首页 › deep-tech › 缠在一起的多流，接收机怎么拆

缠在一起的多流，接收机怎么拆

一、从一个合唱团说起

想象一个录音师，面前摆两支话筒，台上两位歌手同时开口。两路声音在空气里混成一片，两支话筒都收到了两位歌手的声音——只不过由于站位不同，两位歌手在每支话筒里的“音量配比”不一样。录音师拿到的是两轨混合录音，他手里的任务只有一个：把两位歌手的声音分开。

这就是空间复用接收端每天在干的事。

前面讲发射端的文章很多：波束怎么指向、预编码怎么让多路信号互不踩脚。但有一个环节很少被系统讲清楚——发射端把4条数据流同时扔进空中，它们在传播中叠加、缠绕，到达接收天线时早已难分难解。接收机凭什么能把它们一条条拆回来？

这个“拆”的动作，专业术语叫MIMO检测（MIMO Detection）。它是基带接收链路里最烧脑的一环，也是Massive MIMO之所以能工作的另一半秘密。发射端负责“把流分开送出去”，接收端负责“把混在一起的流捞回来”——两者是一对镜像问题。今天我们专讲这一半。

二、先看清楚：流是怎么“缠”住的

2.1 一条最简单的数学模型

假设基站用2根发射天线发2条独立数据流，手机用2根接收天线收。每根接收天线收到的，都是两条流经过各自信道衰落后的线性叠加，再加上噪声：

$$y = Hs + n$$

别被公式吓到，逐个符号拆开看：

符号 含义 类比
$s$ 发射的两条流 $[s_1, s_2]^T$ 两位歌手各自唱的内容
$H$ 2×2信道矩阵，$h_{ij}$表示第$j$条流漏到第$i$根接收天线的增益和相位 每位歌手到每支话筒的“音量配比”
$y$ 两根接收天线收到的混合信号 两轨混合录音
$n$ 噪声 环境底噪

写成分量形式，每一根接收天线上的信号都是：

$$y_1 = h_{11}s_1 + h_{12}s_2 + n_1$$ $$y_2 = h_{21}s_1 + h_{22}s_2 + n_2$$

看清楚了吗？每根接收天线上都同时有$s_1$和$s_2$。这就是“缠住”的本质：空间复用并没有在物理上把流隔离到不同的天线上，它利用的是“两根天线看到的混合比例不同”这一点点差异。

2.2 用一张图记住这个模型

flowchart TD
    A["数据流s1"] --> B["发射天线1"]
    A2["数据流s2"] --> B2["发射天线2"]
    B -->|信道h11| C["接收天线1"]
    B2 -->|信道h12| C
    B -->|信道h21| C2["接收天线2"]
    B2 -->|信道h22| C2
    C --> D["混合信号y1"]
    C2 --> D2["混合信号y2"]
    D --> E["MIMO检测器<br/>把s1和s2拆开"]
    D2 --> E

整张图的关键在于中间那四条交叉的箭头——如果交叉线不存在（每条流只到一根天线），分离就是水到渠成的事。MIMO检测的全部难度，都藏在这四条交叉路径里。

2.3 一个具体的数字例子

假如某一刻的信道矩阵是：

$$H = \begin{bmatrix} 0.9 & 0.8 \ 0.7 & 0.85 \end{bmatrix}$$

注意这个矩阵的特点：每一行的两个元素都很接近。也就是说，两根接收天线看到的“混合配方”几乎一样——第一根天线里$s_1$和$s_2$的比例是0.9:0.8，第二根是0.7:0.85，配方雷同。

配方雷同意味着什么？意味着你拿到两轨几乎相同的混合录音，却要还原出两个独立的人声——先天信息不足。这种情况在数学上叫矩阵“病态”（ill-conditioned），在工程上叫两条流的空间信道相关性高。它常常发生在：手机正对基站、没有反射路径、两根天线离得太近的时候。

反过来，如果信道矩阵是：

$$H = \begin{bmatrix} 0.95 & 0.1 \ 0.2 & 0.9 \end{bmatrix}$$

两根天线的配方截然不同，$s_1$在第一根天线上占绝对优势、$s_2$在第二根上占绝对优势——分离就容易得多。这就是为什么多流传输的效果极度依赖无线环境： rich scattering（多径丰富的环境）天然帮我们把信道矩阵变得“好拆”。

