波束赋形原理：用天线阵列"雕刻"无线信号

一、从一个手电筒说起：增益到底从哪来？

假设你站在操场中央，要给远处的朋友打个信号。第一种办法是拿一个裸灯泡——光向四面八方均匀洒出去，朋友能看到一点微光，但大部分能量都浪费在了天空和地面。第二种办法是给灯泡装上反光碗，做成手电筒——光被聚成一束照向朋友，他眼前骤然一亮。第三种办法更极端：用几十盏灯排成一排，让它们的光在朋友那个方向步调一致地叠加，在其他方向却互相抵消——这就变成了一束能量密度极高的"光矛"。

波束赋形（Beamforming）干的正是第三件事。把"灯"换成天线，把"光"换成电磁波，让多根天线发射的信号在目标用户方向相干叠加、在其他方向相互抵消，于是有限的发射功率被精准地"雕刻"成一根指向用户的能量波束。

这里有一个关键的认知翻转：波束赋形的本质不是"对准"，而是"加权"。很多工程师第一次接触这个概念时，脑子里浮现的是一根机械转动的天线在左右扫描。但真正的波束赋形没有任何机械运动——它是纯数字的，在基带给每根天线乘上一个复数权重（幅度+相位），电磁波的波前就在空间中被重新塑形了。这正是相控阵雷达（Phased Array Radar）几十年来一直在做的事，5G 只是把它搬到了民用蜂窝里，并把天线数量从几十推到了几百。

一句话直觉：单根天线是"洒水"的灯泡，波束赋形是给每根天线配一个"调光旋钮"，让所有天线的水柱在用户那里汇成一股。

二、信道矩阵 H：基站手里那张"空间地图"

要"雕刻"波束，基站首先得知道信号从每根天线到用户经历了什么。这就是信道状态信息（CSI）。

回到 ADI 文章里那个绝妙的声学类比：你在某个位置戳破一个气球，发出"啪"的一声脉冲，在另一个位置用麦克风录下来。录到的波形包含了环境的全部空间特征——直达声、墙面反射的回声（有衰减、有延迟、有不同的到达角）。这个录音，就是这一对"气球—麦克风"之间的空间脉冲响应。

把场景放大到基站（一堆天线）和用户终端：

flowchart LR
    subgraph UE侧["用户终端 (UE)"]
        U1["1 根天线"]
    end
    subgraph BS侧["基站天线阵列 (gNB)"]
        A1["天线1"]
        A2["天线2"]
        A3["天线3"]
        A4["天线...N"]
    end
    A1 -. "h₁" .-> U1
    A2 -. "h₂" .-> U1
    A3 -. "h₃" .-> U1
    A4 -. "hₙ" .-> U1
    H[("信道矩阵 H<br/>每根天线→UE 的空间传递函数<br/>组成一列向量 h = [h₁,h₂,...,hₙ]ᵀ")]

每根天线到用户之间，都有一条独特的多径信道 $h_i$。把所有这些响应收集起来，就构成了信道矩阵 H。当有 K 个用户时，H 就是一个 $N \times K$ 的矩阵（N 是天线数）。这个矩阵就是基站手里的"空间地图"——它精确描述了"如果我从第 i 根天线发一个符号，它会以怎样的幅度和相位、经过哪些反射路径到达第 k 个用户"。

有了这张地图，波束赋形才有可能。 因为所谓"在用户方向相干叠加"，翻译成数学语言就是：给每根天线乘以一个权重 $w_i$，使得

$$\mathbf{y}_k = \mathbf{h}_k^T \mathbf{w} \cdot s + \text{噪声}$$

中的 $\mathbf{h}_k^T \mathbf{w}$ 尽量大（信号强），同时让其他用户那里的 $\mathbf{h}_j^T \mathbf{w}$ 尽量小（干扰弱）。这就是预编码的全部追求。

