谈到"波束赋形"，多数人会立刻联想到发射端那根会"转向"的能量光柱——基站用一排天线把信号精准雕成一道束、指向你。这是发送波束赋形。但波束赋形其实有另外半张脸：接收波束赋形。当你手机上的多根天线同时收到同一个信号的多个"分身"时，如何把它们重新拧成一股、把淹没在噪声里的微弱信号"逆袭"放大？这正是今天的主角——最大比合并（Maximum Ratio Combining，MRC）。
它是所有线性合并方法中信噪比最优的那一个，是接收分集的"皇冠算法"，也是大规模 MIMO 检测器的入门级基线。理解了 MRC，你就理解了"接收端如何用天线阵列加权求和"这件事的数学最优解。
先用一个生活类比。假设你要听清远处一个人说话，但环境嘈杂。聪明的做法不是用一只耳朵硬听，而是两只耳朵一起听——大脑会把两只耳朵收到的声音"对齐相位"后叠加，说话声因为两耳相位接近而被增强，而两耳的噪声各不相同、叠加后部分抵消。这就是分集合并的雏形：用多个"观察点"接收同一信息，再聪明地把它们合起来。
无线信道里，发射端发出的同一个信号 $x$，经过不同路径到达接收端的多个天线时，会变成不同的复数：
$$y_i = h_i x + n_i,\quad i = 1,2,\dots,N$$
其中 $h_i$ 是第 $i$ 根天线上的信道系数（一个复数，含幅度衰减和相位旋转），$n_i$ 是该天线上的噪声，$N$ 是接收天线数。
问题在于：在富散射环境（城市、室内）里，$h_i$ 的幅度 $|h_i|$ 会随手机位置做剧烈起伏——这就是瑞利衰落。你把手机挪动半个波长（5G 中可能就几厘米），信号强度可能从满格直接掉到深渊。这种深衰落是"位置"的函数，而空间上隔得足够远的天线，经历的衰落几乎独立。
这就是空间分集的物理基础：既然单根天线总会偶尔掉进深坑，那就多放几根天线，让它们同时掉进深坑的概率急剧下降。 几根独立衰落的信号，几乎不可能在同一时刻全部"哑掉"。但拿到这 $N$ 份"残次品"后，怎么合成才最聪明？这就有讲究了。
flowchart LR
TX["发射端<br/>发送信号 x"] -->|"路径1: h₁"| A1["天线1<br/>y₁=h₁x+n₁"]
TX -->|"路径2: h₂"| A2["天线2<br/>y₂=h₂x+n₂"]
TX -->|"路径N: h_N"| AN["天线N<br/>y_N=h_Nx+n_N"]
A1 --> W1["加权 w₁"]
A2 --> W2["加权 w₂"]
AN --> WN["加权 w_N"]
W1 --> SUM(("∑<br/>相干求和"))
W2 --> SUM
WN --> SUM
SUM --> DET["判决<br/>x̂"]
style SUM fill:#ffd,stroke:#333,stroke-width:2px
style DET fill:#dfd,stroke:#333
注意一个关键点：发射的是同一个 $x$，只是经过不同信道 $h_i$ 变了形。合并的目标，就是在不知道 $x$ 的前提下，仅靠这 $N$ 个变形副本，恢复出最干净的 $x$。
历史上有三种典型的合并策略，复杂度递增，性能也递增。理解它们，才能体会 MRC"为什么这样设计"。
最偷懒的做法：只挑信噪比最高的那根天线用，其余全部丢弃。
$$\gamma_{SC} = \max_i\ \gamma_i$$
它连相位都不需要对齐——因为它根本不叠加。实现最简单，只用一个射频通道加一个开关（理论上每根天线仍需独立测量 SNR）。代价是：浪费了其余 $N-1$ 根天线携带的信息。
聪明一点：所有天线都用上，先相位对齐，再等幅度叠加。
$$\hat{x}{EGC} = \sum\, y_i$$}^{N} e^{-j\angle h_i
