预编码：发射前先给信号整形

一、一个反直觉的问题

先抛一个反直觉的问题：无线信号在空中会衰减、会扭曲、会被噪声淹没——那我们为什么不在接收端下功夫去补救，反而要在发射端"提前动手"，把信号先揉捏变形一遍？

这正是预编码（Precoding）在做的事：它让发射机在把信号送上天线之前，先乘上一个精心设计的加权矩阵，把信号"提前偏一偏、提前歪一歪"，使得信号在穿越信道这一趟旅程之后，到达接收端时反而更干净、更整齐、更不容易和别的信号打架。

听起来像是在"未卜先知"。预编码之所以能做到，是因为它掌握了信道的状态信息——知道信道会怎么变形，就能提前用一次反向的变形去抵消它。这正是 MIMO 系统能把多根天线变成并行管道、能把同一份频谱切给多个用户的底层引擎。

本文要回答的核心问题是：预编码到底在算什么？为什么需要它？码本又是怎么回事？ 我们从最朴素的直觉讲起，一路走到 SVD、迫零、注水定理，最后落到工程师日常调试里那些 PMI、RI、CQI 上。

二、从"风中投篮"说起

想象你站在球场投篮，今天刮侧风。如果你对着篮筐正中投，球会被风吹偏；老练的射手不会正着投，而是迎着风的方向提前偏一点瞄准，让风把球"修正"回篮筐。

这个"提前偏一点"，就是预编码的全部直觉：

• 你知道风（信道）会怎么改变球的轨迹；
• 于是你主动加一个反向的修正；
• 结果球（信号）落入篮筐（接收端）时，轨迹是干净的。

再换一个更贴近通信的比喻。你给远方的同事寄一件易碎的瓷器，已知快递路上颠簸剧烈（信道有失真）。最聪明的做法不是寄过去再让他修补，而是发货前就多裹三层防震膜、放进定制凹槽（预编码），让瓷器经颠簸后依然完好。

注意两个比喻的差别：风中投篮强调"抵消失真"，定制包装强调"主动适配"。预编码在真实系统里两者都做——既补偿信道，又把能量集中往有用的方向送。理解了这一点，后面所有的公式都只是给这个直觉穿上数学外衣。

三、把无线信道看成"会变形的矩阵"

要给信号"提前整形"，首先要量化"信道会怎么变形"。在多天线系统里，发射有 $N_t$ 根天线，接收有 $N_r$ 根天线，从第 $j$ 根发射天线到第 $i$ 根接收天线之间，都有一个复数增益 $h_{ij}$（包含幅度衰减和相位旋转）。把这 $N_r \times N_t$ 个复数排成一个矩阵，就得到信道矩阵 $\mathbf{H}$。

接收信号就可以写成：

$$ \mathbf{y} = \mathbf{H}\mathbf{x} + \mathbf{n} $$

其中 $\mathbf{x}$ 是发射信号向量，$\mathbf{n}$ 是噪声。这个公式读起来很直白：信号经过信道，就是被一个矩阵乘了一下，再加点噪声。 信道不是一个玄学的"黑盒子"，而是一台确定性的"线性变换机器"——它会旋转、拉伸、混合你的信号。

既然信道是"乘一个矩阵"，那预编码自然是"发射前先乘另一个矩阵"。设我们要发送的真正数据符号是 $\mathbf{s}$（称为"层"，layer），发射端先用预编码矩阵 $\mathbf{F}$ 乘上它，真正送上天线的是 $\mathbf{x}=\mathbf{F}\mathbf{s}$。于是接收端看到的是：

$$ \mathbf{y} = \mathbf{H}\mathbf{F}\mathbf{s} + \mathbf{n} $$

预编码的全部数学，就是在研究：$\mathbf{F}$ 该取什么，才能让 $\mathbf{H}\mathbf{F}$ 这个乘积最符合我们的心意？ "心意"不同，$\mathbf{F}$ 的设计准则就不同——这是后文区分单用户、多用户、不同算法的关键。

