想象你站在一个空旷的大厅里喊一声"你好"，声音会通过多条路径传到对面朋友的耳朵：一条直达，几条经过墙壁、地面反射。这些路径长短不一，于是朋友听到的是一连串重叠的"你……你……好……好……好"——原始的一句话被拖成了好几句话互相叠在一起，糊成一团。
无线通信里，信号在空气中传播，遇到建筑物、地面、人体就会反射、散射、绕射。同一份数据符号会沿着几十条不同的路径先后到达接收天线，这就是多径传播。先到的和后到的叠在一起，让接收端"看不清"每一个符号本来的样子——这种相邻符号之间的互相污染，专业上叫做码间串扰（Intersymbol Interference，ISI）。
如果说调制是把数据"装进"波形，那么均衡（Equalization）就是接收端把被信道弄花的信号"重新擦干净"的过程。它是每一台手机、每一个基站、每一块 Wi-Fi 网卡里都跑着的一段核心信号处理代码。理解了均衡，你才真正理解"接收机"这一半在干什么。
要理解均衡为什么必要，先要把 ISI 的来龙去脉讲透。
理想的信道是一个透明的管道：进去什么波形，出来还是什么波形，只是幅度变小、整体延迟。用数学表达就是
$$ y(t) = h \cdot x(t - \tau) $$
其中 $h$ 是一个常数（增益），$\tau$ 是固定时延。这种信道是无记忆的，符号之间井水不犯河水。
但真实信道不是常数，而是一个冲激响应 $h(t)$，它有多个峰值（多径分量）。接收信号是发送信号与信道冲激响应的卷积：
$$ y(t) = x(t) * h(t) + n(t) = \int x(\tau)\,h(t-\tau)\,d\tau + n(t) $$
卷积的物理意义就是"加权叠加"。一个理想冲激 $\delta(t)$ 进入信道，出来的不再是尖峰，而是被拉长、拖尾的 $h(t)$。这个被拉长的"尾巴"会落到后续符号的时间格上，污染下一个符号。信道的"拖尾"越长，串扰越严重，工程上用时延扩展（Delay Spread）来量化它。
那是不是所有多径都会串扰？不尽然。早在 1928 年，奈奎斯特就给出了一个干净的条件：只要收发整体的等效冲激响应 $p(t)$ 在所有符号间隔整数倍处都为零，即
$$ p(kT_s) = 0, \quad k = \pm 1, \pm 2, \ldots $$
那么在第 $k$ 个采样时刻，除了当前符号，其他所有符号的拖尾都正好落在零点，互不干扰。这叫奈奎斯特无 ISI 准则。升余弦滚降成形（你在《脉冲成形》里见过的"圆腰"波形）就是为了让 $p(t)$ 满足这个条件而设计的。
问题在于：奈奎斯特准则只在"发送成形 + 理想信道"的前提下成立。一旦信道 $h(t)$ 不理想（多径），它会把精心磨圆的 $p(t)$ 又重新拉花，无 ISI 条件被破坏。于是我们需要一个东西去"抵消"信道的影响，把整体响应再扳回奈奎斯特形状——这就是均衡器。
下面的图说明了多径如何让一个干净符号变成"拖尾符号"，进而污染邻居：
flowchart LR
subgraph 发送端
A["符号 a₀"] --- B["符号 a₁"] --- C["符号 a₂"]
end
subgraph 多径信道
D["直达径<br/>延迟 0, 强"]
E["反射径1<br/>延迟 τ, 中"]
F["反射径2<br/>延迟 2τ, 弱"]
end
A --> D
A --> E
A --> F
D --> R["接收叠加:<br/>a₀ 拖尾压在 a₁ 上"]
E --> R
F --> R
B --> R
C --> R
R --> EQ["均衡器<br/>(扳回无ISI)"]
EQ --> OUT["干净判决"]
style EQ fill:#cfe,stroke:#393
