当基站拥有几十根天线、要同时给一群用户打"光柱"时，真正决定每根天线该发多大、什么相位的，不是天线本身，而是一套隐藏在底层的权值计算准则。今天我们把 MRT、ZF、MMSE 这三位"主角"请上舞台，讲清楚它们为什么这样设计、什么时候谁占上风，以及工程师在调试 MU-MIMO 时如何用这套思维。
想象一个圆形宴会厅，大厅中央是舞台，四周摆着好几桌客人。每桌客人的头顶都挂着一盏可以调节方向和亮度的聚光灯。灯光师的任务是：让每桌都被自己头顶的灯照亮，但尽量不要让灯光串到隔壁桌——因为隔壁桌如果也被你的灯晃眼，他们就看不清自己的菜了（这就是多用户干扰）。
基站给多用户做波束赋形，和这位灯光师面对的是同一个难题。基站的每根天线，就好比一盏可以调"方向+相位+幅度"的灯；它要同时给 K 个用户发信号，每个用户都要"被照亮"，但又不能互相"晃眼"。
灯光师有三种截然不同的工作哲学：
这三种哲学，在工程上分别叫 MRT（最大比发射）、ZF（迫零）、MMSE（最小均方误差）。它们不是三套互不相干的技术，而是三种计算"权值矩阵 W"的设计准则。理解了这三位，你就理解了波束赋形最核心的算力来源。
在进入三剑客之前，我们需要一个最小但完整的数学舞台。考虑一个基站配 M 根发射天线，同时服务 K 个单天线用户（这是最经典的下行多用户场景，M ≥ K）。
基站要发的 K 个用户数据符号组成向量 $\mathbf{s} \in \mathbb{C}^{K\times 1}$。这些符号不会直接从天线吐出去——它们先要经过一个权值矩阵 $\mathbf{W} \in \mathbb{C}^{M\times K}$ 线性变换，变成从 M 根天线发射的信号：
$$\mathbf{x} = \mathbf{W}\mathbf{s}$$
这里 $\mathbf{W}$ 的第 $k$ 列 $\mathbf{w}_k$，就是专门给第 k 个用户"打光"的那一组权值（M 维，每根天线一个复数：幅度+相位）。整篇的关键问题就是：这个 $\mathbf{W}$ 到底怎么算？
用户 $k$ 收到的信号是（$\mathbf{h}_k^H$ 是它的 1×M 信道行向量，$\mathbf{H}\in\mathbb{C}^{K\times M}$ 是把所有用户信道叠起来的总信道矩阵）：
$$y_k = \mathbf{h}k^H \mathbf{x} + n_k = \underbrace{\mathbf{h}_k^H \mathbf{w}_k s_k}}} + \underbrace{\sum_{j\ne k}\mathbf{hk^H \mathbf{w}_j s_j}$$}} + \underbrace{n_k}_{\text{噪声}
下面这张系统框图把这条链路画清楚：
flowchart TD
subgraph 发射端["基站发射端（M 根天线）"]
S["用户数据符号<br/>s₁, s₂, ..., s_K"] --> W["权值矩阵 W<br/>M × K<br/>(波束赋形核心)"]
CSI["信道状态信息 CSI<br/>H 或 Ĥ"] -.->|计算权值| W
W --> X["发射信号 x = W·s"]
X --> TX["M 根天线<br/>射频+空口"]
end
TX -.->|"无线信道 H"| RX
subgraph 接收端["K 个用户接收端"]
RX["y_k = h_k·x + n_k"] --> DET["用户 k 解调自己的 s_k"]
end
RX -.->|反馈 CSI| CSI
style W fill:#fff3cd,stroke:#d39e00,stroke-width:2px
style CSI fill:#d1ecf1,stroke:#0c5460