三、四个拆法：检测器谱系

现在进入正题。拿到混合信号$y$和信道估计$\hat{H}$，怎么还原$s$？工程上有一条清晰的思路谱系，从“最笨但最准”到“最巧但最险”，一共四个流派。

3.1 流派一：穷举对答案——最大似然检测（ML）

最朴素的思路：既然知道信道$H$，那就把所有可能的发送组合都试一遍。

2条流，每条流是16QAM调制（16种取值），那么$s_1$和$s_2$的联合组合共有 $16 \times 16 = 256$ 种。对每一种组合，算出它“应该”收到的信号$Hs$，再和实际收到的$y$比距离，谁的候选组合离实际接收点最近，就判谁：

$$\hat{s}{ML} = \arg\min | y - Hs |^2$$}

这就是最大似然检测。它的检测错误率是理论下界，没有比它更准的了。

但代价一眼可见：组合数随流数指数爆炸。4条流×64QAM，组合数是 $64^4 \approx 1677$万——每收到一个符号就要穷举1677万次距离计算。硬件根本扛不住，所以纯ML只活在教科书和低阶调制的 demonstration 里。

3.2 流派二：一刀切开——迫零检测（ZF）

工程师的第二直觉：既然$y = Hs + n$，那我直接“除以”$H$不就把$s$解出来了？矩阵的“除法”就是求逆：

$$\hat{s}_{ZF} = (H^H H)^{-1} H^H \, y$$

（$H^H$是$H$的共轭转置，这个组合式叫伪逆，是处理非方阵的“除法”。）

它的效果立竿见影：流间串扰被彻底清零。$s_1$的估计值里不再混有$s_2$的成分，一刀两断。

但天底下没有免费的午餐。把解代回去看噪声发生了什么：

$$\hat{s}_{ZF} = s + (H^H H)^{-1} H^H n$$

噪声也被同一个矩阵“处理”了一遍。当$H$病态（两行配方雷同）时，$(H^HH)^{-1}$里的元素会非常大，噪声被成倍放大。用前面的病态矩阵算一下：

情形 信道矩阵 ZF带来的噪声放大倍数
两根天线配方差异大 [[0.95, 0.1], [0.2, 0.9]] 约 1.1 倍，几乎无损
两根天线配方雷同 [[0.9, 0.8], [0.7, 0.85]] 约 18 倍，灾难性

串扰清零的代价，是噪声放大——这两个家伙是同一条跷跷板的两头。信道越差（相关性越高），ZF越接近“把串扰拆干净了，但把噪声也喊醒了”。

3.3 流派三：留一点串扰——最小均方误差检测（MMSE）

ZF的失败让人反思：我们真的需要串扰完全为零吗？

MMSE的回答是：不。目标是让“估计值与真实值之差”的整体功率最小——注意这个差里既包含串扰也包含噪声。于是它对ZF的公式只做了一处修改，加上一个正则项：

$$\hat{s}_{MMSE} = (H^H H + \sigma^2 I)^{-1} H^H \, y$$

多出来的$\sigma^2 I$就是噪声功率那一项。它的作用用一句话讲：当信道矩阵趋于病态时，正则项拉住了求逆的手，不许噪声被无限放大。代价是串扰不再严格为零，留了一小部分“残余串扰”。

可以用调音台类比：ZF是把串扰推子拉到最低、但底噪推子被顶到最大；MMSE是接受一点点串扰漏音，换取整体听感最干净。在信噪比不高的现实无线环境里，MMSE几乎总是赢ZF；只有在极高信噪比时两者才趋同（因为$\sigma^2$项变得可忽略，MMSE退化成ZF）。

3.4 流派四：拆一层少一层——串行干扰消除（SIC）

前两个流派都是“一次性”线性求解。上世纪90年代末，贝尔实验室提出的BLAST系列结构给了一个巧思：既然一次性拆不开，那就像剥洋葱一样一层层来。以实验系统V-BLAST为代表的思路如下（据公开文献，贝尔实验室在90年代末用该架构在室内实验中做到了远超单天线的频谱效率）：

  1. 先从所有流里挑出当前信噪比最高的那条（它最“粗壮”，最不容易拆错）；
  2. 用线性检测（ZF或MMSE）把这条流解出来；
  3. 关键一步：把刚解出的这条流当作“已知信息”，从接收信号里把它造成的贡献整个减掉—— $$y' = y - h_1 \hat{s}_1$$
  4. 剩下的信号里少了一条流，问题从“2条流纠缠”降级成“1条流+噪声”，再解下一条。
flowchart TD
    A["接收混合信号y"] --> B["按信噪比排序<br/>挑最强的一条流"]
    B --> C["线性检测<br/>解出这条流"]
    C --> D["判决得到符号"]
    D --> E["从y中减去<br/>这条流的贡献"]
    E --> F{还有剩余流吗}
    F -->|有| B
    F -->|没有| G["全部流解出"]

