相控阵波束形成仿真与实践

阵列发射端的波束形成（相控阵）研究与仿真实践

在5G毫米波通信、车载雷达和卫星链路日益普及的今天，如何让无线信号“精准投递”到目标方向，而不是向四周盲目扩散，已成为提升系统容量与抗干扰能力的核心课题。传统天线靠物理转动来对准用户，既慢又不可靠；而现代电子系统更倾向于一种“不动声色”的解决方案—— 相控阵波束形成 。

这种技术不需要机械旋转，仅通过调节多个天线单元之间的信号相位关系，就能实现波束在空间中的快速扫描。想象一下，一群人在操场上同时喊话，如果他们发声时间完全一致，声音会在正前方叠加增强；但如果后排的人稍微延迟一点出声，整个声波就会向前偏转——这正是相控阵的基本原理。

要设计这样一套系统，工程师往往需要在动手搭建硬件前，先进行充分的仿真验证。Python凭借其强大的科学计算生态，成为实现这一目标的理想工具。下面我们从最基础的物理模型出发，一步步构建一个可运行、可扩展的波束形成仿真框架，并深入探讨其中的关键设计权衡。

---

我们以最常见的 均匀线阵 （ULA）为例。假设有 $N$ 个相同的天线单元等间距排成一条直线，每个单元独立馈电。当这些单元同时发射同频信号时，远场某方向 $\theta$ 上的合成电场是所有单元贡献的矢量和：

$$
P(\theta) = \left| \sum_{n=0}^{N-1} w_n e^{j \frac{2\pi}{\lambda} n d \sin\theta } \right|
$$

其中 $w_n$ 是第 $n$ 个单元的复加权系数，包含幅度和相位信息；$d$ 是阵元间距；$\lambda$ 是工作波长。这个表达式被称为 阵列因子 （Array Factor），它描述了阵列的空间响应特性。

为了让主瓣指向特定角度 $\theta_0$，我们需要对各单元施加一个匹配的相位梯度，使得来自不同单元的信号在 $\theta_0$ 方向上同相叠加。这个理想的相位偏移为：

$$
\phi_n = \frac{2\pi}{\lambda} \cdot n d \sin(\theta_0)
$$

对应的复权重即构成所谓的 导向矢量 （Steering Vector）。在代码中可以这样实现：

import numpy as np

def steering_vector(N, d_lam, theta_0):
    """
    计算均匀线阵的导向矢量
    :param N: 阵元数量
    :param d_lam: 阵元间距 / 波长（通常为0.5）
    :param theta_0: 目标波束指向（弧度）
    :return: 导向矢量 (N x 1 complex array)
    """
    n = np.arange(N).reshape(-1, 1)
    phi = 2 * np.pi * d_lam * n * np.sin(theta_0)
    return np.exp(1j * phi)

这段代码看似简单，但背后隐藏着几个关键工程考量。比如，为什么 d_lam 推荐设为 0.5？因为一旦间距超过半波长，在某些扫描角度下会出现 栅瓣 （Grating Lobe）——也就是除了主瓣之外，在另一个方向也出现一个强度相当的虚假波束，相当于信号被“错误地”发往了别处。这在雷达中可能导致误检，在通信中则会浪费功率甚至干扰他人。

我们可以进一步将方向图完整计算出来：

def array_factor(N, d_lam, weights, theta_scan=np.linspace(-np.pi/2, np.pi/2, 1000)):
    """
    计算均匀线阵的方向图
    :param N: 阵元数
    :param d_lam: 单位波长的阵元间距
    :param weights: 加权向量 (N,)
    :param theta_scan: 扫描角度范围（弧度）
    :return: 角度数组, 方向图幅度 (linear scale)
    """
    AF = np.zeros(len(theta_scan), dtype=complex)
    for idx, theta in enumerate(theta_scan):
        phase = 2 * np.pi * d_lam * np.sin(theta) * np.arange(N)
        AF[idx] = np.sum(weights * np.exp(1j * phase))
    return theta_scan, np.abs(AF)

你会发现，即使不做任何幅度调整，仅用等幅相位加权，也能得到清晰的主瓣。但此时的旁瓣电平大约在 -13.5 dB 左右（矩形窗效应），这对于高动态场景来说太高了——强旁瓣可能接收到干扰信号或泄露能量给非目标用户。

于是我们引入 窗函数加权 ，通过对边缘阵元衰减激励幅度来压制旁瓣。常见的有汉明窗、汉宁窗、布莱克曼窗等。它们的本质都是在时域截断引起的频谱泄漏问题上的经典解法，只不过在这里被搬到了空间域。

from scipy.signal import windows

# 示例：生成不同窗函数加权
N = 16
win_uniform = np.ones(N)                    # 矩形窗
win_hamming = windows.hamming(N)           # 汉明窗
win_hann = windows.hann(N)                 # 汉宁窗
win_blackman = windows.blackman(N)         # 布莱克曼窗

