想象一场法庭审判：目击者有四个人，都看到了案发瞬间，但每个人站的位置不同、视力不同、当时的天气光线也不同。法官该怎么采信这四份证词？
蜂窝网络的上行接收机，每天都在做一模一样的事。手机只装了一两根小天线，发射功率受限；而基站侧动辄4根、8根、64根天线。同一个比特从手机发出后，经过多条不同的无线路径，到达基站每一根天线时的版本都不一样：有的幅度高、有的幅度低，有的相位超前、有的相位滞后，各路噪声也各不相同。接收合并（Combining）要回答的唯一问题就是：给每一路信号配多大的权重、什么相位，把它们加成一路，才能让后面的译码器最容易判对。
这个问题看似是个实现细节，实际上它决定了边缘用户的吞吐、小区上行的覆盖半径，以及一个基站对抗邻区干扰的底牌。这篇文章就把这条合并演进线——选择式（SC）、等增益（EGC）、最大比（MRC）、干扰抑制（IRC）——一次讲透。
设发送符号为 $s$，基站第 $i$ 根天线收到的复基带信号是：
$$r_i = h_i \cdot s + n_i$$
其中 $h_i$ 是这条链路的复信道增益（包含幅度衰落和相位旋转），$n_i$ 是这根天线上的噪声与干扰。合并器对每一路乘一个复权重 $w_i$ 再相加：
$$y = \sum_{i=1}^{N} w_i \, r_i$$
整个合并理论，本质上就是在回答：$w_i$ 取什么值，$y$ 的信噪比最大？ 下面四种方案，就是这个问题在不同「信息拥有量」下的四个答案。
在展开方案之前，先看合并器在整个接收链路中的位置——它坐在信道估计的下游、解调的上游，是一个纯线性的「加权求和」部件：
flowchart TD
A0["天线0收到r0"] --> D["射频与采样"]
A1["天线1收到r1"] --> D
A2["天线N收到rN"] --> D
D --> E["信道估计"]
D --> F["干扰协方差估计"]
E --> G{"合并权重怎么给"}
F --> G
G -->|MRC或IRC| H["加权求和成一路"]
H --> I["解调与译码"]
注意一个关键依赖：权重不是拍脑袋给的，它来自信道估计的输出。信道估计质量差，合并权重就差，后面再强的译码器也救不回来。这就是为什么现网排查边缘用户问题时，工程师的第一反应往往是先看信道估计质量，而不是直接怀疑合并算法。
最直觉的做法：哪一路信噪比最高就接哪一路，其余全部丢弃。实现极简单——甚至不需要相位对齐，只要周期性地比较各路接收强度、把射频开关切到最强那一路即可。
代价显而易见：其余 $N-1$ 路里包含的信号能量被白白扔掉了。四根天线的选择式合并，收益上限就是「最好那一路」的水平。它是合并理论的起点，但远不是终点。
第二步改进：把每一路都旋转到相同相位，然后等权重直接相加。这一步引入了合并技术里最重要的概念——相干叠加（coherent combining）。
为什么相位对齐这么值钱？因为信号是有「方向」的复数矢量，而噪声是随机相位、互不相关的。对齐相位后，各路信号像列队行军一样步调一致地叠上去；噪声却因为彼此不相关，只会按功率「温和」地累加。信号走矢量叠加，噪声走功率叠加——这个不对称性，就是全部合并增益的来源。
EGC 对强弱一视同仁，但直觉告诉我们：信噪比 20dB 的那一路，比 0dB 的那一路「更可信」，应该分到更大的话语权。MRC 把这个直觉推到极致——理论可以证明，使输出信噪比最大的权重，恰好正比于该路信道的复共轭：
$$w_i \propto h_i^{*}$$
乘以共轭，一步同时完成两件事：把该路相位旋正（因为 $h_i \cdot h_i^{*} = |h_i|^2$ 是实数），并给强路配大权重。这样做出来的输出信噪比有一个极其优美的形式：
$$\gamma_{MRC} = \sum_{i=1}^{N} \gamma_i$$
输出信噪比等于各路信噪比的直接相加。 四路各 3dB，合并出来就是 12dB。这个「加法」性质是 MRC 的灵魂：它意味着每加一根天线，都是在往总账户里存入这一路的全部信噪比，没有一分钱浪费。
三种方案的阶梯关系，一张图看清：
flowchart TD
Q["N路信号摆在一起"] --> SC["选择式合并"]
Q --> EGC["等增益合并"]
Q --> MRC["最大比合并"]
SC --> S1["只留最强路<br/>其余全丢"]