四、预编码在发射链路里的位置

预编码不是孤立的一步，它嵌在整条发射处理流水线里。先看一张流程图，建立全局印象：

flowchart TD
    A[传输块<br/>TB] --> B[信道编码<br/>+ 速率匹配]
    B --> C[调制映射<br/>QPSK/16QAM...]
    C --> D[层映射<br/>Layer Mapping]
    D --> E[预编码<br/>Precoding: x=F·s]
    E --> F[资源单元映射<br/>RE Mapping / IFFT]
    F --> G[天线端口<br/>→ RF → 多根天线]

    style E fill:#cfe8ff,stroke:#1976d2,stroke-width:2px
    style D fill:#e8f5e9,stroke:#388e3c

数据先被编码、调制成一串符号，然后经过层映射切成 $L$ 路并行的数据流（称为"层"），每一层是一个独立的数据序列。预编码的作用，就是把这 $L$ 路符号通过矩阵 $\mathbf{F}$（维度 $N_t \times L$）混合、加权后，映射到 $N_t$ 根天线上发射。

这里有个常被忽略的细节："层"和"天线"数量不必相等。层数 $L$（也叫秩 Rank）代表真正能并行的独立数据流数，受限于信道的秩；天线数 $N_t$ 是物理资源。预编码矩阵负责在这两者之间搭桥。这也解释了为什么反馈里有个参数叫 RI（Rank Indicator，秩指示）——它告诉发射端：这条信道当前最多能撑起几条并行管道。

五、最优预编码的灵魂：SVD 把信道拆成并行管道

现在到了本文最核心的洞察。1920 年代，线性代数里有个叫奇异值分解（SVD）的工具：任何矩阵 $\mathbf{H}$ 都可以分解成三个矩阵的乘积：

$$ \mathbf{H} = \mathbf{U}\boldsymbol{\Sigma}\mathbf{V}^{H} $$

其中 $\mathbf{U}$、$\mathbf{V}$ 是酉矩阵（只做旋转，不改变能量），$\boldsymbol{\Sigma}$ 是对角矩阵，对角线上的 $\sigma_1 \ge \sigma_2 \ge \dots \ge \sigma_r$ 叫奇异值，代表信道里 $r$ 个并行子信道的"粗细"。

把这个分解代入接收公式，并在收发两端各乘一个旋转矩阵（$\mathbf{V}$ 给发射预编码，$\mathbf{U}^H$ 给接收合并），就发生了一件美妙的事：

$$ \mathbf{U}^{H}\mathbf{H}\mathbf{V} = \boldsymbol{\Sigma} $$

也就是说，原本会"搅混"信号的信道矩阵，被对角化成了若干个互不干扰的并行标量信道！每个子信道的增益就是对应的奇异值 $\sigma_i$。这就是 MIMO 空间复用的数学本质——多根天线+预编码，把一个会搅混的多维信道，拆成若干条独立的"虚拟管道"。

flowchart LR
    subgraph 发射端
      S1[s1]
      S2[s2]
    end
    S1 --> V[预编码矩阵 V<br/>旋转+加权]
    S2 --> V
    V --> HX["空中信道 H<br/>被拆解为并行模式"]

    HX --> U["接收合并 Uᴴ"]
    U --> Y1[y1 = σ1·s1]
    U --> Y2[y2 = σ2·s2]

    style V fill:#cfe8ff,stroke:#1976d2
    style U fill:#e8f5e9,stroke:#388e3c
    style HX fill:#fff3e0,stroke:#f57c00

这张图里最关键的是中间那条"空中信道"被拆成了正交模式。预编码矩阵 $\mathbf{F}=\mathbf{V}$（取前 $L$ 列）做的就是"把每层数据灌进对应那条最匹配的虚拟管道"。