这个过程叫Ordered SIC（排序串行干扰消除），“排序”二字是灵魂：必须从最强的流拆起。原因很直觉——第一条流的判决错误会被减法环节“传染”给后面所有流（这叫误差传播），所以必须让第一条的错判概率最小，而信噪比最高的那条流错判概率最小。

SIC的性能介于线性检测和ML之间，复杂度只随流数线性增长，是性能与复杂度之间的经典折中。它还有一个致命软肋：第一条流拆错，满盘皆输。

3.5 一张表总结四个流派

检测器 核心动作 误码性能 复杂度 主要缺陷
ML 最大似然 穷举所有组合找最近 最优（下界） 指数级，不可用 组合爆炸
ZF 迫零 伪逆一刀切，串扰清零 差（低信噪比下） 低 噪声被放大，病态信道下崩溃
MMSE 加正则项，留残余串扰 中等偏好 低 高信噪比下逼近ML但仍不及
SIC 串行消除 拆一层减一层，从强到弱 接近ML 线性增长 误差传播，第一刀必须准

工程上还有介于ML和线性法之间的球形译码（把穷举范围限制在一个球壳内，大幅省计算）等流派，思路同源，不展开。

四、天线一多，难事变易事

讲到这里，似乎MIMO检测是个“怎么都不完美”的将就活。但Massive MIMO的上行给了一个漂亮的反转。

考虑基站侧64根接收天线、同时接收8个用户的信号。这时的信道矩阵$H$是64×8的“高瘦”矩阵。发生了一件违反直觉的事：天线越多，检测反而越接近“傻办法”的最优效果。原因有二，都在大数定律的庇护之下：

其一，阵列增益抬高了第一条流的“强势”。64根天线上，同一个用户信号的能量可以做相干合并（能量按天线数平方级累积），而噪声不相干叠加（只按天线数线性累积）。每条有效流的信噪比都被天然抬得很高，检测的起点就远好于2×2时代。

其二，信道硬化让矩阵不再病态。8个用户到64根天线的8条信道向量，在维数充裕的空间里几乎必然相互正交——这是随机矩阵理论给出的结论：当接收天线数远大于流数时，$H^HH$趋近于对角阵。对角阵的求逆毫无难度，ZF检测的噪声放大问题自行消失。

也就是说，在2×2时代把ZF逼入绝境的“矩阵病态”，在大规模天线阵列下被概率论随手抹平了。多天线不改单个检测器的算法，它改变的是检测器面对的那个矩阵的“体质”。这也是为什么现网Massive MIMO的上行多用户接收，工程上普遍采用线性检测（ZF/MMSE及其IRC变体）就能工作得很好——大天线数替算法买了单。至于非线性ML类检测，在流数多、调制阶数高的场景，具体选择属于实现自由度，标准允许多种实现，具体算法以各厂家公开资料为准。

五、现网里它长什么样

5.1 你每天在用的两个场景

场景一：上行的多流与多用户分离。手机用2层或4层上行发射时，基带接收机要拆开这些层——用的就是上文MMSE或其变种。更常见的隐性场景是上行MU-MIMO：基站把信道足够“正交”的两个用户调度到相同的时频资源上，两个用户各自只发1~2层，基站靠接收检测器在空间维度把两人分开。注意方向性：下行的多用户分离靠发射端预编码，上行的多用户分离靠基站接收检测——用户终端只有1~4根天线，没有能力替别人做波束隔离，重担全在基站检测器肩上。

场景二：测试仪表里的“参考接收机”。你跑OTA测试或一致性测试时，仪表里内置的检测算法直接决定了测出来的吞吐。同一部手机在两台仪表上吞吐差一截，有时不是手机的问题，而是两台仪表的检测器流派不同。

5.2 调试陷阱：三个高发翻车点

陷阱一：信道估计误差在ZF下被毒刑放大。检测器吃的是$\hat{H}$（估计值）而不是真值$H$。估计误差本身不大，但经过求逆运算后被二次放大，尤其在矩阵病态时。现网症状：某几条流的BLER异常高于其他流，且集中在信道质量突变时刻（高速移动、波束切换后）。排查方向不是检测器本身，而是先看导频质量、信道估计的时域滤波窗长是否跟不上信道变化。

