基于极化鲁棒阵列的稳健DOA估计：C-MUSIC与闭式算法详解

1. 项目概述：极化敏感环境下的稳健DOA估计挑战

在雷达、无线通信、声纳等众多领域，确定一个或多个信号源的到达方向（Direction of Arrival, DOA）是一项基础且关键的任务。无论是用于目标跟踪、波束成形，还是实现空间多址接入，DOA估计的精度都直接决定了整个系统的性能上限。传统的DOA估计算法，如经典的MUSIC（多重信号分类）算法，其性能通常建立在几个理想化的假设之上：信号源数量已知或可估计、阵元间互耦可忽略、以及——对于本文讨论的核心问题——所有天线阵元的极化方向完全一致。

这个关于极化一致的假设，在实际工程中往往是一个脆弱的环节。想象一下，你手中的智能手机内置的多天线系统，或者一个紧凑的相控阵雷达面板，由于空间和成本限制，天线的排布和朝向可能并非完全统一。更重要的是，信号在传播过程中，经过复杂环境的反射、折射后，其极化状态（即电场矢量的空间指向和随时间变化的轨迹）可能变得完全未知且任意。当入射信号的极化方向与接收天线的极化方向严重失配时，该天线接收到的信号功率会急剧下降，等效于在该阵元处引入了极大的“极化损耗”，信噪比（SNR）变得极低。

传统方法为了规避这个问题，要么使用复杂的双极化或矢量传感器（如交叉偶极子），这增加了硬件成本和校准难度；要么就赌一把，假设所有阵元极化对齐，但这意味着在某些特定的“极化零陷”方向上，整个阵列可能几乎“失明”，完全无法工作。这显然不是一种稳健的设计思路。

因此，我们面临的核心问题是：能否使用结构最简单的天线（如短偶极子），通过巧妙的阵列排布和信号处理算法，实现对任意极化信号的稳健、高精度二维DOA估计？这正是本文要攻克的难题。我们的目标不是去估计极化参数本身，而是设计一种机制，使得无论信号如何极化，阵列中最多只有一个阵元会因极化失配而严重失效，并通过后续算法“修复”或“绕过”这个失效阵元的影响，从而让DOA估计在任意极化环境下都能可靠进行。

2. 核心思路：天线排布与极化污染隔离

要解决极化敏感性问题，不能只从算法层面“硬抗”，必须结合天线阵列的物理设计。我们的出发点是使用成本最低、结构最简单的短偶极子天线构建一个均匀圆阵（UCA）。圆阵的优势在于能提供360度的方位角覆盖和俯仰角信息，是二维DOA估计的常用结构。

2.1 问题根源：极化如何“污染”导向矢量

首先，我们需要理解极化问题是如何破坏DOA估计的。对于一个位于远场的窄带信号源，其到达第n个阵元的信号可以建模为：x_n = a_n * s + w_n其中，s是信号，w_n是噪声，而a_n就是所谓的导向矢量（Steering Vector）。在理想情况下（所有阵元极化对齐），a_n只包含由信号到达不同阵元的波程差引起的相位信息，这正是MUSIC等子空间算法赖以工作的基础。

然而，在极化敏感场景下，导向矢量变成了：a_n = e_n * a_{s,n}这里，a_{s,n}是仅由几何位置决定的纯相位项，而e_n则是极化响应项，它取决于信号极化参数（辅助极化角γ和极化相位差η）以及该阵元自身的朝向角ζ_n。关键点在于：e_n是一个复数，它不仅改变了信号的幅度（|e_n|），还引入了额外的相位偏移（∠e_n）。当所有阵元朝向相同时，e_n对所有n都一样，它作为一个公共的复系数可以被吸收到信号s中，不影响子空间结构。但当阵元朝向不同时，每个a_n被e_n“污染”的程度各不相同，这直接破坏了接收信号自相关矩阵的秩-1结构，导致基于信号/噪声子空间正交性的MUSIC算法完全失效。

