展示一次样本的谱图。

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《图上的峰更尖了，就能证明分辨出了更多来源吗？》（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