图里被高亮成黄色的 $\mathbf{W}$，正是三剑客的主战场。它怎么算，决定了后面一切的性能。
灯光师水平高低，要看每桌客人"看得清自己的菜、又不被晃眼"。工程上的尺子叫 SINR（信号干扰噪声比）：
$$\mathrm{SINR}k = \frac{|\mathbf{h}_k^H \mathbf{w}_k|^2}{\sum$$}|\mathbf{h}_k^H \mathbf{w}_j|^2 + \sigma^2
分子是有用信号强度，分母是所有邻居漏过来的干扰 + 噪声。整个小区把所有用户的速率加起来，就是和速率（系统吞吐量的核心指标）：
$$R = \sum_{k=1}^{K}\log_2!\big(1+\mathrm{SINR}_k\big)$$
三剑客之争，本质就是在分母的"干扰"和分子的"信号"之间如何分配资源的不同哲学。下面我们一位一位请上来。
MRT（Maximum Ratio Transmission，最大比发射）是三者中最直觉、最"听话"的一位。它的设计准则只有一句话：把每根天线的相位调成和该用户信道完全对齐，幅度按信道强度加权，让有用信号尽可能大。
数学上，MRT 直接抄信道矩阵的"共轭转置"当权值：
$$\mathbf{W}_{\mathrm{MRT}} = \mathbf{H}^{H}$$
第 $k$ 个用户的权值列向量就是 $\mathbf{w}_k = \mathbf{h}_k^$（信道取共轭）。为什么取共轭？因为 $\mathbf{h}_k^H \mathbf{h}_k^ = |\mathbf{h}_k|^2$ 是一个实数且取到最大——这意味着 M 根天线发出的信号在用户 k 处相位全部同相相加、幅度全部正向叠加，信号增益直接拉满。
MRT 的灵感来自接收端的最大比合并（MRC）：既然多根天线收同一个信号时，按信道强度加权相加能让信噪比最大，那发射端"反过来"做一遍，也该让有用信号最大。在单用户场景下，这是数学上可证明的最优解。
MRT 的眼睛里只有目标用户。它的分母里那一串 $\sum_{j\ne k}|\mathbf{h}_k^H \mathbf{w}_j|^2$ 完全没有被压制——给用户 j 打的光柱，有多少会"晃"到用户 k，MRT 一概不管。
当用户只有一个时，这没问题（分母没有干扰项）。但用户一旦变多、且他们的空间方向接近（信道相关性高）时，MRT 的"光柱"会严重串台，干扰项爆炸，SINR 反而被拖垮。所以 MRT 在多用户密集场景下往往表现很差。
ZF（Zero Forcing，迫零，又叫 null-steering 零陷导向）走的是另一个极端。它的准则同样一句话：强制保证给用户 j 的信号，在用户 k（k≠j）那里恰好为零。
要实现"在别人那里为零"，权值矩阵必须让总信道矩阵乘出来是个单位阵：
$$\mathbf{H}\mathbf{W}_{\mathrm{ZF}} = \mathbf{I}_K$$
满足这个等式的 $\mathbf{W}$，正好是 $\mathbf{H}$ 的伪逆（Moore-Penrose 逆）：
$$\mathbf{W}_{\mathrm{ZF}} = \mathbf{H}^{H}\big(\mathbf{H}\mathbf{H}^{H}\big)^{-1}$$
代入后你会发现 $\mathbf{h}_k^H \mathbf{w}_j = 0$（$k\ne j$）——SINR 分母里的干扰项被一刀切为零。每个用户都仿佛"独享"整个信道。
ZF 的逻辑是"斩草除根"。既然干扰是性能杀手，那我把干扰彻底消灭，剩下的不就是纯信号了吗？在高信噪比、噪声可以忽略的场景下，这个逻辑是对的——ZF 几乎逼近理论最优的脏纸编码容量。
这是理解 ZF 的最关键一点，也是新手最容易踩的坑。