三、预编码：把信号"投影"到空间方向

预编码（Precoding）是波束赋形在多用户 MIMO 里的标准叫法。它的物理图像很直观：基站要发给用户 k 的数据符号 $s_k$，不直接送上天线，而是先经过一个"加权网络" $\mathbf{w}k$，每根天线发出的其实是 $ws_k$。}s_k,\ w_{k,2}s_k,\ \ldots,\ w_{k,N

flowchart LR
    S1["用户1数据 s₁"] --> W1["权重向量 w₁"]
    S2["用户2数据 s₂"] --> W2["权重向量 w₂"]
    S3["用户K数据 sₖ"] --> WK["权重向量 wₖ"]
    W1 --> SUM(("Σ 求和"))
    W2 --> SUM
    WK --> SUM
    SUM --> A1["天线1: Σ wᵢ,₁·sᵢ"]
    SUM --> A2["天线2: Σ wᵢ,₂·sᵢ"]
    SUM --> AN["天线N: Σ wᵢ,ₙ·sᵢ"]
    A1 --> AIR((("空中<br/>多径信道 H")))
    A2 --> AIR
    AN --> AIR
    AIR --> UE1["UE1 收到 h₁ᵀ·W·s"]
    AIR --> UE2["UE2 收到 h₂ᵀ·W·s"]
    style SUM fill:#e8f5e9
    style AIR fill:#fff3e0

把所有用户的权重拼成矩阵 $\mathbf{W} = [\mathbf{w}_1, \mathbf{w}_2, \ldots, \mathbf{w}_K]$，整个下行链路就是：

$$\mathbf{y} = \mathbf{H}^T \mathbf{W} \mathbf{s} + \mathbf{n}$$

其中 $\mathbf{y}$ 是所有用户收到的信号向量，$\mathbf{s}$ 是所有用户的发送符号向量，$\mathbf{n}$ 是噪声。预编码器的设计，本质上就是在已知 $\mathbf{H}$ 的前提下，去寻找一个最好的 $\mathbf{W}$。而"好"的标准不同，就诞生了三大经典预编码器。

四、三大预编码器：MRT、ZF、MMSE 的权衡

这三个算法回答的是同一个问题的三种态度——信号和干扰，你更怕哪个？

1. MRT（Maximum Ratio Transmission，最大比发射）

态度：我只要信号最强，干扰随它去。

权重直接取信道的共轭：$\mathbf{W}_{\text{MRT}} = \mathbf{H}^$（下行用共轭转置）。物理意义是"顺着信道的相位走"——信道在某根天线上引入了 $e^{j\theta}$ 的相位旋转，发射端就提前补一个 $e^{-j\theta}$，让所有路径到达用户时相位对齐，幅度相加。这叫相干叠加*，是让信号功率最大化的最优解。

缺点显而易见：它完全不管其他用户，多用户干扰会很强。

2. ZF（Zero Forcing，迫零）

态度：我必须把干扰清零，信号损失点也认。

权重取信道的伪逆：$\mathbf{W}_{\text{ZF}} = \mathbf{H}^ (\mathbf{H}^T \mathbf{H}^)^{-1}$。它的设计目标是让 $\mathbf{H}^T \mathbf{W} = \mathbf{I}$（单位阵）——也就是说，用户 k 只收到自己的信号，对其他用户的"泄漏"被强制压到零。

代价是：为了求逆，ZF 会放大噪声。当用户多、信道矩阵接近奇异（用户空间位置接近、信道相关）时，伪逆会引入一个很大的功率归一化因子 $\beta$，把噪声一起放大，低信噪比下反而崩盘。

3. MMSE（Minimum Mean Square Error，最小均方误差）

态度：信号和干扰，我两个都要平衡。

在 ZF 的求逆里加一个正则项（也叫正则化迫零 RZF）：

$$\mathbf{W}_{\text{MMSE}} = \mathbf{H}^ (\mathbf{H}^T \mathbf{H}^ + \beta \mathbf{I})^{-1}$$