为什么这套设计"最优"？ 因为奇异值是天然的优先级排序。$\sigma_1$ 最大，那条管道最粗，能传最多能量；$\sigma_r$ 最小，管道最细。发射机据此分配功率——好管道多灌功率、差管道少灌甚至关掉——这就是著名的注水定理（Waterfilling）。直觉上，注水定理就像往高低不平的连通器里倒水：水会自动优先填满最低（条件最差）的容器到同一水位，但通信里反过来——我们把功率优先投给条件最好的管道，因为那里投资回报率最高。当信道很差、奇异值很小时，宁可把那条管道关掉，省下的功率加到好管道上，总容量反而更高。

flowchart LR
    subgraph 注水功率分配
      P1["管道1 σ1=10<br/>分配功率最多"]
      P2["管道2 σ2=4<br/>分配功率中等"]
      P3["管道3 σ3=0.5<br/>几乎不分配"]
    end
    P1 --> CAP[总容量最大化]
    P2 --> CAP
    P3 -.->|关闭| SKIP[省下功率<br/>补给好管道]
    SKIP --> CAP
    style P1 fill:#c8e6c9
    style P3 fill:#ffcdd2

六、单用户 vs 多用户：目标不同，预编码不同

到这里，我们一直在做一件事：最大化一个用户的吞吐量。这就是单用户 MIMO（SU-MIMO）的预编码目标——集中火力，让目标用户的信号最强。最优解就是上一节的 SVD 预编码。

但真实网络里，基站往往要同时服务多个用户，同一份时频资源要被几个手机共享。这时问题变了：不能只顾自己强，还要保证不给别人添乱。这就是多用户 MIMO（MU-MIMO）预编码，设计准则从"最大化信号"变成了"在最大化信号和抑制用户间干扰之间权衡"。

MU-MIMO 里最经典的两个算法，正体现了两种不同的"脾气"：

• 迫零预编码（Zero-Forcing, ZF）：直接令 $\mathbf{H}\mathbf{F}=\mathbf{I}$，强行把每个用户感受到的"别人家的信号"清零。解的形式是：

$$ \mathbf{F}_{ZF} = \mathbf{H}^{H}\left(\mathbf{H}\mathbf{H}^{H}\right)^{-1} $$

它干净利落，但代价是当用户间信道方向很接近（矩阵接近奇异）时，$\mathbf{F}$ 里的系数会变得很大，相当于发射端要付出"成倍的功率"去抵消干扰——ZF 是个暴脾气，宁折不弯，干扰为零但可能把噪声放大。

• 最大比发送（Maximum Ratio Transmission, MRT）/ 共轭波束赋形：直接取 $\mathbf{F}=\mathbf{H}^{H}$（信道的共轭），只管把信号往目标用户方向怼，不管会不会溅到别人。它对每个用户都最优，但完全不抑制用户间干扰——用户少时无敌，用户一多就互相干扰。

• MMSE 预编码（最小均方误差）：在 ZF 和 MRT 之间找平衡，预编码矩阵里加一个噪声项做正则化：

$$ \mathbf{F}_{MMSE} = \mathbf{H}^{H}\left(\mathbf{H}\mathbf{H}^{H} + \frac{N_0}{P}\mathbf{I}\right)^{-1} $$

噪声大时它退化为 MRT（求稳，先把信号怼强），信噪比高时它趋近于 ZF（有余力去清干扰）。MMSE 是 ZF 和 MRT 的"折中派"，也是工程里最常用的稳健选择。

七、码本预编码：一本约定的"编号菜单"

SVD 预编码虽美，但有个现实障碍：发射端怎么知道信道矩阵 $\mathbf{H}$？ SU-MIMO 里，信道要在接收端（手机）测量，再告诉发射端（基站）。如果手机把整个复数矩阵原样反馈回去，开销大得惊人——一个 8 天线、双极化的信道矩阵，反馈几百上千个复数，上行链路根本吃不消。

