# 接收分集:多天线如何对冲信号衰落
## 一、从一个令人抓狂的现象说起:为什么信号会"忽强忽弱"
做过无线网优或终端调试的工程师,几乎都遇到过这样的场景:手机静止不动,周围没有明显遮挡,信号格却像心电图一样跳动——上一秒还是满格,下一秒掉到一格,通话断断续续。基站的发射功率明明没变,手机到基站的距离也没变,信号为什么会自己"抖动"?
答案藏在**多径衰落**里。
电磁波从基站发出后,并不会乖乖地走一条直线。它会碰到建筑物、地面、树木、车辆,被**反射、折射、散射、绕射**,于是到达手机接收天线的不是一个信号,而是无数个**走了不同路径、带着不同延时、不同相位的"副本"**。这些副本在接收天线处叠加——有的相位对齐、相互增强(相长干涉),有的相位相反、相互抵消(相消干涉)。只要环境有一点点变化(一辆车开过、一扇门打开、人走动),各路径的相位关系就会改变,合成信号的幅度随之剧烈起伏。
这就是**快衰落**(small-scale fading)。在最常见的非视距(NLOS)城市环境下,接收信号幅度近似服从**瑞利分布**——意味着信号幅度在很多时刻会跌到极低的水平,出现所谓的**深衰落点**(deep fade)。
```mermaid
flowchart LR
TX["发射端
单一信号 s"] --> P1["路径1: 直达/反射"]
TX --> P2["路径2: 建筑反射
延时τ₂,相位φ₂"]
TX --> P3["路径3: 散射
延时τ₃,相位φ₃"]
TX --> P4["路径N: ..."]
P1 --> RX["接收端
多副本叠加"]
P2 --> RX
P3 --> RX
P4 --> RX
RX --> AMP["合成信号幅度
随相位关系剧烈起伏
出现深衰落点"]
style AMP fill:#fdd,stroke:#c33,stroke-width:2px
style TX fill:#dfd,stroke:#3a3
style RX fill:#dff,stroke:#36a
```
关键洞察在于:**深衰落在空间上是"窄"的**。两根相隔足够远的接收天线,它们各自经历的多径叠加结果几乎是**独立的**——天线A此刻掉进了深衰落,天线B在同一时刻很可能信号正常。这就给了一个朴素但极其强大的解题思路:
> **与其把宝押在一根天线上,不如多放几根天线同时接收,哪个信号好用哪个,或者把它们聪明地拼在一起。**
这正是**分集(diversity)**的全部哲学。它的精神内核,和金融里说的"对冲(hedging)"、和民间谚语"鸡蛋不要放在一个篮子里",是一模一样的。
---
## 二、分集的本质:用"独立的副本"降低风险
给分集下一个精确的定义:**接收端获取多个携带同一信息、但衰落特性相互独立的信号副本,然后通过合并(combining)处理,降低合成信号出现深衰落的概率。**
这里有三个关键词必须咬准:
1. **同一信息**——注意,分集和空间复用(MIMO的另一个用途)完全不同。分集的多路副本传输的是**相同的内容**,目的是"冗余备份、提高可靠性";空间复用的多路传输的是**不同的内容**,目的是"并行管道、提高速率"。这是初学者最容易混淆的一点,后面会用专门一节讲清楚。
2. **独立衰落**——这是分集能否生效的**命门**。如果两路信号完全相关(一起强、一起弱),那么放再多天线也等于一根,毫无意义。独立性来源于"副本之间经历了不同的随机信道"。
3. **合并**——副本拿到了不直接用,必须有一个"合并器"决定怎么把它们融合成一路输出。合并策略的不同,直接决定了能拿到多少增益。这一步是分集技术的"心脏"。
### 分集的四大门派
副本的"独立性"可以从不同的物理维度获取,于是分集分出四大类:
| 分集类型 | 获取独立性的方式 | 代价 | 典型应用 |
|---------|----------------|------|---------|
| **空间分集** | 多根天线物理分开(间距≥半波长),各自经历不同多径 | 增加天线数量、占用空间 | 基站多天线接收、手机主分集天线 |
| **频率分集** | 同一信号在不同载频上发送,不同频率的衰落不同 | 占用额外频谱 | OFDM子载波交织、跳频 |
| **时间分集** | 同一信号在不同时刻发送(间隔大于信道相干时间) | 增加时延、降低效率 | 交织+前向纠错(FEC)、ARQ重传 |
| **极化分集** | 用两个正交极化(如垂直/水平,±45°)的天线接收 | 极化支路功率不平衡 | 基站双极化天线、空间受限场景 |
**空间分集**是最"干净"的分集——它不额外消耗频率、不额外消耗时间,唯一的代价是多放几根天线。这也是为什么现代通信系统几乎都用空间分集作为主力。基站塔顶常看到成对的双极化天线(两个±45°极化),就是用极化分集代替了难以拉开间距的空间分集——在空间受限的天线平台上,极化分集是空间分集的"平替"。
> **小贴士**:空间分集要求天线间距足够大(通常≥10λ,λ为波长;密集城区可放宽)。间距太小,两路衰落高度相关,分集效果大打折扣。这是基站天线安装规范里严格规定天线间距的物理原因。
