2.7 DOA估计性能评价指标与算法实验分析

2.7 DOA 估计性能评价指标与算法实验分析

走到这里，第二章的算法工具箱已经相当丰富：CBF、Capon/MVDR、MUSIC、Root-MUSIC、TLS-ESPRIT，以及处理相干信号的空间平滑变体。每一节都在讲一个算法"自己能做什么"，但读者心里可能已经有了一个自然的问题：放在同一个场景下比较，它们之间的差距到底有多大？什么条件下该选哪个？

这正是本节要回答的问题。我们先把"好坏"的度量标准说清楚，再通过三组系统仿真实验把五种算法的性能全貌展示出来，最后整理出一份可以直接用于工程选型的参考指南。

完整的实验代码已集成至 sources/codes/ch2_algorithm_comparison.py，正文中只呈现关键设置和结果分析，有意深入的读者可直接运行该脚本并调整参数探索。

2.7.1 评价指标体系

在开始比较之前，必须先把"用什么尺子量"说清楚。本节使用三个互补的指标，分别考察精度、分辨率和计算代价三个维度。

均方根误差（RMSE） 是精度的核心度量。对 $N_{\text{trial}}$ 次蒙特卡洛实验，RMSE 定义为：

\text{RMSE} = \sqrt{\frac{1}{N_{\text{trial}} \cdot K} \sum_{t=1}^{N_{\text{trial}}} \sum_{k=1}^{K} \left(\hat{\theta}_k^{(t)} - \theta_k\right)^2}

RMSE 越小精度越高。将其与 CRB 对比，可以判断算法距离理论最优有多远。若某次实验算法完全失效（找不到正确峰值），该次产生的异常大误差会拉高 RMSE，因此高失效率往往伴随着 RMSE 的非正常跳升——这正是"阈值效应"在曲线上的体现。

成功分辨概率（ $P_\text{res}$ ） 是分辨率的直接度量。定义：若一次试验中算法给出的 $K$ 个 DOA 估计值，每个与对应真实方向的误差均不超过 $\Delta\theta/2$ （ $\Delta\theta$ 为两信源角度间隔），则判定该次"成功分辨"。 $P_\text{res}$ 是成功次数占总试验次数的比例。

计算复杂度 是工程适用性的指标。各算法主要步骤的复杂度对比如下（ $I$ 为谱搜索网格点数， $M$ 为阵元数， $K$ 为信源数）：

算法	协方差估计	矩阵求逆/特征分解	谱搜索/求解	总复杂度
CBF	$O(M^2 N)$	—	$O(MI)$	$O(M^2N + MI)$
Capon	$O(M^2 N)$	$O(M^3)$	$O(M^2 I)$	$O(M^2N + M^3 + M^2I)$
MUSIC	$O(M^2 N)$	$O(M^3)$	$O(MI)$	$O(M^2N + M^3 + MI)$
Root-MUSIC	$O(M^2 N)$	$O(M^3)$	$O(M^2)$	$O(M^2N + M^3)$
TLS-ESPRIT	$O(M^2 N)$	$O(M^3)$	$O(K^3)$	$O(M^2N + M^3 + K^3)$

Root-MUSIC 和 ESPRIT 不需要密集的谱搜索，在 $I$ 较大时具有明显的计算优势。Capon 的谱搜索复杂度高于 MUSIC（ $O(M^2 I)$ vs $O(MI)$ ），因为每个角度都需要完整的矩阵-向量乘法 $\mathbf{a}^H\hat{\mathbf{R}}^{-1}\mathbf{a}$ ，而预先计算 $\hat{\mathbf{R}}^{-1}$ 可以将其降为 $O(MI)$ ，与 MUSIC 相当。

2.7.2 实验一：RMSE vs SNR——精度与阈值效应

实验设置：8 阵元 ULA， $d = 0.5\lambda$ ，两个独立信源 $\boldsymbol{\theta} = [20°, 40°]$ ，快拍数 $N = 200$ ，SNR 从 $-10$ dB 扫描至 $20$ dB，每个 SNR 点做 500 次蒙特卡洛。参与比较的算法：CBF、Capon（对角加载 $\varepsilon = 0.01$ ）、MUSIC、Root-MUSIC、TLS-ESPRIT，以及 CRB 参考线。