那个 $\beta$ 就是噪声方差与发射功率之比。它在"消除干扰"和"放大噪声"之间取折中，是工程上最常用的方案——不追求把干扰打到零，而是让总的均方误差最小。

设计哲学：MRT 是"贪心型"，ZF 是"洁癖型"，MMSE 是"务实型"。天线数 N 越大、用户数 K 越小，三种方法性能越接近（因为大阵列本身就让用户信道趋于正交，干扰天然就小），这时候反而最简单的 MRT 就够用了——这就是 Massive MIMO 的一个隐藏红利。

五、SU-MIMO vs MU-MIMO：一根管子还是多根管子

波束赋形按服务对象分两种模式：

flowchart TB
    subgraph SU["SU-MIMO（单用户）"]
        direction LR
        BS1["gNB<br/>多天线"] == "多个并行的数据流<br/>同一用户" ==> UE1["1个UE<br/>多天线接收"]
        N1["把空间当成多根并行管子<br/>成倍提升单用户峰值速率"]
    end
    subgraph MU["MU-MIMO（多用户）"]
        direction LR
        BS2["gNB<br/>多天线"] == "各自独立的数据流<br/>同一时频资源" ==> UE2["UE-A"]
        BS2 ==> UE3["UE-B"]
        BS2 ==> UE4["UE-C"]
        N2["同一时频资源服务多个用户<br/>成倍提升小区容量"]
    end

直觉上：SU-MIMO 是把一根粗管子劈成几根细管子，全给同一个人；MU-MIMO 是同一时刻把不同的水分别射向不同的人。后者才是 Massive MIMO 真正的"杀手锏"——它能用完全相同的时频资源同时服务几十个用户，频谱效率因此翻倍甚至十几倍。

六、阵列增益：天线越多，波束为什么越尖？

波束赋形还有一个被低估的福利：阵列增益（Array Gain）。简单说，用 N 根天线做相干叠加，信号功率可以放大约 N 倍，而噪声只放大 $\sqrt{N}$ 倍，于是信噪比净增约 N 倍（10log₁₀N dB）。

更直观的是波束宽度的变化。一个 N 元均匀线阵的半功率波束宽度（HPBW）近似为：

$$\text{HPBW} \approx \frac{0.886 \lambda}{N \cdot d} \ \text{(弧度)}$$

其中 $\lambda$ 是波长，$d$ 是天线间距。天线数 N 越大，波束越窄，指向性越强——这就是为什么 5G 基站动辄 64、128 甚至 256 根天线：不是显摆，而是波束窄到能精确"点名"用户，既省功率又降干扰。

注意一个反直觉的点：波束变窄不等于覆盖变小。窄波束配上波束扫描（SSB 波束轮发），反而能在更广的角度范围内提供更高的增益——这就是 5G 波束管理（另一篇专题）要解决的"如何把窄波束对准用户"的问题。本文讲的是波束本身怎么"长"出来，那篇讲的是怎么"指"过去。

七、TDD 互易性：Massive MIMO 为什么"出生"在 TDD

到这里有个核心问题一直被回避：信道矩阵 H 基站是怎么拿到的？

如果是下行（基站→用户），用户得测量下行 CSI 再反馈给基站。但 Massive MIMO 有上百根天线，要反馈一个上百维的复数矩阵，反馈开销会吃光所有增益。这就是为什么 Massive MIMO 几乎都工作在 TDD（时分双工） 模式。

TDD 的杀手锏叫信道互易性（Channel Reciprocity）：上下行使用同一频段（只是分时隙），电磁波传播的物理信道在两个方向上是对称的，即：

$$\mathbf{H}{\text{下行}} = \mathbf{H}^T$$}

于是基站不必等用户反馈，只要让所有用户在上行各自发一个正交导频（5G 里就是 SRS，探测参考信号），基站用上百根天线同时接收，就能一次性估出整个上行信道，转置一下就是下行信道。

sequenceDiagram
    participant UE as 用户终端
    participant gNB as 基站 (N根天线)
    Note over UE,gNB: ① 上行：UE 发 SRS 探测参考信号
    UE->>gNB: SRS（正交导频）
    Note over gNB: ② 基站估计上行信道 H_UL<br/>(复杂度 ∝ 用户数，与天线数无关！)
    Note over gNB: ③ 互易性：H_DL = H_ULᵀ
    Note over gNB: ④ 计算 ZF/MMSE 预编码权重 W
    Note over gNB: ⑤ 下行预编码发射
    gNB->>UE: 加权后的信号 W·s
    Note over UE: UE 解调自己的数据流