权重只做相位旋转（把每路信号的相位"掰正"），幅度上一视同仁（权重幅度恒为 1）。它比 SC 好得多，但有个明显的浪费：一根信号极弱（几乎纯噪声）的天线，也被同等权重加了进来——它贡献的噪声和信号不成比例，反而拉低了合成的信噪比。
最极致的做法：相位对齐 + 幅度按"信号强弱"加权——信号强的多给权重，信号弱（噪声占比大）的少给权重，纯噪声的几乎不给。
这恰好击中了 EGC 的软肋。MRC 的设计哲学可以用一句话概括：给每根天线分配的"话语权"，要与它能提供的有用信号成正比，与它携带的噪声成反比。
下面这张表把三者摆在一起：
| 合并方式 | 权重设计 | 是否需相位对齐 | 所需信道信息 | 复杂度 | 性能 |
|---|---|---|---|---|---|
| SC 选择性合并 | 二值（只用最强一路） | 否 | 仅需各路 SNR 排序 | 最低（开关切换） | 最差 |
| EGC 等增益合并 | 幅度恒为 1，仅做相位旋转 | 是 | 各路信道相位 | 中等 | 居中（比 MRC 差约 1 dB） |
| MRC 最大比合并 | 幅度正比于信号强度、反比于噪声 | 是 | 各路信道幅度+相位 | 最高 | 最优（最大化输出 SNR） |
一个常被忽略的细节：三种方式的分集阶数相同，都等于天线数 $N$——也就是说在高信噪比区间，误码率曲线随 SNR 下降的"陡度"是一样的。它们的差异在阵列增益（array gain）：MRC 把信号能量压榨得最干净，SC 最浪费。换言之，MRC 让曲线整体左移得最多。
现在做一件工程师最爱的事——用最优化推出 MRC 的权重，而不是凭直觉拍脑袋。你会看到，相位对齐 + 幅度加权这两件事，不是设计选择，而是数学必然。
设第 $i$ 根天线：$y_i = h_i x + n_i$，其中 $n_i \sim \mathcal{CN}(0, \sigma_i^2)$（复高斯噪声）。我们用一个线性合并器，权重 $w_i$（复数）：
$$\hat{x} = \sum_{i=1}^{N} w_i\, y_i = \left(\sum_i w_i h_i\right) x + \sum_i w_i n_i$$
合并后的信号功率和噪声功率分别是：
$$P_{\text{sig}} = \left|\sum_i w_i h_i\right|^2 E_s,\qquad P_{\text{noise}} = \sum_i |w_i|^2 \sigma_i^2$$
目标是最大化输出信噪比 $\gamma_{\text{out}} = P_{\text{sig}}/P_{\text{noise}}$。对分子应用柯西–施瓦茨不等式：
$$\left|\sum_i w_i h_i\right|^2 = \left|\sum_i \left(\frac{w_i\sigma_i}{\cdot}\right)\left(\frac{h_i}{\sigma_i}\right)\right|^2 \le \underbrace{\left(\sum_i |w_i|^2\sigma_i^2\right)}{P$$}}}\cdot\underbrace{\left(\sum_i \frac{|h_i|^2}{\sigma_i^2}\right)}_{\text{常数}
不等式取等号的条件，正是最优权重的形式：
$$\boxed{\;w_i = \frac{h_i^{*}}{\sigma_i^2}\;}$$
即第 $i$ 路的最优权重，等于该路信道系数的复共轭，再除以该路噪声功率。当各路噪声功率相同（$\sigma_i^2=\sigma^2$）时，权重简化为：
$$w_i = h_i^{*}$$
这就是 MRC 最常被记住的样子——权重就是信道的共轭。
把最优权重代回信噪比表达式，得到 MRC 最优雅的结论：合并后的信噪比，等于各支路信噪比之和。