style R fill:#fee,stroke:#c33
均衡器最朴素的定义就是一个滤波器 $w(t)$（或其离散版 $w[n]$），让"信道 + 均衡器"的级联响应尽量接近理想：
$$ h(t) * w(t) \approx \delta(t) $$
也就是让 $W(f) \approx 1/H(f)$。直觉上就是：信道在某个频率上把信号压扁了，均衡器就把它再撑起来；信道把信号拉长，均衡器就把它重新压短。均衡器是信道的"逆"。
最直白的做法是迫零均衡器（Zero-Forcing，ZF）——强行把 ISI 压到零：
$$ W_{ZF}(f) = \frac{1}{H(f)} $$
听起来完美，但它藏着一个致命陷阱。注意接收信号里除了信号还有噪声 $n(t)$。经过均衡器后，噪声变成 $n(t)w(t)$。如果信道 $H(f)$ 在某个频率 $f_0$ 处有一个深衰落（接近零），那么 $W_{ZF}(f_0)=1/H(f_0)$ 就会变成一个极大的数——均衡器为了把信号撑起来，把噪声也一起放大了几十上百倍。这就是著名的噪声增强（Noise Enhancement）*效应。
打个比方：你想把一张被水泡过、某处已经几乎看不清的照片恢复原样。ZF 的做法是"哪里不清楚就把哪里对比度拉满"，结果那一小块本来只有噪点的区域，被拉成了刺眼的雪花点，比不恢复还难看。
更聪明的做法是最小均方误差均衡器（MMSE）。它不追求把 ISI 完全压零，而是追求"均衡后信号与原始信号的误差最小"。这个误差里既包含残余 ISI，也包含被放大的噪声，MMSE 让两者之和最小：
$$ W_{MMSE}(f) = \frac{H^*(f)}{|H(f)|^2 + \dfrac{N_0}{E_s}} $$
其中 $E_s$ 是符号能量，$N_0$ 是噪声功率谱密度，$N_0/E_s$ 就是"噪声相对有多强"的衡量。
这个公式背后的直觉非常优美：
MMSE 就像一个聪明的修图师：他知道对比度拉太狠只会放大噪点，于是宁可保留一点模糊，也不让雪花点毁掉整张照片。
下面这张表把三种思路放在一起对比，是工程师必须刻在脑子里的：
| 维度 | 迫零 ZF | 最小均方误差 MMSE | 判决反馈 DFE |
|---|---|---|---|
| 目标 | ISI 完全为零 | (ISI + 噪声) 总误差最小 | 前向去前串扰 + 反馈去后串扰 |
| 噪声增强 | 严重（深衰落处灾难性） | 抑制（按信噪比自适应权衡） | 几乎不增强噪声 |
| 残余 ISI | 无 | 有少量（高信噪比时趋零） | 极少 |
| 复杂度 | 最低 | 中等（需估计噪声方差） | 较高（双滤波器+判决回路） |
| 典型场景 | 高信噪比、信道平坦 | 通用首选 | 信道时延扩展大、深衰落多 |
| 致命弱点 | 频谱零点处崩溃 | 需准确的噪声/信道估计 | 误码传播（错一个带崩一串） |
线性均衡器（ZF、MMSE）无论怎么调，都是对整个信号做一次滤波，无法摆脱噪声增强的魔咒。判决反馈均衡器（Decision Feedback Equalizer，DFE）换了一个思路：既然前面那些符号我已经判出来了，为什么不用它们去抵消它们拖在当前符号上的尾巴？
DFE 由两部分组成：
因为是做减法而不是"做除法撑起来"，反馈支路完全不放大噪声——这是 DFE 相对线性均衡器的最大优势。
flowchart TD
R["接收样本 y[k]"] --> FF["前向滤波器 FF<br/>(去前串扰、白化噪声)"]
FF --> SUM(("−"))
FB["反馈滤波器 FB<br/>(已判符号的后串扰估计)"] --> SUM
SUM --> DEC["判决器<br/>输出 â[k]"]