---
## 三、合并器:分集技术的真正心脏
拿到了多路独立副本,接下来怎么合成?这一步的算法决定了最终信噪比(SNR)。历史上形成了三种经典的**线性合并**方式,它们的复杂度和性能依次递增。
### 1. 选择式合并(Selection Combining, SC)
最直白的策略:**实时监测每根天线的瞬时SNR,永远只选用最强的那一根**,其余的丢弃。
```mermaid
flowchart TD
A1["天线1: γ₁ = 8 dB"] --> SEL{"比较器
选 max(γᵢ)"}
A2["天线2: γ₂ = 3 dB"] --> SEL
A3["天线3: γ₃ = 11 dB"] --> SEL
A4["天线4: γ₄ = 6 dB"] --> SEL
SEL --> OUT["输出: 选用天线3
γ_SC = 11 dB"]
style A3 fill:#dfd,stroke:#3a3,stroke-width:3px
style OUT fill:#dfd,stroke:#3a3,stroke-width:2px
```
- **优点**:实现极简,每路只需一个SNR监测和一把开关,不需要知道信道的幅度和相位。
- **缺点**:浪费严重——其余N-1根天线的信号能量全部扔掉。性能最差。
### 2. 等增益合并(Equal Gain Combining, EGC)
折中策略:**所有支路都用上,先把它们的相位对齐(共相位),再等权重直接相加。**
为什么一定要"相位对齐"?因为如果两个副本相位相差180°,直接相加会**相消**——强信号反而被弱信号拖累。对齐相位后,所有信号都朝同一方向叠加,实现相长干涉。EGC只需估计**相位**,不需要估计**幅度**,因此比MRC简单。
### 3. 最大比合并(Maximal Ratio Combining, MRC)
理论上的**最优解**:**所有支路都用上,相位对齐,并且按各支路信号强度"加权"后再相加**——信号越强的支路权重越大,信号越弱的支路权重越小(噪声大的支路被压低)。
```mermaid
flowchart LR
subgraph 各支路加权
A1["天线1
h₁, 弱信号"] --> W1["×w₁ (小权重)"]
A2["天线2
h₂, 噪声大"] --> W2["×w₂ (小权重)"]
A3["天线3
h₃, 强信号"] --> W3["×w₃ (大权重)"]
end
W1 --> SUM(("Σ 相干叠加
(相位已对齐)"))
W2 --> SUM
W3 --> SUM
SUM --> OUT["最优输出
γ_MRC = Σγᵢ"]
style W3 fill:#dfd,stroke:#3a3,stroke-width:3px
style W1 fill:#fee,stroke:#c33
style W2 fill:#fee,stroke:#c33
style OUT fill:#dfd,stroke:#3a3,stroke-width:2px
```
三种方式的性能与复杂度对比如下:
| 合并方式 | 使用的支路 | 需要的信道信息 | 输出SNR(近似) | 复杂度 | 性能 |
|---------|-----------|--------------|--------------|--------|------|
| **SC** | 仅最强1路 | 只需比较SNR | max(γᵢ) | 最低 | 最差 |
| **EGC** | 全部(等权) | 仅相位 | (Σ√γᵢ)² / N | 中等 | 次优(约比MRC低1dB) |
| **MRC** | 全部(最优权) | 幅度+相位 | **Σγᵢ** | 最高 | **最优** |
---
## 四、MRC的数学之美:为什么权重必须是"信道共轭"
MRC之所以叫"最大比",是因为它能给出**任何线性合并方式所能达到的最高瞬时SNR**。这不是经验结论,而是可以从数学上严格证明的。让我们用最少的公式看懂它为什么是最优的。
设第 $i$ 根接收天线收到的信号为:
$$r_i = h_i \cdot s + n_i$$
其中 $h_i$ 是该天线到发射端的**复信道增益**(包含幅度 $|h_i|$ 和相位 $\angle h_i$),$s$ 是发送的符号,$n_i$ 是该支路的加性高斯噪声(方差 $N_0$)。
MRC对每个支路乘上一个**复数权重 $w_i$** 后相加:
$$r = \sum_{i=1}^{N} w_i \cdot r_i = \left(\sum_i w_i h_i\right) s + \sum_i w_i n_i$$