$$\boxed{\;\gamma_{\text{MRC}} = \sum_{i=1}^{N} \gamma_i = \sum_{i=1}^{N} \frac{|h_i|^2 E_s}{\sigma_i^2}\;}$$
这个结论极其漂亮。它的意思是：MRC 把 $N$ 份独立的小信噪比，线性累加成一份大信噪比。哪怕每根天线单独看都只有 0 dB，两根合并就有 3 dB，四根就有 6 dB……天线越多，信噪比爬得越高，这正是"阵列增益"的量化体现。
flowchart TD
A["拿到各路信道 h_i<br/>（通过导频/参考信号估计）"] --> B["求复共轭 h_i*<br/>并除以噪声 σ_i²"]
B --> C["得到权重 w_i = h_i*/σ_i²"]
D["各路接收信号 y_i"] --> E["逐路乘以 w_i<br/>y_i · w_i"]
C --> E
E --> F["所有路相干求和<br/>∑ w_i y_i"]
F --> G["输出 x̂，判决"]
G --> H["结果：γ_MRC = Σγ_i<br/>信噪比最大化"]
style B fill:#ffe,stroke:#990
style F fill:#ffd,stroke:#333,stroke-width:2px
style H fill:#dfd,stroke:#060
公式 $w_i = h_i^*$ 看起来抽象，但它的几何意义非常直白，分两步：
第一步：相位对齐（掰正相位）。
信道 $h_i = |h_i|e^{j\theta_i}$ 给信号乘了一个相位旋转 $\theta_i$，于是第 $i$ 路信号"歪"了 $\theta_i$。共轭 $h_i^ = |h_i|e^{-j\theta_i}$ 提供一个 $-\theta_i$ 的反向旋转，正好把信号掰回原始相位*。$N$ 路信号叠加前，它们的相位被强行对齐到同一方向——否则一路往东、一路往西，相加就是互相抵消（相消）。
第二步：幅度加权（按强弱打分）。
权重幅度 $|w_i| = |h_i|/\sigma_i^2$，信号越强（$|h_i|$ 大）、噪声越小（$\sigma_i^2$ 小），权重越大。一根信号微弱、噪声很大的天线，会被自动分配很小的权重，几乎"闭嘴"——这避免了 EGC 把垃圾信号硬塞进来的毛病。
用一句话总结 MRC 的几何本质：先把所有信号转到一个方向（对齐），再让强信号大声喊、弱信号小声说（加权），最后求和。 这与"发射端波束赋形把能量对齐到用户方向"在数学上是对偶的——一个在发端调权重对齐用户，一个在收端调权重对齐信号。这也是为什么 MRC 被称为接收波束赋形。
graph LR
subgraph 合并前["合并前：各路相位乱、幅度不一"]
S1["信号1<br/>幅| h₁| 相位+30°"]
S2["信号2<br/>幅| h₂| 相位-70°"]
S3["信号3<br/>幅| h₃| 相位+120°"]
end
subgraph 共轭["共轭权重 w_i = h_i*"]
C1["×h₁*<br/>转回0°"]
C2["×h₂*<br/>转回0°"]
C3["×h₃*<br/>转回0°"]
end
subgraph 合并后["合并后：同向叠加"]
R["∑ 全部对齐到0°<br/>幅度按| h_i| 加权求和<br/>噪声因不相干而部分抵消"]
end
S1 --> C1 --> R
S2 --> C2 --> R
S3 --> C3 --> R
style R fill:#dfd,stroke:#060,stroke-width:2px
MRC 是接收侧的最优线性处理。它的对偶兄弟，是发射侧的最大比发送（MRT，Maximum Ratio Transmission）。当发射端知道下行信道时，把发送信号预乘 $w_i = h_i^$（共轭），就能让各天线发出的信号在用户处同相叠加——这其实就是共轭波束赋形*，也是大规模 MIMO 最朴素的预编码方案。