工程上的解法非常巧妙，叫码本预编码（Codebook-based Precoding）：基站和手机事先约定好一本"编号菜单"，菜单里列着几十到几百个预先设计好的预编码矩阵，每个矩阵编一个号。手机测完信道后，不反馈矩阵本身，只从菜单里挑出最优的那一个，把编号反馈回去就行。这个编号就叫 PMI（Precoding Matrix Indicator，预编码矩阵指示）。

打个比方：你点外卖不用口述"番茄炒蛋、少油、加葱花、米饭七分满"，商家和你手里都有一本编号菜单，你只要说"3 号套餐"，省时省带宽。PMI 就是那串"3 号"。

为了让你直观感受这套反馈机制，画一张闭环码本预编码的时序图：

sequenceDiagram
    participant UE as 手机(UE)
    participant gNB as 基站(gNB)

    gNB->>UE: 下发 CSI-RS 参考信号
    UE->>UE: 估计下行信道 H
    UE->>UE: 在码本中搜索最优矩阵<br/>记录 PMI / RI / CQI
    UE->>gNB: 反馈 PMI + RI + CQI(少量比特)
    Note over gNB: 按编号从码本查出预编码矩阵 F
    gNB->>gNB: 用 F 对下行数据预编码
    gNB->>UE: 预编码后的数据(精准指向UE)

注意这里反馈的不只是 PMI，还有两个"兄弟"：RI（用几层/几条管道）和 CQI（信道质量，决定调制编码阶数）。三者合称 CSI（Channel State Information）反馈，是闭环预编码运转的血液。

码本的设计本身就是一门学问。基本思路是把"所有可能的信道方向"用尽量少的矩阵去覆盖，让每个真实信道都能在码本里找到一个足够接近的预编码器。码本矩阵通常由 DFT 向量的组合构成——因为 DFT 向量天然对应均匀阵列的不同指向，正好和"波束指向"对应。这也透露出码本预编码和波束赋形的深刻联系（下一节细讲）。

码本的精度分档：低精度码本（业内常称 Type I）反馈比特少，覆盖粗，适合 SU-MIMO 或低阶场景；高精度码本（Type II）反馈比特多、能在多个子带上分别精细描述信道，适合 MU-MIMO——因为 MU-MIMO 对预编码精度极其敏感，一个 PMI 选偏了，残留干扰就会把整组用户拖垮。

八、码本 vs 非码本：FDD 与 TDD 的分水岭

有没有不靠码本的办法？有，叫非码本预编码（Non-codebook Precoding），关键在信道互易性（ reciprocity）。

在 TDD 系统里，上下行共用同一段频率，理论上上行信道和下行信道在短时间内是"同一个"。于是基站可以直接听手机发来的上行探测信号（SRS），测出上行信道，再当成下行信道来用，当场算出预编码矩阵，完全不需要码本和 PMI 反馈。这就是为什么 Massive MIMO 普遍建在 TDD 上——几百根天线要反馈完整码本开销不可接受，互易性让基站能"自力更生"。

而 FDD 系统上下行频率相差甚远，互易性不成立，只能老老实实靠码本 + PMI 反馈。

需要强调：TDD 的互易性也不是白来的，需要射频校准去补偿收发链路的非对称性。校准做不好，非码本预编码的优势就荡然无存——这是现网调测里一个高频踩坑点。

九、波束赋形 vs 预编码：到底是不是一回事？

学到这儿，很多工程师会困惑：波束赋形（Beamforming）和预编码（Precoding）是不是一回事？ 网上说法众说纷纭。这里给一个清晰的辨析。

从数学本质看，两者都是"发射前乘一个加权矩阵"，是同一个操作的不同叫法。差别在于视角和颗粒度：

• 波束赋形：更偏向"控制波束形状和指向"的物理视角。它关心的是能量在空间里怎么分布——怎么把波束拧成一束、怎么对准用户、怎么在毫米波上扫来扫去找方向。它常和模拟移相器、相控阵联系在一起，颗粒度粗、变量是相位。
• 预编码：更偏向"基带数字加权"的信号处理视角。它关心的是矩阵代数——怎么用 $\mathbf{F}$ 对角化信道、怎么清干扰、怎么最大化容量。颗粒度细，变量是复数（幅度+相位）。

