【Deep Learning of Sparse Array Configurations】 —— 从理论到完整复现 第一章 理论根基与问题形式化

---

第一部分：理论根基与问题形式化

1.2 MaxSINR波束形成优化框架

1.2.1 信号-干扰加噪声比(SINR)的矩阵形式推导

阵列信号处理的核心目标在于通过空间滤波最大化期望信号功率同时抑制干扰与噪声。当阵列接收端存在 $K$ 个远场窄带信号源时，接收信号向量 $x(t) \in \mathbb{C}^{N \times 1}$ 可表征为期望信号、干扰分量与加性高斯白噪声的线性叠加。协方差矩阵 $R_{xx} = E[x(t)x^H(t)]$ 蕴含了空间谱的二阶统计特性，其特征分解揭示了信号子空间与噪声子空间的正交结构。波束形成器的性能度量通常采用信号-干扰加噪声比(SINR)，定义为期望信号输出功率与干扰加噪声功率之比，该比值直接决定了阵列的输出信干噪比与后续信号检测概率。

1.2.1.1 最优权重向量 $w_{opt}$ 的闭式解（MVDR/Capon波束形成器）

最小方差无失真响应(MVDR)波束形成器由Capon于1969年提出，其核心准则在于在保证对期望方向 $\theta_0$ 单位增益约束的前提下，最小化阵列输出功率。该约束优化问题可表述为：

$$\min_{w} \quad w^H R_{xx} w \quad s.t. \quad w^H a(\theta_0) = 1$$

其中 $a(\theta_0) \in \mathbb{C}^{N \times 1}$ 表示期望方向的阵列流形向量。通过拉格朗日乘子法构造代价函数 $L(w,\lambda) = w^H R_{xx} w + \lambda(1 - w^H a(\theta_0))$ ，对 $w$ 求梯度并令其为零，得到 $R_{xx}w = \