问题出在那个矩阵求逆 $(\mathbf{H}\mathbf{H}^{H})^{-1}$。当两个用户的空间方向很接近时（信道向量高度相关），矩阵 $\mathbf{H}\mathbf{H}^{H}$ 会接近奇异——它的某些特征值非常小。而对一个矩阵求逆，小特征值会变成巨大的逆特征值。
后果是什么？算出来的权值 $\mathbf{w}_k$ 的范数 $|\mathbf{w}_k|$ 会变得极其巨大。回顾约束 $\mathbf{x}=\mathbf{W}\mathbf{s}$，权值越大，意味着基站要往天线上"灌"远超正常比例的发射功率，才能在邻桌方向制造出那个完美的零点。这部分被"挥霍"掉的功率，并没有变成有用信号，而是用来抵消泄漏。
更糟的是，巨大的权值范数会把 SINR 分母里的噪声项 $\sigma^2$ 等效放大。结果就是：干扰虽然归零了，但噪声被抬高了，用户实际收到的有效 SINR 不升反降。这就是著名的噪声增强效应。
一句话总结 ZF：为了把邻居那束余光彻底掐掉，它不惜把灯泡拧到极限亮度，结果晃花了所有人的眼。 在低信噪比或用户方向接近时，ZF 往往比最"笨"的 MRT 还差。
看到 MRT 和 ZF 各自的软肋，第三位主角的出场就顺理成章了。MMSE（Minimum Mean Square Error，最小均方误差），又叫正则化迫零（RZF, Regularized ZF），它的设计准则不再走极端，而是问一个更聪明的问题：
"与其追求干扰绝对为零（那要付出放大噪声的代价），不如在压制干扰和不放大噪声之间找一个最优平衡，让最终的 SINR 最大化。"
数学上，它在 ZF 的矩阵求逆里加一个正则化项 $\alpha \mathbf{I}$，把那个可能爆炸的求逆"扶稳"：
$$\mathbf{W}_{\mathrm{MMSE}} = \mathbf{H}^{H}\big(\mathbf{H}\mathbf{H}^{H} + \alpha\mathbf{I}\big)^{-1}$$
这里的 $\alpha$ 是一个正实数，叫正则化因子。它的物理意义和最优取值是 MMSE 全部的精髓所在。
最神奇的地方在于：$\alpha$ 像一个旋钮，在 MRT 和 ZF 之间连续滑动。
最优 $\alpha$ 的理论取值与系统负载有关，经典结果是 $\alpha^ \approx K\sigma^2 / P$（$P$ 为总发射功率，$K$ 为用户数）。注意它不是固定的——它随信噪比、用户数实时变化*，这也是 MMSE 实现复杂度高于 ZF 的原因之一。
因为它对真实世界的"不完美"最宽容。真实系统里，CSI 永远有误差、信道相关性忽高忽低、噪声水平不确定。ZF 在这种"脏"环境里噪声增强会被放大到失控，MRT 会因干扰失控，唯独 MMSE 靠着那个自适应的正则化旋钮，始终能在两者之间找到当下最优的落脚点。
下面这张象限图把三者的"性格定位"画了出来：
quadrantChart
title 三剑客在"干扰抑制"与"噪声鲁棒"二维平面的定位
x-axis "完全不压制干扰" --> "彻底压制干扰"
y-axis "噪声/CSI误差敏感" --> "对噪声与误差鲁棒"
quadrant-1 "理想区（鱼与熊掌）"
quadrant-2 "MRT 领域<br/>（信号强但串台）"
quadrant-3 "最差区"
quadrant-4 "ZF 领域<br/>（零干扰但放大噪声）"
"MRT 自私型": [0.15, 0.35]
"ZF 牺牲型": [0.92, 0.2]
"MMSE 智慧型": [0.62, 0.7]
可以看到，MMSE 并不在任何一个角落，而是朝着理想区偏移——它牺牲了一点点"纯粹"（既不彻底零干扰，也不最大化信号），换来了对噪声和误差的鲁棒性。在工程权衡的语境里，这种"不走极端"往往才是真正的最优解。
