Structured Code-Domain Matrix Calibration for Shared-Chain Digital Beamforming Arrays

想象一下，你拥有一个由 32 根天线组成的超级智能无线电团队，但为了节省成本和空间，你只给了他们 4 个麦克风。对于只有这么少量的麦克风来说，这可真是太多的天线了！为了让这一切运转起来，这个团队使用了一个聪明的技巧：他们为每根天线分配了一个唯一的“秘密代码”（比如一种特定的节奏或模式）。所有的天线同时喊出它们的消息，混合成一个巨大的信号，进入那 4 个麦克风中。随后，计算机利用这些秘密代码来解开混乱，从而分别听到每根天线在说什么。这被称为共享链数字波束成形（Shared-Chain Digital Beamforming）。

但现实世界中存在着故障：现实情况并非完美无缺。麦克风具有微小的“记忆”（它们会多保留一瞬间的声音），时序也略有偏差，而且用于解开代码的滤波器并不完美。因此，当计算机试图聆听 1 号天线时，它会意外地听到来自 2 号、3 号和 4 号天线的微弱回声。这就像是在派对上试图倾听一位朋友的声音，但他们的声音不断地从另外三场对话中渗入你的耳朵。这种“渗漏”被称为码域泄漏（code-domain leakage）。

旧方案的问题

多年来，工程师们试图通过单独调整每根天线的音量和时序来解决这个问题。他们认为：“如果我把 2 号天线的音量调低，回声就会消失。”但本文指出，这种旧方法就像是通过仅仅粉刷天花板来试图修复漏水的屋顶。它忽略了问题的核心：信号的“混合”。作者们认为，仅仅修复增益（音量）和相位（时序）是不够的，因为通道之间的“渗漏”是一个复杂的、具有结构性的混乱过程，它取决于所使用的特定代码。

新的“泄漏指纹”方案

作者们提出了一种看待问题的新方式。他们不再仅仅关注每根天线的音量，而是将整个系统视为一个巨大的、略显混乱的调音台。他们意识到，“渗漏”并不是随机的；它根据所使用的代码遵循特定的模式。

他们开发了一种特殊的数学工具（一种正则化结构化估计器），其作用就像一名侦探。它不再靠猜测，而是通过观察一段短促的“校准”信号（一个已知的测试音）来绘制出一张精确的地图，展示每根天线是如何渗漏到其他天线中的。它创建了一个**“泄漏指纹（leakage fingerprint）”**。

可以这样理解：如果旧方法只是为每根天线调节一个单一的旋钮，那么这种新方法则绘制了一张连接每个麦克风的所有电线的详细地图。它准确知道哪些电线发生了交叉，以及有多少信号跳过了间隙。

模拟实验显示了什么

作者们并没有凭空猜测；他们运行了数千次计算机模拟来测试他们的想法。以下是他们的发现：

• 旧方法 vs. 新方法： 当他们将这种新方法与旧有的“仅针对音量”的修复方法进行比较时，新方法的误差降低了约 18 dB。这是一个巨大的差异——就像把收音机的静电声调低到如此程度，让你终于能清晰地听到音乐。
• 击败“通用型”修复： 他们还将这种方法与一种试图在不使用代码模式的情况下修复整个混乱的“暴力”方法进行了比较。他们的这种新方法仍然优于后者约 6 dB。这证明了利用特定的“秘密代码”模式来引导数学运算确实能带来实质性的差异。
• 接近完美： 在他们的模拟中，该方法恢复了几乎所有“理想化（oracle）”系统的性能。
  • 波束成形（寻找目标）： 在没有任何修复的情况下，系统很难找到目标。在使用他们的修复方法后，信号质量比旧方法提高了约 1.45 dB。
  • 噪声抑制（置零）： 系统在消除干扰噪声方面表现得更好，将“零点抑制（null suppression）”提升到了约 48 dB。
  • 精准定位方向： 预测信号方向的误差从没有修复时的约 0.68° 降至仅为 0.06°。这简直是极其精确！

一个额外的技巧：更换代码

论文还建议了一个有趣的额外步骤。如果系统检测到当前的“秘密代码”正在导致过多的泄漏（也许是因为硬件故障），它可以从库中换入一套不同的代码。关键在于，这不需要更改任何硬件或增加更多麦克风；它只是改变了数字节奏。模拟显示，选择“最健康”的代码集可以榨取额外的性能，就像是在音乐会上找一个更好的座位来听音乐一样。

核心结论

论文得出结论：对于这类紧凑型的代码共享无线电系统，你不能仅仅修复每根天线的音量。你必须理解并修复由代码本身引起的特定“串扰”。通过绘制这种“泄漏指纹”并利用它来清理信号，该系统可以表现得几乎像拥有为每根天线都配备了完美麦克风的系统一样，而与此同时，使用的硬件部件却要少得多。这是一种通过软件手段解决硬件局限性的聪明方案。