你对着山谷喊了一声“你好”，几秒后回来一声“好”——这是单一回声，大脑能自动忽略。但如果是在一个长长的隧道里喊话，回声一个叠着一个，每个字都被前几个字的“尾巴”糊住，听的人就根本分不清你说的是“你好”还是“你耗”。无线信道就是这条隧道：基站发出的每一个符号，都会经直射、楼房反射、地面散射等多条路径先后抵达手机，晚到的信号叠加在早到的信号上，把符号与符号“搅拌”在一起——这就是符号间干扰（ISI, Inter-Symbol Interference）。
接收机要做的，就是把这碗被搅拌的“汤”重新还原成清澈的原料。完成这项还原工作的模块，叫信道均衡器（Equalizer）。它是所有现代接收机——手机、基站、Wi-Fi 芯片、光通信接收端——都绕不开的核心模块。今天我们把它彻底讲透。
抛开射频细节，一个最简单的离散基带信道可以用“卷积”来描述。设发送符号序列为 $x[n]$，信道的冲激响应有 $L$ 个抽头 $h[0], h[1], \dots, h[L-1]$，加性噪声为 $w[n]$，则接收信号为：
$$y[n] = \sum_{k=0}^{L-1} h[k]\, x[n-k] + w[n]$$
这个公式翻译成人话：每个接收采样，都是当前符号和之前若干个符号的加权混叠。假如 $h = [1.0,\ 0,\ 0.5,\ 0.2]$，意思是除了主径，还有一条衰减一半、延迟两个采样的反射径，和一条更弱的更晚的反射径。那么接收端看到的“你”字，后面会拖着“你好”和“好”的残影，糊在下一个符号的采样点上。
flowchart LR
TX["发射端发出一个脉冲"] --> P1["主径：直射路径"]
TX --> P2["反射径一：略晚到达"]
TX --> P3["反射径二：更晚更弱"]
P1 --> SUM["接收端三路叠加"]
P2 --> SUM
P3 --> SUM
SUM --> OUT["脉冲拖出长长的尾巴\n尾巴叠进后续符号形成ISI"]
ISI 的成因不止多径一种。即使没有反射，只要信道带宽受限——而频谱资源永远有限，带宽受限是常态——矩形脉冲经过带限信道后波形必然被“展宽”，溢出到相邻符号的时间区间里。多径传播和带限信道，是 ISI 的两大根源，这一点在各种经典教材和维基百科的 ISI 词条中都有明确归纳。
工程上观察 ISI 最直观的工具是眼图（Eye Diagram）：把接收波形按符号周期反复折叠叠加画在一张图上，数字信号的波形会形成一只“眼睛”。这只眼睛透露三个关键信息：
无 ISI 时眼睛完全张开；多径一搅和，眼睛眯成一条缝，误码率直线上升。信令调不通时用示波器或矢量信号分析仪看一眼星座图和眼图“眯”到什么程度，往往比翻十页日志更能定位问题。
现在问题变得非常清晰：信号被信道 $H$ “卷”了一遍，那么只要再造一个滤波器 $G$，让 $G \cdot H = 1$（恒等），就能把失真完整地撤销。这就像修图软件里的“反滤镜”：知道照片被某个滤镜处理过，套用一个数学上相反的滤镜，就能还原原图。均衡器的全部使命，就是逼近这个“反信道”。
这立刻引出第一个、也是最教科书式的方案——迫零均衡（Zero-Forcing, ZF）：直接令 $G(f) = 1/H(f)$。信道在哪衰减了，我就在哪放大；信道在哪相移了，我就在哪反相移。数学上无懈可击。
但它埋着一个致命的坑：噪声增强（Noise Enhancement）。均衡器在放大信号的同时，把混在信号里的噪声也按同样的倍数放大了。接收信号为 $y = xH + w$，做频域迫零均衡：
$$\hat{X}_k = \frac{Y_k}{H_k} = X_k + \frac{W_k}{H_k}$$
信号完美还原了，但输出噪声功率变成了：
$$\sigma_{out}^2 = \frac{\sigma_w^2}{|H_k|^2}$$