运行 ch2_algorithm_comparison.py --exp 1 可复现完整结果。典型曲线呈现出以下清晰规律。

高 SNR 区间（ $\gtrsim 5$ dB）：MUSIC、Root-MUSIC、TLS-ESPRIT 三条曲线几乎重合，并非常接近 CRB，验证了子空间方法的渐近有效性。Root-MUSIC 通常比标准 MUSIC 略低（消除了离散化误差）。Capon 在此区间比子空间方法高约半个数量级至一个数量级，反映出其分辨率的先天局限——Capon 的精度上限受孔径约束，无法无限逼近 CRB。CBF 与子空间方法之间存在最大的差距，且差距随 SNR 增加而扩大，这是两类方法本质不同的直观呈现。

中等 SNR 区间（ $0$ dB 附近）：子空间方法开始显现出"阈值效应"的前兆——RMSE 曲线的斜率开始偏离 CRB 的理想斜率，偶发失败案例增加。Capon 在此区间反而展现出比子空间方法更稳定的表现，RMSE 曲线更平滑，失效率低。这是 Capon 的相对优势区间。

低 SNR 区间（ $\lesssim -5$ dB）：子空间方法相继触发阈值效应，RMSE 急剧跳升，甚至高于 CBF 和 Capon——因为子空间划分的错误比任何旁瓣污染都更具破坏性。CBF 的 RMSE 在低 SNR 下虽然大，但曲线平滑，没有突变，体现了最好的"优雅降级"能力。Capon 的阈值略高于 CBF，但也低于子空间方法，处于中间水平。

工程含义：子空间方法在中高 SNR 下精度远优，但有明确的 SNR 工作下限；Capon 是一个"性能—鲁棒性"的合理折中，适合在 SNR 可能波动且对极限精度要求不苛刻的场合；CBF 是最稳健的兜底方案，适合作为最低 SNR 场景的保障算法。

2.7.3 实验二：RMSE vs 快拍数——数据效率

实验设置：与实验一相同，但固定 SNR = 5 dB，快拍数 $N$ 在 $[20, 2000]$ 对数均匀取 18 个点，每点 500 次蒙特卡洛。

典型规律如下。

快拍数 $N < M = 8$ 时，样本协方差矩阵秩不足，子空间方法几乎完全失效，RMSE 极大；Capon 因为矩阵求逆也不稳定（对角加载在此起到保护作用）；CBF 受影响最小，依然能给出粗糙但有效的估计。

$N$ 在 $[M, 3M]$ 区间内，子空间方法性能快速改善，Capon 逐渐稳定；各曲线之间的相对顺序与实验一高 SNR 段一致。

$N \geq 5M$ 之后，所有子空间方法 RMSE 开始平行地沿 CRB 下降，斜率约为 $-1/2$ （双对数坐标）。有趣的是，Capon 的斜率也接近 $-1/2$ ，但始终维持高于 CRB 的固定偏移量——这个偏移正对应 Capon 的"分辨率天花板"带来的偏差项，快拍数再多也无法消除。

工程含义：在快拍数受限（如脉冲雷达单次照射数据少）的场景下，优先保证 $N \geq 3M$ ，否则子空间方法不可靠；若快拍数可以主动设计，增加快拍数对子空间方法的改善比对 CBF/Capon 更显著，性价比更高。

2.7.4 实验三：分辨率概率 vs 角度间隔——超分辨率的直观体现

这一组实验是最能直观彰显"超分辨率"含义的。

实验设置：8 阵元 ULA，SNR = 10 dB， $N = 200$ ，两信源均值方向固定在 $30°$ ，角度间隔 $\Delta\theta$ 从 $2°$ 扫描至 $20°$ ，每点 500 次蒙特卡洛，统计成功分辨概率。