EGC --> S2["对齐相位<br/>等权相加"]
MRC --> S3["强者权重大<br/>信噪比直接相加"]
工程里流传一句口诀：「两根天线合并增益 3dB，四根 6dB」。它的来历值得亲手算一遍，因为里面藏着相干叠加的全部秘密。设两根天线收到的信号一样强：
| 项目 | 单天线 | 两路同相相加 | 为什么 |
|---|---|---|---|
| 信号电压幅度 | $V$ | $2V$ | 矢量同相叠加 |
| 信号功率 | $P$ | $4P$（+6dB） | 功率正比于电压平方 |
| 噪声功率 | $N$ | $2N$（+3dB） | 独立噪声，功率相加 |
| 输出信噪比 | $P/N$ | $2P/N$（+3dB） | 净赚 = 6dB − 3dB |
信号是「相关」的，电压直接翻倍，功率翻四倍；噪声是「独立」的，功率只翻一倍。分子涨 6dB、分母涨 3dB，净收益 3dB。推广到 $N$ 根等强天线，净赚 $10\log_{10}N$ dB——这就是合并增益的对数 stair：2 根 3dB、4 根 6dB、8 根 9dB。
常见误解在这里出现：很多新人以为两根天线接收就能「功率翻倍再翻倍」，实际净赚的只有 3dB。 那 6dB 里有一半是自己_signal_变大带来的，但噪声也跟着涨，不能全额计入。做链路预算时如果按 6dB 记账，覆盖估算会凭空乐观一倍。
到这里 MRC 看起来已经是完美答案了。但它有一个很少被写进教科书正文、却决定现网成败的前提：各路的噪声加干扰 $n_i$ 互不相关。只有在这个前提下，「共轭匹配」才是最优权重。
热噪声满足这个前提——每根天线的热噪声天生独立。可是蜂窝上行不是热噪声主导的世界。想想小区边缘的一台手机：它的发射功率已经被拉满，而邻区同频小区里也有一台边缘手机正在满功率发送。此时基站收到的「干扰」不是白噪声，而是另一台手机的有意信号——它在各天线之间同样存在确定的相位关系，同样是相干的。
在这种「干扰受限」场景下，MRC 会犯陪审团错误里的第 4 种：它只顾朝着有用信号的方向竖起耳朵，却对干扰源毫无防备——甚至因为干扰和信号常常同向叠加，MRC 权重把干扰也一并放大了。边缘用户的 SINR 不涨反跌。
干扰抑制合并（IRC）的思路是一次彻底的世界观升级：不再假设 $n_i$ 是白噪声，而是老老实实去测量「干扰到底长什么样」。
具体说，接收机用一段时间的数据（有用信号未调度的资源、或统计平均）估计出干扰加噪声的协方差矩阵 $\mathbf{R}$——这个矩阵记录了干扰在各天线之间的强弱和相关性，相当于给干扰源画了一张「空间指纹」。然后把权重从「共轭匹配」改成：
$$\mathbf{w}_{IRC} = \frac{\mathbf{R}^{-1}\mathbf{h}}{\mathbf{h}^{H}\mathbf{R}^{-1}\mathbf{h}}$$
直观理解：$\mathbf{R}^{-1}$ 在干扰方向上「开一个零陷」，$\mathbf{h}$ 仍然保证朝向有用信号。最终权重是多根天线张成的空间里的一条「斜着听」的方向——既贴着信号，又垂直于干扰。极端情况下，若干扰与信号空间上完全可分，IRC 可以把一个强干扰几乎完全消掉，等效 SINR 的提升远超 MRC 的「信噪比相加」。
选择 MRC 还是 IRC，取决于基站对现场干扰格局的判断：
flowchart TD
S["上行多天线数据"] --> C{"干扰是否显著"}
C -->|否 热噪声主导| M["MRC: 权重取h共轭"]
M --> M1["增益最大化"]
C -->|是 邻区强干扰| I["估计干扰协方差R"]
I --> W["求逆: R的逆乘h"]
W --> I1["对干扰开零陷"]
W --> I2["可能牺牲部分增益"]
「既然 IRC 能消干扰，为什么不全天候开着？」——因为它付出了三样东西：
第一，估计成本。 协方差矩阵 $\mathbf{R}$ 不是白来的，需要拿一段样本数据去估。干扰越强、越稳定，估得越准；样本太短，估出来的 $\mathbf{R}$ 方差大，零陷位置就歪。
第二，失效模式比 MRC 更难看。 $\mathbf{R}$ 估计失准时，MRC 的误差是「增益少拿一点」，IRC 的误差却可能是「零陷打偏，把有用信号挖掉了」。所以在干扰估计置信度低的场景（干扰快变、多个干扰互相打架、或根本没有主导干扰），朴素 MRC 反而更稳。