更糟糕的是，对于某些特定的DOA和极化组合，e_n可能接近于零，这意味着该阵元几乎接收不到信号，只剩下噪声。如果多个阵元同时出现这种情况，DOA估计将变得不可能。

2.2 突破性设计：四元非一致排布方案

我们的核心创新之一，是提出了一种最小化阵元数（N=4）且非一致排布的圆阵方案。为什么是4个？因为二维DOA估计（方位角φ和俯仰角θ）至少需要3个阵元来解算两个角度，但3个阵元无法满足我们“隔离极化污染”的需求。

我们通过严格的数学证明（对应原文中的Theorem 1）得出了一个关键结论：只要任意两个阵元的朝向角ζ_n和ζ_{n'}不相等，且不恰好相差180度，那么就不可能同时有两个阵元的极化响应e_n和e_{n'}都为零（除非信号本身在阵列平面内，即θ=90°，这是一个可单独处理的退化情况）。

基于这个定理，我们设计了一种最优排布：将四个短偶极子天线放置在圆阵上，其朝向角分别为0°, 45°, 90°, 135°（相对于x轴）。这种排布确保了：

1. 极化零陷隔离：在任何DOA和极化组合下，最多只有一个阵元的e_n会接近于零（即遭受严重的极化失配）。
2. 相位关系保持：尽管e_n的幅度和相位各异，但阵元间的几何相位差a_{s,n}仍然保留了完整的DOA信息。
3. 硬件简易性：仅需四个普通的、朝向固定的短偶极子，无需复杂的极化切换或矢量传感器。

这个设计是后续所有算法工作的物理基础。它相当于在硬件层面，将“极化污染”这个全局性问题，局部化到了“至多一个阵元”上，从而为算法层面的“修复”创造了条件。

注意：这种排布牺牲了阵列在极化匹配时的最大增益，换来了在所有极化场景下的稳健性。这是一种典型的“鲁棒性”与“峰值性能”的权衡，在工程实践中，稳健性往往优先级更高。

3. 算法核心：C-MUSIC与CF估计器

有了上述天线排布，我们面临两种可能的接收场景：

• Case 1：四个阵元中，有一个阵元的接收信号功率极低（e_n ≈ 0）。
• Case 2：四个阵元的接收信号功率均不为零。

我们的算法需要能智能地识别当前处于哪种场景，并采取相应的处理策略。这里我们引入了基于奈曼-皮尔逊（Neyman-Pearson）引理或中心极限定理（CLT）的阈值检测法。通过对各阵元一段时间内的平均接收功率P_n进行统计检验，我们可以以很高的置信度判断是否有阵元因极化而“失效”。如果判断为Case 1，则丢弃该阵元的数据；如果为Case 2，则使用全部四个阵元的数据。

3.1 C-MUSIC算法：净化子空间

C-MUSIC中的“C”代表“Cleansing”，即净化。其核心思想是，在应用传统MUSIC算法之前，先从接收数据的自相关矩阵中，消除掉极化参数对噪声子空间（或称非信号子空间）的污染。

对于Case 1（一个阵元失效）： 假设第k个阵元失效。我们丢弃该阵元数据，用剩余3个阵元的数据构成新的接收向量x̃。其自相关矩阵R̃的噪声子空间，与理想情况下（无极化污染）的导向矢量a_{s,c}的噪声子空间存在一个确定的线性变换关系。我们通过推导，找到了一个对角矩阵F_k，使得R̃ * F_k的噪声子空间与a_{s,c}的噪声子空间一致。这样，我们就可以对这个“净化”后的矩阵进行特征分解，得到干净的噪声子空间，再代入MUSIC谱函数进行谱峰搜索，从而得到准确的DOA估计。