| 维度 | MRT（最大比发射） | ZF（迫零） | MMSE（最小均方误差 / RZF） |
|---|---|---|---|
| 设计准则 | 最大化有用信号 | 完全消除多用户干扰 | 最小化接收均方误差 |
| 权值公式 | $\mathbf{W}=\mathbf{H}^{H}$ | $\mathbf{W}=\mathbf{H}^{H}(\mathbf{H}\mathbf{H}^{H})^{-1}$ | $\mathbf{W}=\mathbf{H}^{H}(\mathbf{H}\mathbf{H}^{H}+\alpha\mathbf{I})^{-1}$ |
| 干扰处理 | 完全不压制 | 强制归零 | 部分压制 |
| 噪声放大 | 无 | 严重（近奇异时失控） | 轻微（被正则项约束） |
| 高信噪比性能 | 多用户时差 | 最优 | 逼近 ZF |
| 低信噪比性能 | 较好 | 差（噪声增强） | 最优 |
| 计算复杂度 | 最低（无求逆） | 中（一次矩阵求逆） | 中（求逆+自适应 α） |
| 对 CSI 误差 | 较敏感 | 极敏感 | 最鲁棒 |
| 典型适用 | 单用户、或天线极多时 | 高 SNR、用户方向区分良好 | 多用户通用首选 |
这张表里最值得反复体会的一行是"低信噪比性能"和"对 CSI 误差"——它们解释了为什么商用系统里 MMSE 系列总是默认选项：现网永远不是干净的高斯白噪实验室。
如果天线数 $M$ 越来越大、大到上百根（也就是 Massive MIMO），会发生一件有意思的事——三剑客开始长得越来越像。
原因是信道硬化（Channel Hardening）：当 $M\to\infty$ 时，随机矩阵理论告诉我们
$$\frac{1}{M}\mathbf{H}\mathbf{H}^{H} \to \mathbf{I}_K$$
也就是不同用户之间的信道自动趋于正交。一旦信道天然正交：
所以在大规模 MIMO 理想渐近下，三种准则的和速率曲线会收敛到一起。这也是为什么 Massive MIMO 论文里经常直接用最简单的 MRT 或 ZF 做分析——天线足够多时，复杂算法带来的增益被"信道硬化"稀释了。
flowchart LR
A["少量天线 M<K或接近<br/>信道相关性高"] -->|"用户方向接近"| B{选择权值准则}
B -->|"高SNR干净环境"| C["ZF<br/>迫零最优"]
B -->|"低SNR/CSI有误差"| D["MMSE<br/>正则化最稳"]
B -->|"单用户场景"| E["MRT<br/>最大比够用"]
C & D & E --> F["发射"]
G["Massive MIMO<br/>M 远大于 K"] -->|"信道硬化<br/>用户自动正交"| H["三准则性能趋同<br/>用最简单的 MRT/ZF 即可"]
H --> F
style D fill:#d4edda,stroke:#28a745,stroke-width:2px
style H fill:#cce5ff,stroke:#004085
但请别误会——这是渐近理论。现网天线数有限（典型 32/64/64T），用户又常常扎堆在同一栋楼、同一辆车（空间相关性高），信道硬化远未完成，所以 MMSE 类算法在实际设备里依然是默认主力。把"天线多了简单算法就行"当成现网结论，是一个常见的误判。
原理落到现网，有几个场景和调试直觉值得记住。
1. MU-MIMO 配对与权值刷新 当你看到基站把多个用户"配对"到同一时频资源上做空间复用时（下行 MU-MIMO），背后跑的就是这套权值计算。调度器会评估候选用户之间的空间相关性——如果两个用户方向太近（$\mathbf{h}_i^H\mathbf{h}_j$ 模值大），无论用 ZF 还是 MMSE，要分离他们都得付出权值范数飙升的代价。所以"配对正交的用户"比"选最好的权值算法"更重要：先把灯光师能分开的桌子分开，再谈怎么打光。