这个设计有三个深远的好处：

1. 复杂度与天线数脱钩：信道估计的开销只正比于用户数 K，与天线数 N 无关。N 从 32 加到 256，导频开销几乎不变——这是 Massive MIMO 可扩展性的根基。
2. 重活全在基站：所有复杂的矩阵求逆、预编码都在基站完成，终端只需发个 SRS、解个调，省电、省算力。
3. 瞬时 CSI：基站拿的是实时的下行信道，预编码能精细适应用户的瞬时位置和衰落。

反观 FDD（频分双工），上下行频率差好几亿赫兹，物理信道不对称，互易性失效，只能靠码本反馈——所以历史上 Massive MIMO 学术研究和早期商用几乎清一色 TDD，FDD Massive MIMO 是后来靠各种"互易性近似"和"部分互易性"才慢慢补上的。

为什么这样设计：TDD + 互易性，本质上是把"上百根天线的信道信息获取成本"从反馈链路转移到了上行导频，用物理规律（电磁波可逆）省掉了不可能完成的反馈开销。这是 Massive MIMO 能落地的经济学前提。

八、互易性校准：空中互易 ≠ 硬件互易

互易性是个理想化的假设，现实里有个大坑：物理信道确实互易，但射频硬件链路不互易。

实际下行链路 = 基站发射射频硬件响应（T_BS）× 空中信道（H）× 用户接收硬件响应（R_UE）；上行链路 = 用户发射（T_UE）× 空中信道（H）× 基站接收（R_BS）。空中的 H 是对称的，但 T_BS ≠ R_BS——每条射频链路的走线长度、本振相位、温漂都不一样。

flowchart LR
    subgraph DL["下行实际链路"]
        TBS["T_BS<br/>基站发 射频"] --> AIR1["H 空中<br/>(互易✓)"] --> RUE["R_UE<br/>UE收 射频"]
    end
    subgraph UL["上行实际链路"]
        TUE["T_UE<br/>UE发 射频"] --> AIR2["H 空中<br/>(互易✓)"] --> RBS["R_BS<br/>基站收 射频"]
    end
    CAL["⚠ T_BS ≠ R_BS<br/>硬件不互易<br/>需互易性校准<br/>(Calibration)"]
    CAL -.-> TBS
    CAL -.-> RBS
    style CAL fill:#ffebee

如果不校准，基站用未校准的上行信道去算下行预编码，波束会指偏——尤其在毫米波高频段，硬件失配的相位误差足以让窄波束（<1°）彻底错过用户。因此每个商用 Massive MIMO 基站都必须做互易性校准：

• 启动时初始化校准 + 运行中周期性校准（温漂缓慢，校准频率可比信道估计低得多）；
• 常见做法：在阵列内增设无源耦合网络，从一根指定校准发射天线发信号，所有接收链路经耦合接收；再逐条发射链路发信号，汇合到校准接收链路——由此测出每条射频链路的 T_BS/R_BS 失配，算出校准矩阵补偿回去。

这部分是 Massvie MIMO 工程落地的"隐形 80%"——论文里一笔带过，但决定了现网性能。

九、实战连接：工程师在哪里会撞上预编码？

场景 1：某小区边缘用户速率上不去，但 RSRP 还不错。 原因常不是信号弱，而是多用户干扰（MU-MIMO 配对的用户信道相关性强，ZF 失效）。调试时看 UE 上报的 CQI 和 RI（秩指示），若 RI 高但 CQI 低，往往就是配对干扰。可能需要调基站的 MU 配对算法或回退到 SU-MIMO。