对于Case 2（所有阵元有效）： 此时所有阵元的e_n均不为零且互异。我们不能直接丢弃任何数据。我们通过构造两个特定的测量量c1和c2（如原文Lemma 3和4所示），巧妙地利用阵元间数据的共轭相乘和相加，消去了未知的极化参数e_x和e_y，直接提取出只与DOA相关的相位差κ1和κ2（κ1 = (2πr/λ) sinθ cosφ,κ2 = (2πr/λ) sinθ sinφ）。得到κ1和κ2的估计值后，我们可以构建出“干净”的导向矢量a_{s,c}，然后再应用MUSIC算法。

实操心得：在实现C-MUSIC时，Case 2中的相位估计步骤对噪声非常敏感。在实际系统中，需要对多个快拍（snapshot）估计出的κ1和κ2进行平均或中值滤波，以抑制噪声的影响，否则会直接影响后续MUSIC谱的尖锐程度和估计精度。

3.2 CF算法：闭式解算的优雅

在推导C-MUSIC算法，特别是Case 2中净化子空间的过程中，我们“意外”地发现，既然已经得到了κ1和κ2的估计值，为什么不直接用它来解算DOA呢？这就是CF（Closed-Form，闭式）算法的由来。它可以说是C-MUSIC的一个高效副产品。

CF算法的逻辑极其直接和优美：

1. 根据当前场景（Case 1或Case 2），采用对应的引理（Lemma 1-4）从接收数据中估计出κ1和κ2。
2. 计算κ = sqrt(κ1² + κ2²)。
3. 闭式解算DOA：
   • 俯仰角θ：θ = arcsin( κ * λ / (2πr) )。这里r是圆阵半径，λ是波长。
   • 方位角φ：需要根据κ1和κ2的符号和大小来判断象限，避免模糊。
     • 若κ1 ≠ 0，则φ = arctan(κ2 / κ1)，再结合κ1和κ2的正负确定具体象限（例如，κ1>0, κ2>0为第一象限，κ1<0, κ2>0为第二象限，以此类推）。
     • 若κ1 = 0，则φ为90°或270°（取决于κ2的正负）。
     • 若κ2 = 0，则φ为0°或180°（取决于κ1的正负）。

CF算法完全避免了MUSIC算法中耗时的谱峰搜索（二维网格扫描），计算复杂度极低。下表对比了两种算法的核心步骤和特点：

3.3 阵元数扩展：N≥4的情况

上述算法是基于最小阵元数N=4推导的。对于更多阵元的情况，可以灵活扩展：

• 当N是4的倍数时：可以将阵列视为多个4元子阵列的集合。每个子阵列独立采用上述排布和算法进行处理，最后将各子阵列的估计结果进行平均，可以有效提高估计精度和鲁棒性。
• 当N不是4的倍数时：先配置最大数量的4元子阵列，剩余阵元可以与其他阵元平行放置。通过已估计出的“主”阵元的相位信息，可以推导出与其平行的“从”阵元的相位，从而利用所有阵元的数据。

4. 性能分析与工程实现要点

4.1 阈值K的设计与性能边界

阈值K是算法判断“失效阵元”的关键。我们提供了两种设计方法：

1. 基于精确分布（卡方分布）：在零假设H0（该阵元无信号，只有噪声）下，平均接收功率P_n服从自由度为2M的中心卡方分布。通过预设的虚警概率α（如0.001），可以精确计算出阈值K。这种方法准确，但计算稍复杂。
2. 基于中心极限定理（高斯近似）：当快拍数M较大时（通常M>30即可），利用CLT将P_n近似为高斯分布，可以快速计算K。这种方法简单快捷，适合实时系统。

我们的理论分析给出了算法性能的边界。在平均接收信噪比（SNR）≥ 4 dB时，基于阈值K的场景识别正确概率就接近100%。而在SNR ≥ 10 dB时，CF算法的估计精度与C-MUSIC算法已无显著差异，但计算复杂度却降低了超过33 dB（约2000倍）。这是一个巨大的优势。

