前言

一.复杂的电磁环境催生新技术

要理解空间谱测向的价值，得先回到它诞生的背景——上世纪中后期，随着雷达、通信技术的快速发展，电磁空间越来越“拥挤”：战场上的雷达信号、民用通信的无线电波、自然环境的电磁噪声交织在一起，传统测向方法渐渐“力不从心”。

相比其他测向技术，空间谱估计可以提升系统来波方位计算精度、分辨率和多信号分辨能力。空间谱估计算法早期也称为常规波束形成法，是傅里叶谱估计在空域的一种变换形式。

由于空域“傅里叶限（瑞利限）”的存在，波束形成法不具备同一波束内的信号分离能力，必须增大天线孔径来提高分辨精度，由于实际工程应用限制，单纯增大孔径的办法不符合实际。学者们对此进行了大量研究，进一步推动了空间谱估计技术发展。

当时主流的测向体制主要有4种，各有各的“短板”：

●比幅测向：相当于“听声音辨方向”，靠多个定向天线接收信号的强度差异判断来源。但分辨精度差，两个距离近的信号源会被当成一个，还容易受天气、地形影响。

●比相测向：通过测量信号到达相邻天线的“时间差”（体现为相位差）实现信号方向的测量，测向精度较高。缺点是只能处理同频单个信号，遇到同频率信号（比如同频多发射源）或者同频相干信号（比如信号经建筑物反射后的多径信号），测向结果可信度会急剧下降。

●时差定位：靠多个站点的时间同步来算信号到达时差，对同步精度要求极高，只能处理同频单个信号，对于同频多信号（同频同时）无法处理。

●多普勒测向：利用天线运动产生的频率变化反推方向，必须依赖天线移动，静态场景（比如固定雷达站）完全用不了，实时性也差。无法对同频多信号进行准确的测向。

当时的核心需求缺口很明确：能不能在复杂电磁环境中，同时精准分辨多个相近（频率和角度）的信号？能不能处理相干信号？能不能用小尺寸设备实现高精度测向？这些传统方法解决不了的“痛点”，直接推动了空间谱测向体制的诞生。

简单说，空间谱测向就是为了“突破传统瓶颈，实现更精准、更高效的信号定位”而出现的。

二.里程碑突破：一篇论文开启测向技术“新时代”

空间谱测向的理论突破，离不开一篇里程碑式的论文——1986年，美国科学家R.O.Schmidt在《IEEE Transactions on Antennas and Propagation》（天线与传播领域顶刊）上发表了《Multiple Emitter Location and Signal Parameter Estimation》（多辐射源定位与信号参数估计）。

这篇论文首次提出了MUSIC算法（多重信号分类算法），直接奠定了空间谱测向的理论基础。

它的核心创新点在当时是颠覆性的：不再像传统方法那样直接“对比信号强弱或时差”，而是通过数学方法把接收信号分解成“信号子空间”和“噪声子空间”，利用两个子空间的正交性构建“空间谱”，谱峰对应的位置就是信号的来向。

这篇论文第一次从理论上解决了“小角度间隔多目标分辨”“相干信号处理”的难题，让测向精度实现了质的飞跃。此后，基于子空间分解的各类空间谱测向算法（比如后续的ESPRIT算法）陆续涌现，形成了完整的技术体系。

三.最早的“实战选手”：军用电子侦察设备率先落地

最早的空间谱测向产品很快在军事领域落地——上世纪90年代，美国雷神公司研发的AN/ALR-69A(V)电子战告警系统，首次集成了空间谱测向模块，主要搭载在F-16、F/A-18等战斗机上。

图1 美军F-16战斗机

这款产品用6-8个小型天线组成阵列、能同时分辨3-5个频率相近的敌方信号，突破了传统设备的同频单目标限制。在空战中能快速捕捉敌方雷达、导弹制导系统的电磁信号，精准定位信号来源，为飞行员提供实时告警和干扰引导。