使用窗函数的确能显著降低旁瓣，例如汉明窗可将第一旁瓣压至约 -41 dB，但代价也很明显：主瓣变宽、增益下降。这是一种典型的工程折衷——你不能既要窄波束又要低旁瓣还要高增益，必须根据应用场景取舍。

举个例子，在搜索模式下的雷达希望尽可能发现远处弱小目标，这时宜采用等幅加权以获得最大增益；而在跟踪阶段，周围可能存在强干扰源，则更适合用泰勒窗之类进行精细旁瓣控制。

下面是一段完整的端到端仿真代码，集成了上述所有模块：

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import windows

# ================= 参数配置 =================
N = 16              # 阵元数量
d_lam = 0.5         # 阵元间距 / 波长
theta_0_deg = 30    # 波束指向（度）
theta_0 = np.deg2rad(theta_0_deg)

# 角度扫描范围
theta_scan_deg = np.linspace(-90, 90, 1800)
theta_scan = np.deg2rad(theta_scan_deg)

# ================= 导向矢量（相位加权）=================
n = np.arange(N).reshape(-1, 1)
phi = 2 * np.pi * d_lam * n * np.sin(theta_0)
w_phase = np.exp(1j * phi).flatten()

# ================= 幅度加权（窗函数）=================
w_amp = windows.hamming(N)      # 可替换为 hann, blackman 等
weights = w_amp * w_phase

# ================= 计算方向图 =================
AF = np.zeros(len(theta_scan), dtype=complex)
for idx, theta in enumerate(theta_scan):
    phase_progression = 2 * np.pi * d_lam * np.sin(theta) * np.arange(N)
    AF[idx] = np.sum(weights * np.exp(1j * phase_progression))

# 归一化并转为 dB
AF_norm = np.abs(AF) / np.max(np.abs(AF))
AF_dB = 20 * np.log10(AF_norm + 1e-12)  # 加小量防 log(0)

# ================= 可视化 =================
plt.figure(figsize=(12, 6))

# 直角坐标图
plt.subplot(1, 2, 1)
plt.plot(theta_scan_deg, AF_dB, 'b-', linewidth=1.5)
plt.ylim([-40, 1])
plt.grid(True, which='both', linestyle='--', alpha=0.6)
plt.xlabel('Angle (degrees)')
plt.ylabel('Normalized Gain (dB)')
plt.title(f'Array Factor (N={N}, d/λ={d_lam}, θ₀={theta_0_deg}°)\nwith Hamming Tapering')
plt.axvline(x=theta_0_deg, color='r', linestyle='--', label=f'Steering Angle {theta_0_deg}°')
plt.legend()

# 极坐标图
plt.subplot(1, 2, 2, projection='polar')
AF_dB_plot = np.maximum(AF_dB, -40)  # 截断显示范围
lines = plt.plot(theta_scan, AF_dB_plot, 'b-', linewidth=1.2)
plt.title("Polar Plot of Radiation Pattern", va='bottom')
plt.ylim([-40, 1])

plt.tight_layout()
plt.show()

这段代码输出两张图：左侧直角坐标便于读取精确的角度和增益值，右侧极坐标提供直观的空间覆盖感知。你可以轻松修改参数测试不同情况的影响，比如把阵元数改为8或32，观察波束宽度的变化趋势——理论预测半功率波束宽度约为 $\frac{2\lambda}{Nd}$ 弧度，在小角度近似下成立。

实际项目中还需要注意一些细节：
- 使用 np.complex128 而非默认浮点类型，避免长阵列相位累积误差；
- 角度步进建议小于 0.1°，否则可能漏掉主瓣峰值；
- 若用于教学演示，可封装成函数接口，支持一键切换窗函数类型；
- 后续可扩展至二维平面阵，实现方位-俯仰联合扫描。

更重要的是，这类仿真不应止步于理想模型。真实环境中存在互耦效应、通道幅相不一致性、温度漂移等问题，都会导致实测方向图偏离仿真结果。因此，高级仿真往往会引入校准矩阵、误差建模甚至机器学习补偿算法。

但从工程节奏来看，“先理想后修正”仍是主流路径。一个准确的基础模型不仅能指导初始布阵设计，还能作为性能上限的参考基准。当你看到实测数据终于逼近仿真曲线那一刻，那种成就感，大概只有亲手调过波束的人才懂。

---

掌握波束形成的仿真方法，本质上是在培养一种 空间信号操控的直觉 。无论是设计一款毫米波路由器，还是开发下一代智能驾驶雷达，理解如何用数学“雕刻”电磁波的空间分布，都是不可或缺的能力。而这一切，可以从一段短短几十行的Python代码开始。