陷阱二：MU-MIMO配对翻车的表象是“两人同时掉”。配对的用户如果空间信道相关性高（比如两个用户在同一个方向、视距传播），检测器面对的等效矩阵病态，串扰拆不干净，两个用户同时掉速，而且互相甩锅——单看每个用户自己的CQI都“报得好好的”。这就是为什么配对算法要引入空间相关性判定：配对不是凑人头，是在为检测器挑一个好解的矩阵。

陷阱三：把流间干扰误诊为邻区干扰。SIC或MMSE没拆干净的残余流间串扰，在星座图上表现为围绕星座点的各向异性发散（朝特定方向拖尾，因为串扰来自另一条已知调制的流），而噪声和邻区干扰通常表现为各向同性的云团。看星座图时留意发散方向，能帮你把“自家流打架”和“邻居来捣乱”区分开——这两个问题的处方完全不同。

六、把整条逻辑链收拢

回顾全文的推理主线：

flowchart TD
    A["空间复用<br/>多流同频同时发"] --> B["空中叠加<br/>每根天线收到混合信号"]
    B --> C["接收机拿到y和信道估计"]
    C --> D["线性派：ZF一刀切<br/>串扰清零但噪声放大"]
    C --> E["线性派：MMSE<br/>留一点串扰换噪声安全"]
    C --> F["序贯派：SIC剥洋葱<br/>拆一层减一层"]
    C --> G["暴力派：ML穷举<br/>最优但不可实现"]
    D --> H["天线够多时<br/>矩阵体质变好"]
    E --> H
    F --> H
    H --> I["Massive MIMO上行<br/>线性检测就够用"]

一句话收束：空间复用的收益从来不是发射端单方面给的，它是“发射端制造纠缠、接收端解纠缠”这一对舞蹈的合奏。检测器谱系里每一次取舍——串扰与噪声、性能与复杂度、误差与传播——都在提醒我们：无线系统里没有免费的午餐，只有算得清的账。

常见问题

Q: MIMO检测和信道均衡是一回事吗？ A: 数学上高度同构——MMSE检测器和MMSE均衡器的公式长得几乎一样。但对付的敌人不同：均衡对付的是同一流内部的符号间串扰（时间维度的拖尾，多径引起），MIMO检测对付的是不同流之间的空间串扰（多天线并发引起）。现网宽带系统里两者是级联工作的，先空间检测拆流，再对每条流做均衡（实际实现顺序因架构而异）。

Q: 为什么不用性能最好的ML检测，反正芯片越来越快？ A: 因为复杂度随“流数×调制阶数”指数增长，而这两者在5G里一个涨到8~16层、一个涨到256QAM以上。1677万次乘加每符号的耗电，与基站“每比特能耗”的考核直接冲突。工程上只在“层数少且调制阶数低”的角落里才有ML类算法的生存空间，球形译码这类“受限ML”是折中方向。

Q: ZF噪声放大和功率倒置是一回事吗？ A: 不是。功率倒置说的是把阵列权值归一化后有用功率被压低的现象；ZF噪声放大说的是求逆矩阵的非线性“偏心”——它对病态方向上的分量不加甄别地狂乘放大系数。两者常同时出现容易被混淆，但机理一个在发射端权值设计、一个在接收端矩阵求逆。

Q: 上行MU-MIMO配对，检测器希望什么样的用户被配到一起？ A: 两个用户到基站阵列的信道向量接近正交的——通俗说就是从基站看去“位置隔得开、多径特征不一样”的用户。这样等效信道矩阵条件数好，检测器拆得干净，两人都能跑满速率。同一扇区里方向接近、视距直达的两个用户是最差配对。

Q: 病态矩阵有数值化的衡量指标吗？ A: 有，条件数——信道矩阵最大奇异值与最小奇异值之比。条件数接近1，ZF/MMSE都好使；条件数飙到几十上百，说明两条流的空间信道几乎重叠，再好的检测器也难为无米之炊，正确的动作是让调度器降层数或换配对，而不是死磕检测算法。

参考来源

  1. MIMO - Wikipedia — 空间复用信号模型与接收处理的总览词条
  2. Space–time code - Wikipedia — BLAST/V-BLAST分层结构与串行干扰消除的背景
  3. Zero forcing - Wikipedia — 迫零解法与噪声放大问题的词条描述
  4. D. Tse, P. Viswanath《Fundamentals of Wireless Communication》（Cambridge University Press）— MIMO容量、检测器谱系与误差传播分析的经典教材章节
  5. A. Goldsmith《Wireless Communications》（Cambridge University Press）— MIMO检测的MMSE/SIC推导与病态信道讨论

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。

51学通信知识星球海报-扫码加入

📎 本分类最新文章