DEC --> OUT["→ 去解映射"]
DEC --> FB
style FB fill:#ffe,stroke:#cc3
style DEC fill:#cfe,stroke:#393
style SUM fill:#eef,stroke:#33c
但 DFE 有一个著名的"阿喀琉斯之踵"——误码传播（Error Propagation）。反馈支路用的是判决后的符号 $\hat{a}$，一旦某个符号判错，这个错误符号就会通过反馈滤波器污染后续好几个符号的判决，形成"一错到底"的连锁反应。这就像批改作业时抄了上一题的错误答案，导致后面连着算错。
工程上的缓解办法包括：限制反馈抽头数、低信噪比时退回线性均衡、以及在更高级的接收机里用最大似然序列检测（MLSE）替代逐符号判决。事实上，理论上的最优接收机正是 MLSE（如 Viterbi 实现），DFE 只是它在复杂度和性能之间的折中。
到目前为止我们都假设"已知信道 $H(f)$"。现实里信道每一毫秒都在变（手机在动、人在走），均衡器必须自己学着跟踪信道，这就是自适应均衡。
最经典的算法是最小均方算法（LMS）。它利用一个"训练序列"（收发双方都已知的参考符号，5G 里就是导频 DM-RS）来当老师：
$$ \mathbf{w}_{k+1} = \mathbf{w}_k + \mu \, e_k \, \mathbf{y}_k $$
其中 $\mu$ 是步长（学习率），$\mathbf{y}_k$ 是当前的接收样本向量。
步长 $\mu$ 是个关键旋钮：步长大，跟踪快但收敛后抖动大、稳态误差高；步长小，稳态精度高但跟不上快变信道。实际系统常采用"训练阶段大步长快速收敛 → 数据阶段小步长精细跟踪"的变步长策略，数据阶段用判决引导（Decision-Directed）模式——把判出来的符号当"伪训练序列"继续自适应。
| 算法 | 收敛速度 | 稳态误差 | 复杂度 | 适用场景 |
|---|---|---|---|---|
| LMS | 慢 | 中 | 极低 | 慢变信道、低成本终端 |
| 归一化 LMS (NLMS) | 中 | 中低 | 低 | 信号功率波动大 |
| RLS | 快 | 低 | 高 | 快变信道、高端接收机 |
| 频域块 LMS | 中 | 中 | 中（利用 FFT） | OFDM / 宽带单载波 |
讲到这里你可能会问：5G、Wi-Fi 都用 OFDM，那它们还需要这么复杂的时域均衡器吗？答案是——几乎不需要，这正是 OFDM 当年横扫天下的核心原因之一。
OFDM 把一串高速数据切成成百上千路并行的低速子载波。每个子载波上的符号周期被拉长了成百上千倍（$T_{sub} = N \cdot T_s$），相比之下信道的时延扩展 $\tau_{rms}$ 就显得很短。只要循环前缀 CP 的长度大于最大多径时延，每个子载波看到的信道就是一个"平坦"的复数增益 $H_k$，没有 ISI！
于是均衡就退化成最简单的一步：在每个子载波 $k$ 上，用导频估计出 $H_k$，然后
$$ \hat{X}_k = \frac{Y_k}{H_k} \quad (\text{ZF}) \qquad \text{或} \qquad \hat{X}_k = \frac{H_k^*\, Y_k}{|H_k|^2 + N_0/E_s} \quad (\text{MMSE}) $$
这就是所谓的频域单抽头均衡（One-Tap FDE）——一个复数乘除法搞定，再也不需要长抽头的时域滤波器。下图对比了单载波时域均衡与 OFDM 频域均衡的复杂度差异：
flowchart TB
subgraph SC["单载波 + 时域均衡"]