假设某个频点恰好落在深衰落的“谷底”，$|H_k|^2 = 0.01$（衰减 20 dB），噪声就被放大 100 倍。频谱上但凡有深谷，ZF 均衡后的信噪比在这些位置就会崩塌——这就是“为了彻底归零失真，不惜把噪声放大到爆炸”的设计困境。
既然“完美还原”的代价是噪声爆炸，那就退一步问一个更务实的问题：能不能不追求每个频点的绝对保真，而是让“残余干扰 + 放大后的噪声”的总能量最小？
这就是最小均方误差均衡（MMSE, Minimum Mean Square Error）的思想。它把均衡滤波器设计成一个最优化问题：最小化估计误差的均方值 $E[|e|^2]$，其中误差 $e$ 是均衡输出与真实符号之差。频域单抽头均衡时，最优系数为：
$$W_k = \frac{H_k^*}{|H_k|^2 + \frac{1}{\text{SNR}}}$$
这个公式值得盯着看 30 秒，它包含了均衡器全部的智慧：
一句话总结：ZF 是完美主义者，在深谷里摔死；MMSE 是务实主义者，知道哪里该较真、哪里该放过。 这也解释了为什么现代接收机的线性均衡几乎清一色采用 MMSE 准则——Wikipedia 的均衡器词条将 MMSE 均衡器定义为“设计滤波器以最小化 $E[|e|^2]$”，与 ZF 的“用线性滤波器逼近信道之逆”并列，正体现了这两种哲学的分野。
flowchart TD
RF["射频前端变频到基带"] --> ADC["ADC采样"]
ADC --> SYNC["定时同步与频偏校正"]
SYNC --> CEST["信道估计：从导频解出H"]
CEST --> EQ["信道均衡：用H构建反信道"]
EQ --> DEMAP["软解映射输出对数似然比"]
DEMAP --> DEC["信道译码还原数据比特"]
注意这条流水线的分工：信道估计负责回答“信道长什么样”，均衡器负责回答“怎么用这个答案把信号还原”。前者像验光，后者像配镜——验光度数不准，镜片配得再精良也白搭。这也是调试时的黄金法则：星座图旋转、模糊，先查信道估计是否失准，再怀疑均衡本身。
线性均衡器（一个 FIR 滤波器）结构简单，但对付“尾巴很长”的信道时力不从心。工程师们于是发展出三代更强力的武器，它们的核心区别在于：如何利用“已经判决出的符号”这个宝贵信息。
flowchart TD
IN["接收信号y"] --> FFF["前馈滤波器"]
FFF --> SUMJ["合并点"]
FBK["反馈滤波器由已判决符号生成残余干扰估计"] --> SUMJ
SUMJ --> TH["判决器量化为符号"]
TH --> OUT["符号输出"]
TH -->|已判决符号回流| FBK
上图是判决反馈均衡器（DFE, Decision Feedback Equalizer）：前馈滤波器负责压缩脉冲的前导干扰，判决器一旦“确认”了某个符号的值，反馈滤波器就立刻算出这个符号对后续采样造成的拖尾干扰，从接收信号中减掉。相当于一边听被回声污染的语音，一边把每个已经听清的字产生的回声实时消除。DFE 的性能显著优于线性均衡，因为它不是去放大深谷（那里噪声会爆炸），而是直接把 ISI 从源头扣掉。但它有个软肋：误差传播——一旦判决错一个符号，反馈回路不但消不掉干扰，反而会“自信地”注入一份错误干扰，引发连环误码。因此实际系统中会给判决加软信息保护，避免错误扩散。
更强的是最大似然序列估计（MLSE）：它干脆放弃“逐符号判决”，改问“哪一整串发送序列最有可能产生我眼前这段接收波形？”即求解：
$$\hat{x} = \arg\min_{x}\ \big| y - H x \big|^2$$
用维特比算法在网格图上高效搜索全局最优序列，维基百科称之为“维特比均衡器”，是均衡问题在最大似然意义下的最优解。GSM 时代手机接收机就采用它对抗严重的时延扩展，代价是复杂度随信道记忆长度指数增长——信道拖尾 5 个符号，网格每步就有 32 个状态，再多就烧不动了。
把上述所有流派放到一张表里对比：