第三，维度压力。 天线数越多，$\mathbf{R}$ 的维度越高，需要的样本量、求逆的复杂度都随之上升。这不是能不能算的问题，而是实时性和硬件成本的问题。
因此实际的基站接收机通常不是二选一，而是按场景动态仲裁：干扰格局清晰稳定时用 IRC 吃掉干扰；干扰混乱或估计置信度不足时退回 MRC 保平安。标准允许多种实现，具体仲裁策略以各厂家官方文档为准。
| 维度 | 选择式 SC | 等增益 EGC | 最大比 MRC | 干扰抑制 IRC |
|---|---|---|---|---|
| 核心思想 | 只取最强一路 | 同相等权相加 | 按信噪比共轭加权 | 按干扰协方差求逆加权 |
| 需要的信息 | 各路强度 | 各路相位 | 各路复信道 $h_i$ | $h_i$ + 干扰协方差 $\mathbf{R}$ |
| 白噪声场景收益 | 最低 | 中等 | 最高：$\gamma=\sum\gamma_i$ | 约等于 MRC |
| 强干扰场景收益 | 低 | 低 | 不升反降 | 显著优于 MRC |
| 实现复杂度 | 最低 | 低 | 中 | 高（估计+求逆） |
| 主要失效模式 | 浪费能量 | 信号被弱路稀释 | 放大相干干扰 | 零陷打偏误伤信号 |
1. 上行边缘吞吐问题。 边缘用户 SINR 低，第一嫌疑人是覆盖，第二嫌疑人就是上行接收的干扰抑制。当某个小区「明明负载不高、边缘速率却难看」且邻区同频高负载时，典型画像就是 MRC 拿着最优增益权重、干瞪着相干干扰。验证手段也很直接：在网管侧对比干扰抑制功能开启与关闭下的边缘用户指标，若差异显著且方向符合预期，说明协方差估计在正常工作（反之则要怀疑 $\mathbf{R}$ 估计的质量）。
2. 读懂 Massive MIMO 接收机。 前面几轮讲过的发射端波束赋形，都有一个对偶的接收端版本：基站 64 根天线接收上行，本质就是在空间域做一次大规模加权合并——它就是本文 MRC/IRC 思想的超大规模版。理解了「权重从信道来、零陷从协方差来」，也就理解了 massive MIMO 接收机为什么能一边增强目标用户、一边压住邻区用户。
3. 调试陷阱清单。 - 别拿合并增益充抵链路预算。 记住净赚是 $10\log_{10}N$ dB，不是天线数乘 3dB。 - 天线相关性会偷走增益。 两根天线贴得太近、衰落完全相关时，「两路」退化成「一路」，合并增益归零——这就是天线间距有讲究的原因。 - IRC 指标变差不一定是算法错了。 先查干扰场景是否变了：主导干扰消失后，原本正确的零陷失去了目标，仲裁逻辑若没跟着切换，指标反而难看。 - 信道估计先行。 权重是信道估计的下游，很多「合并增益不足」的根因在上游估计精度，别一上来就怀疑合并算法。
Q1：MRC 和「分集」是什么关系？ A：分集回答「为什么要有多路独立衰落的信号」（是系统设计层面的事），合并回答「多路信号到手后怎么加成一路」（是接收算法层面的事）。分集是前提，合并是兑现：没有独立衰落的多路，再好的合并算法也无米下锅。
Q2：MRC 本质上是不是一种接收波束赋形？ A：是。多天线加权求和在空间上自然形成一个指向性图——MRC 的权重让接收「波束」主瓣对准有用信号；IRC 的权重则在干扰方向补了零陷。发射端赋形与接收端合并是同一个数学问题的对偶。
Q3：天线越多，合并增益一直往上涨吗？ A：白噪声场景下确实近似对数增长（$10\log_{10}N$）；但干扰受限场景下，能消掉的干扰源个数受天线数限制，且天线相关性、信道估计误差都会吃掉增益。收益曲线是「前期陡、后期缓」，不是免费的无限自助餐。
Q4：IRC 消干扰有没有上限？ A：有。可分辨的干扰源数量受天线自由度约束——空间里能同时开的零陷个数不会超过天线数减一。多干扰且角度混叠时，IRC 只能压制、无法根除。
Q5：为什么说「信号走矢量叠加、噪声走功率叠加」是合并技术的总钥匙？ A：因为一切合并增益都源于这个不对称性。它决定了为什么必须相位对齐（否则信号矢量互相抵消）、为什么两根天线只净赚 3dB、以及为什么独立噪声假设一旦被相干干扰打破，MRC 就必须让位给 IRC。
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。