1.典型的空间谱测向系统组成

典型的空间谱测向系统由天线阵和测向接收机组成。其中，天线阵根据应用场景有多种形态，如圆阵、L阵、线阵等，阵元个数和孔径也有多种，常见的天线阵有9元圆阵、20元/40元圆阵等。测向接收机通道数也有多种，测向时效性高则通道数等于天线阵元数，小型化设计则通道数小于天线阵元数，如双通道9元圆阵测向系统。

图2 典型的空间谱测向系统组成

2.典型空间谱估计算法原理

MUSIC(Multiple Signal Classification）算法的核心是利用接收数据协方差矩阵的子空间分解，基于信号子空间与噪声子空间正交的特性，构建空间谱函数并通过谱峰搜索实现来波方向（DOA）估计。

推导过程基于以下基本假设：

(1)阵列包含M个阵元，M远大于信号源数K；

(2)入射信号为远场窄带信号，满足平面波假设；

(3)各信号源之间相互独立；

(4)噪声为加性高斯白噪声，各阵元噪声独立同分布，且与信号不相关。

【步骤1：阵列接收信号模型】

设空间有K个远场窄带信号s1(t),s2(t),…,sK(t)入射到M元阵列，第k个信号的来波方向为θk。

定义导向矢量a(θk)为：

其中，λ为信号波长，d为相邻阵元间距，j为虚数单位。

阵列的接收数据矢量X（t）可表示为：

S（t）是信号源矢量，公式如下:

n(t)噪声矢量，满足

为噪声功率，I为M阶单位矩阵）

【步骤2：接收数据协方差矩阵】

对接收数据矢量取统计平均，得到协方差矩阵Rx:

将接收模型代入并展开:

根据矩阵转置运算规则：

 推导如下：

信号和噪声不相关，因此ASn^H和nS^HA^H均为0，则：

其中R_S=E(SS^H),为信号协方差矩阵，因信号源独立，Rs 为正定矩阵。

【步骤3：协方差矩阵的特征值分解】

R_X是厄米特矩阵(R_X^H=R_X)，可进行正交特征值分解：

其中,

是特征值对角矩阵，满足λ₁≥λ₂≥...≥λ_M;

是特征向量矩阵，各特征向量正交。

 根据特征值大小，将特征向量矩阵和特征值矩阵分块：

(1)信号子空间：前K个大特征值λ₁∼λ_k，对应特征向量张成的空间,记为Us=[U₁,U₂,···U_K]，特征值满足λ_i>σ₂（由信号能量贡献）；

(2)噪声子空间：后M−K个小特征值λ_k+1∼λ_M对应特征向量张成的空间，记为Un=[U_k+1,U_k+2,···U_M],特征值满足λ_k+1=λ_k+1⋯=λ_M=σ²（由噪声能量贡献）。

因此，特征值分解可重写为：

其中,

【步骤4：核心正交性推导】

信号子空间U_S与噪声子空间Un正交，即：

同时，阵列流形矩阵A的列向量α(θk)属于信号子空间(因为AR_SA^H的秩为K,其列空间就是信号子空间),因此α(θk)可由U_S的列向量线性表示。

结合子空间正交性，可得关键结论：

 即信号导向矢量与噪声子空间正交。

【步骤5：MUSIC空间谱构建】

利用上述正交性，当扫描角度θ=θ_k（真实来波方向）时，

当θ≠θk时，该乘积不为零。因此，构建MUSIC空间谱函数：

【步骤6：DOA估计】

对角度范围[θmin,θmax]进行谱峰搜索，谱函数的峰值位置对应的角度即为信号的来波方向,θ1,θ2,...θk。

  从理论突破到军事实战，空间谱测向技术凭借其超分辨、多目标处理的核心优势，成功破解了复杂电磁环境下的信号定位难题。如今，这项技术正逐步从军事领域延伸至民用无线电监测、通信保障等多个场景。随着算法的持续优化与硬件的迭代升级，空间谱测向必将在更广阔的领域绽放光彩，为我们在拥挤的电磁空间中精准“导航”，守护通信安全与信息畅通。