场景 2：TDD 站点波束性能时好时坏，尤其在午后高温时段。 经典症状指向互易性校准漂移——射频链路温漂导致校准矩阵失效。检查校准周期配置，或厂商的"温度补偿"是否开启。

场景 3：SRS 配置或 SRS 资源不足。 Massive MIMO 一切依赖 SRS。当用户数多、SRS 容量不够时，基站拿不到完整 CSI，预编码退化成"盲打"，吞吐量直接塌方。SRS 周期、带宽、 comb 数、端口数都是网优要盯的参数。

常见误解： - ❌ "波束越窄越好"——窄波束对 CSI 精度和校准要求极高，用户高速移动时窄波束反而因跟不上而掉话，宽波束更稳健。 - ❌ "天线越多一定越好"——超过一定数量，边际增益递减（10log₁₀N 的对数曲线），且硬件成本、功耗、校准难度线性上升。 - ❌ "波束赋形 = Massive MIMO"——波束赋形是更广的概念（含传统模拟移相器方案），Massive MIMO 特指大规模天线阵列的数字空间复用。

十、常见问题

Q1: 波束赋形和预编码是一回事吗？ A: 大方向上可以混用，但严格讲有层次区别。波束赋形偏物理概念——调整天线阵列辐射图、把能量聚向某个方向；预编码是它在数字基带的具体数学实现（信号乘权重矩阵）。在多用户、全数字架构里几乎等同；在模拟/混合架构里，波束赋形常特指模拟移相器那一级。

Q2: 为什么 Massive MIMO 偏爱 TDD 而不是 FDD？ A: 因为 TDD 上下行同频，物理信道互易，基站只需在上行收一次 SRS 就能推出下行信道，反馈开销与天线数无关。FDD 上下行频差大、互易性失效，上百根天线的 CSI 全靠终端反馈，开销会吃光增益。这也是 2.6GHz/3.5GHz 这些 TDD 频段成为 5G Massive MIMO 主力的原因。

Q3: MRT/ZF/MMSE 实际现网用哪个？ A: 工程默认多为 MMSE（RZF），因为它在噪声和干扰间最稳健。但当基站天线数远大于激活用户数（大阵列、轻负载）时，MRT 因计算简单且性能已逼近最优而被采用；高负载、用户密集场景才上 ZF。实际厂商会按负载和 SNR 动态切换。

Q4: SU-MIMO 的"层"（layer）数受什么限制？ A: 受信道秩（rank）限制——即信道的空间自由度。理想自由空间单极化天线对，秩最多 1；要支持多层，靠多径（散射丰富提升秩）或多天线/极化。这就是为什么城区多径丰富反而利于 MIMO，而空旷视距环境 MIMO 增益受限。

Q5: 互易性校准失败会有什么表现？ A: 典型是波束指向偏移——预编码算出的方向和真实用户方向错位，窄波束（高频段尤其）会直接"错过"用户，表现为下行吞吐量随机波动、随温度漂移、高频段比低频段更敏感。校准是 Massive MIMO 工程化最容易被忽视却最关键的一环。

参考来源

1. Massive MIMO和波束赋形：5G流行词背后的信号处理 — 亚德诺半导体(ADI) — 用声学气球类比通俗讲解 CSI、互易性、MRT/ZF/MMSE 三种线性预编码的权威入门资料。
2. 5G核心技术深度解析：多天线传输如何重塑无线通信 — 博客园 — 系统梳理 5G NR 多天线技术从分集到空间复用的演进与 Massive MIMO 工程要点。
3. 5g中基于信道互易性的MIMO — 知乎专栏 — 讲透 TDD 互易性作为大规模 MIMO 预编码前提条件的原理与预编码设计原则。
4. TDD大规模MIMO系统中两种新的下行预编码方案 — 电子与信息学报 — 从学术角度推导 NMRC/NZF 预编码并给出 SINR 理论分析，适合深入理解预编码性能边界。
5. 大规模MIMO时分双工系统信道互易性研究 — 北京邮电大学学报 — 专门研究 TDD Massive MIMO 信道互易性及其硬件校准问题的学术论文。

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。