4.2 仿真结果与现象解读

通过大量蒙特卡洛仿真，我们验证了算法性能：

• 场景切换鲁棒性：当信号DOA变化使得系统从Case 2进入Case 1（即某个阵元功率跌至阈值以下）时，算法能通过阈值K准确识别，并切换处理模式，DOA估计结果平滑过渡，没有出现跳变或失锁，证明了其稳健性。
• 误差分布：方位角φ和俯仰角θ的估计均方根误差（RMSE）与信噪比的关系符合预期。一个有趣的现象是，在某些DOA组合下，φ的误差略小于θ，而在另一些组合下则相反。这本质上取决于κ1和κ2对噪声的敏感度，而敏感度又与sinθ cosφ和sinθ sinφ的大小有关。当φ=45°且θ=45°时，两者贡献相同，误差也相近。
• 复杂度验证：实测的算法运行时间与理论复杂度分析完全吻合。CF算法因其闭式特性，在嵌入式平台或FPGA上实现具有巨大潜力。

4.3 工程实现中的注意事项与避坑指南

1. 噪声功率估计：阈值K的计算依赖于噪声功率σ²的先验知识。在实际系统中，需要在无信号或已知信号空闲时段进行在线估计。常用的方法有基于特征值扩散的估计或基于最小特征值统计的估计，需保证估计的准确性，否则会影响场景判断。
2. 快拍数M的选择：M影响两方面。一是阈值检测的可靠性，M越大，统计特性越稳定，但会引入处理延时。二是相位估计κ1, κ2的精度，更多的快拍有利于平滑噪声。通常，M在50~100是一个较好的折中。
3. 阵元校准：本文算法假设阵元位置和朝向精确已知。在实际部署中，必须对阵列进行校准，以消除通道不一致性（幅度/相位误差）和阵元位置误差。这些误差会直接混入e_n和a_{s,n}，破坏算法模型。
4. CF算法的象限模糊处理：arctan函数的主值范围是(-90°, 90°)，直接计算会丢失方位角φ的象限信息。必须根据κ1和κ2的原始符号（或其实部虚部的符号）进行判断，这是实现中常见的错误点。
5. 低信噪比下的性能：当SNR很低（<0 dB）时，阈值检测可能出错，相位估计误差也会很大。此时C-MUSIC和CF性能都会下降。可以考虑结合跟踪滤波（如卡尔曼滤波）来平滑估计结果，或在系统设计时确保前端增益足够。

5. 应用场景与未来展望

这项研究为解决单信源、任意极化下的稳健DOA估计提供了一个极具性价比的方案。其应用场景广泛：

• 低成本雷达与电子对抗：在需要探测任意极化干扰源或低可观测目标时，本方案能避免因极化失配导致的跟踪丢失。
• 下一代无线通信（如5G/6G）：用户设备（UE）端的天线空间有限，本方案使用最少天线实现稳健的角度估计，可用于辅助波束管理、初始接入或定位服务。
• 声学与地震波探测：虽然本文基于电磁波模型，但其核心思想（参数污染隔离与子空间净化）可借鉴到矢量声传感器阵列中，处理偏振复杂的声波。

当然，当前工作集中于单用户场景。未来的研究方向自然指向多用户环境。当存在多个非正交信号源时，问题变得异常复杂：

1. 信号分离：首先需要将混合信号分离到各个用户。盲源分离或基于训练序列的方法可能被引入。
2. 多阈值设计：每个用户都可能面临自己的“Case 1”或“Case 2”，需要为每个用户设计独立的检测阈值，且阈值会受其他用户信号干扰的影响。
3. 导向矢量联合净化：多个信号的极化污染相互耦合，净化一个用户的子空间时可能受到其他用户污染的影响，需要研究联合估计与净化算法。

此外，将算法扩展到宽带信号、考虑更复杂的阵列构型（如稀疏阵）、以及研究在存在阵元互耦和通道不平衡时的稳健性，都是富有价值的研究方向。从工程角度看，在FPGA或专用ASIC上实现CF算法的实时处理流水线，将是推动其落地应用的关键一步。