可以这么记：波束赋形是"看得见的能量整形"，预编码是"算得出来的矩阵加权"；当加权矩阵的列恰好对应空间里的某个方向时，预编码就表现为一束波束。在 5G 的混合波束赋形架构里，数字预编码管"多用户/多流复用"，模拟波束赋形管"粗对准"，两者分工协作——预编码是"内层精细控制"，波束赋形是"外层能量导向"。

一个工程上的判别经验：如果讨论的是毫米波怎么用码本里的波束去扫描对准，那是在讲波束赋形；如果讨论的是SU/MU-MIMO 里 PMI 怎么选、秩怎么定，那是在讲预编码。两者底层操作同源，但工程语境里我们用不同的词强调不同的关切。

十、闭环 vs 开环：反馈不来怎么办？

闭环预编码依赖 PMI 反馈，但有两种情形反馈可能失效：高速移动（信道变得太快，PMI 反馈回来已过时）和反馈链路本身不可靠。这时工程上会切换到开环预编码。

开环预编码不依赖实时 PMI，发射端用一组固定的预编码矩阵，配合循环延迟分集（CDD）等技巧人为制造分集。它牺牲了"精准对准信道"的收益，换取了"无需反馈、稳健抗变"的鲁棒性。高速场景下，与其追逐一个永远慢半拍的 PMI，不如用开环+分集稳稳地传——这是闭环与开环权衡的典型决策。

十一、Massive MIMO 把预编码推向极致

当基站天线数从几根涨到几十、上百根（Massive MIMO），预编码的行为会发生质变：

• 共轭波束赋形（$\mathbf{F}=\mathbf{H}^H$）变得几乎最优。原因在于信道硬化（Channel Hardening）——天线数趋于无穷时，不同用户的信道向量变得近似正交，$\mathbf{H}\mathbf{H}^H$ 趋于对角阵，本该需要 ZF 去清的干扰自动趋零。于是最简单的共轭预编码就能兼顾信号强和干扰小，连求逆矩阵的计算都省了。这是 Massive MIMO 之所以"既聪明又简单"的关键。
• 预编码的计算复杂度随天线数立方增长（ZF 需要对大矩阵求逆），催生了各种低复杂度近似算法和专用硬件加速。

换句话说，天线越多，预编码的设计反而越"返璞归真"——这正是大规模 MIMO 的迷人之处。

十二、实战连接：调试里的 PMI/RI/CQI

回到工程师的本职：这些原理在现网调试里长什么样？

• 看 PMI 分布：路测或基站统计里，如果 PMI 长期集中在某几个值，说明用户多处于某几个固定方向（典型的固定覆盖场景）；如果 PMI 频繁跳变，往往对应高速移动或多径剧烈变化——这是判断是否该降秩、切开环的信号。
• 看 RI（秩）：RI 低（=1）意味着当前只能跑一条管道，空间复用吃不到红利，常见于深度衰落、强相关信道（如纯视距、天线间距太小）；RI 高说明信道丰富、能并行，是吞吐量提升的窗口。调天线倾角、间距、极化配置，目标之一就是把 RI 撑起来。
• 看 CQI：CQI 反映预编码后的等效 SINR。CQI 上不去，先别急着怀疑调制阶数，要回溯看是不是预编码没选对（PMI 偏了）或互易性没校准好——预编码质量直接决定 CQI 的天花板。
• MU-MIMO 配对：MU-MIMO 的增益高度依赖"用户信道是否正交"。把两个信道方向接近的用户配在同一资源上，ZF/MRT 都救不了，吞吐反而比单传还差。现网里"配对算法"的好坏，本质上就是在挑信道空间里夹角大的用户组合——这是预编码原理在调度器里的投影。