| 均衡器类型 | 核心思路 | 噪声与误码表现 | 复杂度 | 典型应用场景 |
|---|---|---|---|---|
| 线性 ZF | 直接取信道倒数 $1/H$ | 深谷噪声增强严重 | 很低 | 教学、高信噪比场景 |
| 线性 MMSE | 最小化均方误差折中 | 抑制噪声，稳健 | 低 | 现代接收机线性均衡主力 |
| DFE | 判决后反馈扣除拖尾 | 性能好，但会误差传播 | 中 | 单载波系统、有线链路 |
| MLSE（维特比） | 序列级全局最优搜索 | 理论最优 | 随记忆长度指数增长 | GSM、磁存储读取 |
| 自适应均衡 | 用误差信号实时微调抽头 | 取决于所搭载的主结构 | 低至中 | 信道快速时变的移动场景 |
最后一行的自适应算法是横向能力而非独立流派：真实无线信道每毫秒都在变，均衡器抽头必须跟着变。最经典的是 LMS 算法——每来一个符号，用估计误差按小步长修正抽头系数：
$$\mathbf{w}_{n+1} = \mathbf{w}_n + \mu\, e_n\, \mathbf{u}_n^*$$
收敛慢但便宜；RLS 算法收敛快但计算量大。另外还有不依赖训练序列的盲均衡，仅利用信号本身的统计特性（如恒模特性）恢复信号，常见于无法发送导频的场合。甚至有把均衡和译码迭代着做的Turbo 均衡——把信道当作一圈卷积码，与译码器互相交换软信息、来回打磨，逼近联合最优。
讲了这么多，你可能以为 5G 手机里都藏着几十抽头的自适应滤波器。其实不是。OFDM 做了一件非常漂亮的事，把最难的时域均衡问题整个绕开了。
回顾第四篇 FFT 那一期讲过的原理：OFDM 把高速串行数据拆到成百上千个并行的窄带子载波上，每个子载波上的符号周期被拉长了百倍。同时，每个符号前面垫一段循环前缀（CP），只要 CP 长于信道最大时延扩展，多径拖尾就只落在 CP 区间内——落在“草稿纸”上，主区间干干净净。
更妙的是，CP 让原本的线性卷积变成了循环卷积，而循环卷积在频域就是逐点的乘法。于是经过 FFT 解调后，第 $k$ 个子载波上只剩下一条极简的关系式：
$$Y_k = H_k X_k + W_k$$
成百上千个抽头的卷积问题，坍缩成了每个子载波上的一次除法——所谓单抽头频域均衡：
$$\hat{X}_k = \frac{Y_k}{H_k} \quad \text{（ZF）} \qquad \hat{X}_k = \frac{H_k^*}{|H_k|^2 + \sigma^2}\, Y_k \quad \text{（MMSE）}$$
公式形态和前面完全一致，只是规模从“整段波形一个滤波器”变成了“每个子载波一个复数除法”。这就是 OFDM 能一统 4G/5G/Wi-Fi 天下的深层原因之一——它不是消灭了多径，而是把多径从时域的“卷积恶魔”驯化成频域的“逐点缩放”，均衡复杂度从随带宽线性增长降为对数级。
flowchart TB
subgraph SC["单载波系统：时域均衡"]
A1["信号与信道h做时域卷积"] --> B1["需多抽头反卷积滤波器"]
B1 --> C1["抽头需自适应收敛\n复杂度随带宽增长"]
end
subgraph OF["OFDM系统：频域均衡"]
A2["加CP令多径只伤及前缀"] --> B2["FFT变换到频域"]
B2 --> C2["每子载波单抽头除法"]
C2 --> D2["结构极简复杂度大降"]
end
值得一提的是，5G 上行并未全盘采用 OFDMA，部分场景使用 DFT-s-OFDM（变换预编码的单载波形态）来压低峰均比。但注意：DFT-s-OFDM 在接收端经 DFT 展开后，均衡同样可以在频域逐点完成，只是做完均衡还要再经一次 IDFT 回到时域做单载波检测——均衡思想一以贯之，只是搬运到了不同的域。此外，OFDM 系统里 DFE 那类非线性均衡基本没有用武之地，因为 CP 已经从机制上消灭了符号间拖尾，残余问题只剩下频域的深谷（对应信道频率选择性），由信道编码与频率交织来兜底。