换句话说：MRC（收）与 MRT（发）是同一枚硬币的两面，权重形式都是"信道的共轭"。这套"共轭 + 加权"的思想，在 Massive MIMO 里被推向极致。
在大规模 MIMO 中，基站动辄几十上百根天线。一种最简单却出奇有效的上行检测器，就是对所有天线做 MRC（共轭合并）：
$$\hat{x} = \mathbf{H}^H \mathbf{y}$$
这里 $\mathbf{H}$ 是信道矩阵，$\mathbf{H}^H$ 是共轭转置。当天线数 $M \to \infty$ 时，一个奇妙的现象发生——信道硬化（channel hardening）：$\mathbf{H}^H\mathbf{H}/M \to \mathbf{I}$，即不同用户的信道变得"近乎正交"。此时简单的 MRC 就能把目标用户信号与干扰充分分离，几乎逼近最优检测器的性能。这正是 Massive MIMO"以数量换质量"的核心红利之一，而 MRC 是兑现这红利的最低成本工具。
前文我们讲过《信道互易性》《预编码》《大规模MIMO的相变奇点》——它们都是发射侧或系统级的视角。MRC 补上了接收侧这块拼图：没有接收端的共轭合并，Massive MIMO 的"信道硬化红利"在上行链路就无从谈起。
MRC 有一个重要前提——它优化的目标是信噪比（SNR），隐含假设是"噪声是唯一的敌人"。但现实网络里，限速的往往不是热噪声，而是邻区干扰。此时 MRC 就力不从心了，因为它对干扰一视同仁地放大。
这就引出了 MRC 的两个"升级版"接收机，它们在工程师调试网络时经常一起被讨论：
| 接收机 | 优化目标 | 权重依赖 | 适用场景 | 复杂度 |
|---|---|---|---|---|
| MRC 最大比合并 | 最大化 SNR（信噪比） | 仅需本用户的信道 $h_i$ | 噪声受限场景（郊外、低负载） | 低 |
| IRC 干扰拒绝合并 | 最大化 SINR（信干噪比） | 需本用户信道 + 干扰协方差矩阵 | 干扰受限场景（密集城区、同频组网） | 中 |
| MMSE 最小均方误差 | 最小化 MSE（均方误差） | 需全部信道 + 噪声/干扰统计 | 多流/多用户、干扰复杂 | 高 |
一个工程上的常见误解："开了 MRC 就一定比单天线好很多。" 在高信噪比、低干扰的实验室环境里确实如此；但在密集城区同频组网下，若只做 MRC 而忽略强邻区干扰，提升可能远不如预期——此时网络侧会倾向于启用 IRC 或 MMSE 接收机，把干扰"对准零陷"挖掉。MRC 是基线，不是万能药。
这套理论在现网和调试中具体怎么落地？以下几个场景是 1–3 年经验的工程师常踩或常调的：
1. 终端射频调试：天线相关性。 MRC 的全部增益建立在"各路衰落独立"之上。如果手机里两根天线靠得太近、或被金属遮挡导致相关性高，MRC 的分集增益会大打折扣。射频工程师评估多天线终端时，一个核心指标就是包络相关系数（ECC）——它越低，MRC 才越有的赚。
2. 上行链路预算。 基站多天线做 MRC 接收，上行覆盖能享受阵列增益。做覆盖规划时，4 根接收天线相比单天线约有 6 dB 的上行合并增益——这直接 translates 成更大的小区半径或更低的终端发射功率。但注意：这 6 dB 是统计平均意义上的（针对中断概率），不是每一时刻都保证。
3. Massive MIMO 现场调测。 上面提到 TDD 依赖信道互易性做上行检测。如果基站的天线校准（antenna calibration）没做好，收发通道的幅度/相位不一致，MRC 权重 $h_i^*$ 就会"算错"，导致上行吞吐量异常。现场遇到"下行正常、上行掉速"的怪现象，排查天线校准是常规动作之一。