利用柯西-施瓦茨不等式可以证明,使输出SNR最大的最优权重为:
$$w_i = h_i^{*}$$
即**第i路权重等于该路信道的复共轭**。共轭运算的物理意义是:它把 $h_i$ 的相位"翻转"回来,从而抵消掉信道引入的相位偏移(实现自动相位对齐);同时,权重的大小 $|w_i|=|h_i|$ 与信号幅度成正比——**信号越强、给的话语权越大**。
代入最优权重后,合并输出的瞬时SNR为:
$$\gamma_{MRC} = \sum_{i=1}^{N} |h_i|^2 \cdot \frac{E_s}{N_0} = \sum_{i=1}^{N} \gamma_i$$
这就是那句经典结论的来源:**MRC的输出SNR,等于各支路瞬时SNR之和**。把N个独立的"弱"加在一起,自然比挑最强的那一个强得多。
### 一个生动的类比
想象一起案件有N个目击者(天线),他们从不同角度(不同信道)看到了同一个小偷(信号)。有的目击者站得近、看得清(信道强),有的离得远、看得糊(信道弱),还各自记串了部分细节(相位不同)。
- **SC策略**:警长只听看得最清楚的那一个目击者,其余全部忽略。
- **EGC策略**:警长让所有人发言,把他们的话等权拼在一起(只纠正"谁先谁后"的顺序问题)。
- **MRC策略**:警长先纠正每个人的讲述偏差(相位对齐),然后**给看得越清楚的目击者越大的话语权**(幅度加权),最后把所有人的证词加权融合。
显然,MRC能拼出最接近真相的画像。这就是"最优"的直觉来源。
---
## 五、分集增益 vs 阵列增益:两个常被混淆的概念
很多工程师说"加了分集,信噪比提升了3dB",但这里的3dB到底来自哪里?其实分集带来的好处可以拆成两部分,它们机理完全不同,混淆它们会导致对系统性能的误判。
### 1. 分集增益(Diversity Gain)
针对的是**对抗深衰落**。它的本质是:**降低了瞬时SNR跌落到门限以下的概率**。在瑞利衰落下,单天线接收的SNR是一个随机变量,有相当概率掉得很低;有了多路独立副本,它们**同时**掉到深衰落的概率是各自概率的**乘积**,随支路数指数下降。
用中断概率(outage probability,即瞬时SNR低于门限的概率)来看最清楚。设门限为 $\gamma_{th}$,单支路和L支路MRC在高SNR下的中断概率近似为:
$$P_{out}^{(1)} \approx \frac{\gamma_{th}}{\bar{\gamma}}, \qquad P_{out}^{(L)} \approx \frac{1}{L!}\left(\frac{\gamma_{th}}{\bar{\gamma}}\right)^L$$
注意分母里的 $L!$ 和指数 $L$——支路数越多,中断概率下降得越陡。这个**指数 $L$ 就叫分集阶数(diversity order)**。它体现在误码率(BER)对平均SNR的双对数曲线上的**斜率**:分集阶数越高,曲线在高SNR区下坠得越陡。
### 2. 阵列增益(Array Gain)
针对的是**提升平均SNR**。MRC把多路信号**相干叠加**,信号是电压相加(按N倍),而噪声是功率相加(按 $\sqrt{N}$ 倍,因为非相干),结果是平均SNR提升了 $N$ 倍(10logN dB)。这是纯粹的"能量汇聚"红利,和衰落无关。
```mermaid
flowchart LR
subgraph 分集的两份红利
direction LR
DG["分集增益
抗深衰落
降低中断概率
= BER曲线的'斜率'变陡"]
AG["阵列增益
平均SNR提升
N路相干叠加
≈ +10·logN dB"]
end
DG --> SYS["更可靠的链路"]
AG --> SYS2["更高的平均吞吐"]
style DG fill:#e8f0fe,stroke:#36a
style AG fill:#fef7e0,stroke:#e09a3a
```
**一个关键的、容易被误解的点**:SC(选择式合并)和MRC的**分集阶数是相同的**(都是L)——也就是说,在对抗深衰落的能力上,它们斜率一样;但MRC的**阵列增益远高于SC**。换句话说,同样4根天线,SC和MRC都能把"瞬时SNR剧烈起伏"压平,但MRC能让平均SNR实实在在多出近6dB,而SC做不到。**分集阶数管"稳不稳",阵列增益管"平均有多强"**——这是评价一个分集方案的两个独立维度。
| 维度 | SC | EGC | MRC |
|------|----|----|-----|
| **分集阶数(抗深衰落)** | L | L | L |
| **阵列增益(平均SNR)** | 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。