多天线让问题再升一维：接收天线 $N$ 根、发送流 $M$ 层时，每根天线上收到的都是 $M$ 条流经各自信道后的叠加。均衡对象从复数 $H_k$ 变成了矩阵 $\mathbf{H}_k$，“除以信道”变成了“乘以矩阵的逆”。MMSE 准则下的 MIMO 均衡闭式解：
$$\hat{\mathbf{x}}_k = \left( \mathbf{H}_k^H \mathbf{H}_k + \sigma^2 \mathbf{I} \right)^{-1} \mathbf{H}_k^H\, \mathbf{y}_k$$
直觉上可以理解为：$M$ 条流互相干扰，如同多个人同时说话被多个麦克风录下；均衡器根据每个人到每个麦克风的“声音通道”（信道矩阵），联立解出每个人原本说的话。当方程个数多于未知数（$N > M$）时系统有冗余，解出来更稳——这正是波束赋形和空间复用能提升可靠性的均衡视角注脚。
调试场景一：底噪正常但 BLER 居高不下。 路测时发现 SINR 尚可、但吞吐量上不去，先看该频段的信道频率响应是否处于深衰谷（衰落深度对应的 RB 上 EVM 恶化）。深谷处 MMSE 均衡也救不动，此时该调的是调度器避开劣化 RB，而不是抱怨均衡器。
场景二：星座图整体旋转或糊成一团。 旋转常见于频偏残留——信道估计用的是上一时刻的 H，频偏让 H 旋转了，均衡自然“配错眼镜”。糊成一团则可能是时延扩展超出 CP 长度（超远站、海面反射等超大规模时延场景），多径拖尾已经越过了“草稿纸”，单抽头均衡失效。
场景三：测试仪表上的 EVM 与眼图。 信号源/信道模拟器打出的信号 EVM 达标但终端解调失败，可在仪表侧人为注入多径信道，观察终端均衡能力——这正是认证测试中性能要求项的底层原理：定义一组标准信道模型，考校接收机的“反滤镜”功力。
最常见的三个误解：
Q1：ZF 均衡和 MMSE 均衡，日常到底怎么选？ A：信噪比很高、信道接近平坦时，两者几乎等价；但现网信道总有深谷，ZF 在谷底会把噪声放大到淹没信号，所以实际接收机默认选 MMSE。可以记住一个形象的说法：ZF 追求“把信道掰直”，MMSE 追求“把误码降到最低”——工程上永远为后者买单。
Q2：OFDM 系统里还需要均衡器吗？ A：需要，只是它已经简化到极致——每个子载波上一次复数乘除法（单抽头频域均衡）。复杂性并没有消失，而是被 CP 和 FFT 转移到了别处：CP 消耗时牺牲了约 7% 的容量，FFT 承担了域变换。天下没有免费的午餐，只有权衡后的账单。
Q3：DFE 误差传播为什么在 OFDM 中不是问题？ A：因为 DFE 处理的“符号间拖尾”在 OFDM 里根本不存在——CP 把拖尾整个关在了前缀里，频域均衡一次处理一个独立子载波，没有“上一个符号的判决影响下一个”的链条，自然无从传播误差。DFE 主要活跃在单载波和有线（如高速背板、SERDES）场景。
Q4：信道估计和均衡的边界到底在哪？ A：信道估计输出“信道的名片 H”（含噪声方差等统计信息），均衡消费这张名片完成还原。两者通常共享导频：估计阶段从导频位置解出 H，均衡阶段对数据位置应用 H。调试时若发现误差集中在特定频域位置，先查估计器的插值精度，再查均衡准则的噪声参数——顺序别反了。
Q5：为什么说 MLSE 是最优的却没人用于 5G？ A：MLSE 的最优性建立在遍历所有可能的符号序列上，复杂度随信道记忆长度指数增长。OFDM 已经用 CP 把信道记忆“打包封存”，频域单抽头即可在极低复杂度下解决问题，MLSE 的最优性在此场景下没有超额收益，留给 GSM、磁存储等确有长记忆信道的场合发挥。
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。