十三、常见误解与调试陷阱

1. "预编码=波束赋形，没区别"：如前所述，底层操作同源，但工程视角有别。混为一谈会让你误判问题——波束对准的锅（模拟移相、波束管理）和预编码矩阵的锅（PMI、秩）要分开查。

2. "码本越大越好"：码本越大，量化越精细，但反馈开销线性增长，且 PMI 反馈的可靠性下降。Type II 大码本只在 MU-MIMO 等高精度需求下才划算，盲目上大码本反而拖垮上行。

3. "TDD 一定比 FDD 好"：TDD 靠互易性省了反馈，但前提是射频校准到位。校准漂移会导致基站算出的预编码与真实下行信道错配，表现出来的现象和 FDD 反馈失真一模一样——别一遇到问题就怪双工方式，先查校准。

4. "RI 越高越好"：RI 高意味着能并行更多流，但每条流的 SINR 会被稀释（功率分摊）。低 SINR 下强开高 RI，反而每层都解调失败、触发大量 HARQ 重传。RI 的选择本质是"并行收益 vs 单流质量"的权衡，由 CQI 一起决定。

常见问题

Q：预编码和波束赋形到底什么关系，该用哪个词？ A：数学上是同一操作（发射前乘加权矩阵），但工程语境不同：强调空间能量指向/对准（尤其毫米波、相控阵）时说"波束赋形"；强调基带矩阵加权、多流/多用户复用、PMI 选择时说"预编码"。SU/MU-MIMO 调 PMI、秩，属于预编码；毫米波扫波束对准，属于波束赋形。

Q：为什么 FDD 必须用码本，TDD 可以不用？ A：因为信道互易性。TDD 上下行同频，基站能从上行 SRS 直接测出可复用于下行的信道，当场算预编码矩阵，无需反馈；FDD 上下行频差大、互易性不成立，基站拿不到下行信道，只能靠手机测完从码本里挑一个编号（PMI）反馈回来。

Q：SU-MIMO 和 MU-MIMO 的预编码目标有什么不同？ A：SU-MIMO 只服务一个用户，目标是最大化自身容量，用 SVD 把信道对角化成并行管道、注水分配功率即可；MU-MIMO 要同时服务多用户，目标变成"自身信号强 + 用户间干扰小"，因此用 ZF（强制清零干扰）、MMSE（折中）这类以 $\mathbf{H}\mathbf{F}\approx\mathbf{I}$ 为目标的算法。

Q：PMI/RI/CQI 三者是什么关系？ A：它们是闭环预编码的反馈三件套：RI 决定开几条并行管道（用几层），PMI 决定每条管道用什么预编码矩阵（码本里的编号），CQI 反映预编码后的等效信道质量（决定调制编码阶数）。基站综合三者决定怎么传。

Q：Massive MIMO 为什么反而能用最简单的预编码？ A：因为信道硬化——天线数趋于无穷时，用户信道向量渐近正交，本需要 ZF 去清的干扰自动趋零，于是最简单的共轭预编码（$\mathbf{F}=\mathbf{H}^H$）就接近最优，连矩阵求逆都省了。天线越多，预编码越"返璞归真"。

参考来源

3. Singular Value Decomposition (SVD) — Wireless Pi — SVD 在无线系统中的应用教程，特征模分解与并行管道直觉。
4. 5G NR CSI-RS Codebook — ShareTechnote — 5G 码本结构与 Type I/Type II 演进，码本预编码工程参考。
5. Precoding, Codebook vs Non-codebook based MIMO — Wireless Theory — 码本预编码与非码本预编码的对比，FDD/TDD 差异。

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。