S1["时域样本 y[n]"] --> TEQ["长抽头时域均衡器<br/>复杂度 ∝ 抽头数 × 符号率<br/>随带宽线性增长"]
TEQ --> S2["时域判决"]
end
subgraph OFDM["OFDM + 频域均衡"]
O1["去 CP"] --> O2["FFT"]
O2 --> O3["每个子载波 H_k<br/>一除了之 (1抽头)"]
O3 --> O4["频域判决 / IDFT"]
end
style TEQ fill:#fee,stroke:#c33
style O3 fill:#cfe,stroke:#393
SC-FDMA（上行用）为了压低峰均比，在 OFDM 基础上加了 DFT 预编码，均衡原理不变，只是把频域均衡的输出再过一次 IDFT 解预编码。理解了 OFDM 的频域一除，你就理解了为什么 5G 物理层把"对抗多径"这件事做得如此举重若轻。
很多初学者会把这两个概念搅在一起。它们是前后两步、紧密配合但职责分明：
一句话：估计是"丈量信道"，均衡是"用丈量结果去擦干净数据"。估计准了，均衡才有意义；估计里常用的 LS、LMMSE 算法和均衡里的 MMSE 思想同源（都是最小均方误差的优化框架），但作用对象不同。调试时若是星座点散成一团，第一反应应当是回头检查信道估计（导频信噪比、插值是否合理），而不是先去怀疑均衡器系数。
均衡这件事的本质，是在回答一个永恒的工程权衡：在"留一点串扰"和"放一点噪声"之间，怎么让最终判决最准。 ZF 选了"零串扰"但付出噪声代价；MMSE 用统计最优的方式做了平衡；DFE 用"先判先得"的反馈绕开了噪声增强却背上误码传播；OFDM 则用并行化 + CP，把这道难题直接降维成"每个子载波除一下"。
真正读懂均衡，你就读懂了接收机一半的设计哲学：通信系统的性能上限由信道决定，但工程师能用多聪明的算法逼近这个上限，就是均衡这门艺术的全部。
Q1：OFDM 都"一除了之"了，时域均衡是不是完全过时了？ A：在 OFDM 系统（5G/Wi-Fi）里，时域长抽头均衡确实基本退休了。但单载波系统（如某些卫星、微波回传、蓝牙、以及低速 IoT 链路）仍在用，且 OFDM 的频域均衡思想（FDE）也常被移植到单载波（SC-FDE）。时域自适应均衡在窄带、低复杂度场景里依然有生命力。
Q2：MMSE 一定比 ZF 好吗？什么时候反而该用 ZF？ A：绝大多数实际场景 MMSE 更优，尤其在低信噪比和有深衰落的频选信道下。但 ZF 实现更简单（不需估计噪声方差），且在高信噪比、信道较平坦时两者趋同。某些对实时性和确定性强、资源极度受限的芯片实现里仍可能选 ZF。
Q3：DFE 的误码传播能彻底消除吗？ A：靠逐符号判决做不到。理论最优是 MLSE（最大似然序列估计，Viterbi 实现），它对所有可能序列打分，没有反馈误码问题，但复杂度随信道记忆长度指数增长。现代高速链路常用 Tomlinson-Harashima 预编码（把反馈搬到发射端）等手段规避误码传播。
Q4：信道均衡和预编码是一回事吗？ A：不是，但互为"镜像"。均衡在接收端抵消信道；预编码在发射端预先把信号按信道塑形（你已读过的"发射端的空间塑形术"）。两者目标一致（让收端更干净），但发力点一前一后，THP 预编码甚至可以看作"把 DFE 的反馈支路搬到发射端"。
Q5：为什么我看到的星座图在均衡前是乱的，均衡后变整齐，但还散开？散开的部分是什么？ A：散开的"云团"主要是残余 ISI + 放大的噪声 + 信道估计误差的综合体现。云团越小越集中，说明均衡 + 估计越成功；可以用 EVM（你熟悉的"调制信号体检报告"）来量化这个散开程度。
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。