4. 误判陷阱：MRC 不抗干扰。 投诉"某区域上行 SINR 低"，若只盯着 MRC 增益去解释，会南辕北辙——大概率是邻区干扰作祟，应从 IRC/MMSE 或干扰协调（ICIC）方向入手，而不是在 MRC 上死磕。
让我们退一步，用一张演进图把今天讲的接收侧脉络与已有的发射侧知识连成一体：
flowchart TD
START["单天线接收<br/>饱受深衰落折磨"] --> DIV["空间分集思想<br/>多天线收同一信号"]
DIV --> Q{"如何合并 N 路?"}
Q -->|"最省事"| SC["SC 选择性合并<br/>只用最强一路"]
Q -->|"折中"| EGC["EGC 等增益合并<br/>相位对齐+等幅"]
Q -->|"最优"| MRC["MRC 最大比合并<br/>相位对齐+幅度加权<br/>γ=Σγᵢ"]
MRC --> INTERF{"有强干扰?"}
INTERF -->|"否，噪声受限"| OK1["MRC 足够<br/>Massive MIMO 上行基线"]
INTERF -->|"是，干扰受限"| UP["升级到 IRC / MMSE<br/>优化 SINR / MSE"]
MRC -.对偶.-> MRT["MRT / 共轭波束赋形<br/>发射侧 h* 预编码"]
style MRC fill:#ffd,stroke:#333,stroke-width:2px
style MRT fill:#eef,stroke:#336
一句话总结全文：MRC 用"信道共轭"这个权重，同时完成了相位对齐与幅度加权两件事，从而在数学上证明自己最大化了合并后的信噪比（γ = Σγᵢ）。它是接收波束赋形的最优解，是分集合并的皇冠，也是理解 Massive MIMO 上行处理的入门钥匙。
Q1：MRC、EGC、SC 三者的分集阶数是否相同？为什么性能还有差异？ A：分集阶数相同，都等于接收天线数 $N$——在高 SNR 区间，三者误码率曲线的"斜率"一致。差异在于阵列增益：MRC 把每根天线的有用信号能量压榨得最充分，曲线整体左移最多；SC 只用一路最浪费；EGC 居中，通常比 MRC 差约 1 dB。
Q2：为什么 MRC 的权重恰好是信道的共轭 $h_i^*$？ A：这是最大化输出信噪比的必然结果，由柯西–施瓦茨不等式取等号条件推出。共轭提供 $-\theta_i$ 的相位旋转，把各路信号相位掰齐（对齐）；其幅度 $|h_i|$ 让强信号获得更大权重。相位对齐 + 幅度加权，两者缺一不可。
Q3：MRC 和"波束赋形"到底是不是一回事？ A：在"用多天线加权求和"这个数学结构上，它们是同一件事。发射端调权重让能量对齐用户方向，叫发送波束赋形；接收端调权重让多路信号同相叠加，叫接收波束赋形，其最优形式就是 MRC。MRC 权重 $h_i^*$ 与发送侧 MRT/共轭波束赋形的形式完全对偶。
Q4：既然 MRC 是最优的，为什么现网还要用 IRC、MMSE？ A：MRC 只优化信噪比（假设噪声是唯一敌人），对干扰无能为力。在密集城区同频组网中，干扰往往比热噪声更致命，此时需用 IRC（最大化 SINR）或 MMSE（最小化均方误差）把干扰挖掉。MRC 是"噪声受限"场景的最优解，不是所有场景的万能解。
Q5：在大规模 MIMO 里，MRC 真的够用吗？ A：当天线数 $M$ 很大时，出现信道硬化——用户间信道趋近正交，简单的共轭合并 $\mathbf{H}^H\mathbf{y}$ 就能充分分离用户、逼近最优性能。因此 MRC 常作为 Massive MIMO 上行的低成本基线检测器；但用户数增多、天线数有限时，仍需 ZF/MMSE 来压制残余多用户干扰。
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。