2. 吞吐量异常时的怀疑对象 如果某小区在用户数增加时吞吐量反而掉得比预期还狠，而且掉话、BLER（误块率）上升，一个常见根因是 CSI 反馈失真导致权值算偏。此时 ZF 的噪声增强会被 CSI 误差二次放大——这也是为什么现网更倾向用对 CSI 误差宽容的 MMSE 类算法。排查时可以关注 SRS（探测参考信号）质量、信道估计的可靠性指标。
3. 正则化因子 α 的工程调优 商用基带的 MMSE 实现里，$\alpha$ 往往不是纯理论的 $K\sigma^2/P$，而是带一个厂商可调的经验偏置。在噪声不确定（比如强干扰、邻区泄漏）时，适当加大 $\alpha$（更靠近 MRT）能提升鲁棒性，但牺牲一点峰值速率；反之减小 $\alpha$（更靠近 ZF）能榨干干净环境下的容量，但在边缘用户上可能翻车。理解这个旋钮的物理含义，对解读网优参数大有帮助。
4. 上行接收的镜像 三剑客同样出现在上行接收机的合并权值里（MRC/ZF/MMSE 检测器）。下行是"发射端打光"，上行是"接收端聚光"，数学结构几乎对称。调试上行干扰问题时（比如邻区用户干扰、GPS 失步导致的干扰），MMSE 检测器的"正则化"思维同样适用：不要幻想把干扰完全清零，而要在压制干扰和保护有用信号间平衡。
Q1: MRT、ZF、MMSE 到底谁最好，现网基站用哪个？ A: 没有绝对最好，只有"对当下条件最适合"。单用户或天线极多的渐近场景，MRT/ZF 足够；多用户、有限天线、有 CSI 误差的真实下行 MU-MIMO，默认是 MMSE（RZF）类算法，因为它对噪声和误差最鲁棒。商用基带通常实现 MMSE 并用经验 $\alpha$ 做折中。
Q2: ZF 既然能完全消除干扰，为什么反而会变差？ A: 因为"完全消除"是要付代价的。当用户信道相关时，求逆 $(\mathbf{H}\mathbf{H}^{H})^{-1}$ 会产生巨大权值范数，导致噪声增强效应——干扰归零了，但噪声被等效放大，有效 SINR 不升反降。这就是为什么低信噪比下 ZF 可能比 MRT 还差。
Q3: 正则化因子 α 怎么理解？调大调小意味着什么？ A: $\alpha$ 是 MMSE 在"像 MRT"和"像 ZF"之间的旋钮。$\alpha\to0$ 趋近 ZF（彻底压干扰，但放大噪声），$\alpha\to\infty$ 趋近 MRT（只保信号，不管干扰）。调大 $\alpha$ = 更鲁棒但牺牲峰值；调小 = 更激进但更脆弱。理论最优 $\alpha \approx K\sigma^2/P$，随信噪比和用户数实时变化。
Q4: 既然 Massive MIMO 下三者趋同，是不是天线多了算法就不重要了？ A: 这是常见的过度简化。趋同是 $M\to\infty$ 的渐近结论，依赖信道硬化（用户自动正交）。现网天线数有限（32/64 量级）且用户常扎堆（信道强相关），硬化远未完成，MMSE 类算法仍有明显增益。把理论渐近当成现网结论会踩坑。
Q5: 这套权值计算和"预编码"是同一回事吗？ A: 在多天线文献里，"线性预编码"和"数字波束赋形"经常指同一个东西——都是用权值矩阵 $\mathbf{W}$ 把符号映射到天线上。MRT/ZF/MMSE 既是预编码准则，也是波束赋形准则。区别只在于叫法的视角不同（前者强调"对符号的线性变换"，后者强调"在空间打光柱"），数学本质是 $\mathbf{x}=\mathbf{W}\mathbf{s}$ 这一套。
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。