典型结果呈现三条清晰的台阶：CBF 的 $P_\text{res}$ 在 $\Delta\theta \approx 14°$ （8 阵元 ULA 的瑞利分辨率）以上才接近 1，在此以下迅速跌至 0。Capon 的过渡区间在 $7°$ — $10°$ 之间，印证了其分辨率约为 CBF 的 2 倍的理论结论。MUSIC、Root-MUSIC、TLS-ESPRIT 在 $\Delta\theta \geq 4°$ — $5°$ 时 $P_\text{res}$ 即可稳定在 0.9 以上，展现出约为 CBF 3 倍的分辨力提升，真正体现了"超分辨率"的实质。Root-MUSIC 在极小角度间隔（ $2°$ — $4°$ ）时略优于标准 MUSIC，ESPRIT 与 Root-MUSIC 性能相当。

在图上，瑞利分辨率 $\approx 14°$ 是一条清晰的分界线：CBF 在这条线右侧才有效，Capon 在约一半处开始生效，而子空间方法远在这条线以内就已经能稳健地分辨两个信源。

2.7.5 五种算法横向对比总结

将三组实验的结论整合为一张参考表：

性能维度	CBF	Capon/MVDR	MUSIC	Root-MUSIC	TLS-ESPRIT
高 SNR 精度	差（受傅里叶限制）	中等	接近 CRB	接近 CRB	接近 CRB
低 SNR 鲁棒性	最强（无阈值崩溃）	较强	有阈值效应	有阈值效应	有阈值效应
分辨率	$\approx 14°$ （瑞利限制）	$\approx 7°$ （约 2 倍）	$\approx 4°$ （超分辨率）	$\approx 4°$ （略优）	$\approx 4°$
谱的物理意义	真实输出功率	近似信源功率	无（仅定位）	无（仅定位）	无（仅定位）
抗强干扰能力	差（旁瓣泄漏）	强（自适应置零）	取决于 SNR	取决于 SNR	取决于 SNR
快拍不足时	最稳健	需对角加载	$N \geq 3M$	$N \geq 3M$	$N \geq 3M$
对相干信号	性能下降	性能下降	完全失效	完全失效	完全失效
配合空间平滑	不适用	不适用	SS-MUSIC ✓	SS-Root ✓	SS-ESPRIT ✓
需要谱搜索	需要	需要	需要	不需要	不需要
阵型要求	任意阵	任意阵	任意阵	仅 ULA	需移不变结构
计算量	最低	中（需矩阵逆）	中	中	低

2.7.6 工程选型决策指南

这张表没有绝对意义上的"最优"，只有在特定约束下的最优选择。几个常见工程场景：

追求极限精度，条件理想（高 SNR、充足快拍、信源独立）：Root-MUSIC 或 TLS-ESPRIT，精度相当，ESPRIT 计算更快。

需要实时处理、延迟敏感：TLS-ESPRIT 无需谱搜索，延迟最低，适合雷达实时跟踪。

存在强干扰、但信源分离较开：Capon 的自适应置零能力在此场景有独特优势，尤其当信源数较少、角度间隔大于 Capon 分辨率时。

存在多径/相干信号：子空间方法需先做 FBSS 预处理，再接 MUSIC 或 ESPRIT。Capon 对相干信号的处理比子空间方法稍好（不会完全失效，但仍有偏差），可作为相干场景的辅助验证。

阵型非 ULA：只能使用 CBF、Capon 或标准谱搜索 MUSIC，Root-MUSIC 和 ESPRIT 不适用。

低 SNR 或极少快拍的极端场景：子空间方法均可能触发阈值，CBF 或 Capon（配合对角加载）作为备份更可靠。两者可并行运行，以 CBF/Capon 作为粗估计引导子空间方法做精化。

2.7.7 第二章小结

至此，第二章完整收官。回顾一下这一章走过的七节路：

从特征值分解引出信号子空间与噪声子空间（2.1 节），学会了用 MDL 准则自动估计信源数（2.2 节），系统掌握了 MUSIC 谱搜索与 Root-MUSIC 多项式变体（2.3 节），理解了 ESPRIT 基于旋转不变性的代数求解（2.4 节），在相干信号问题上用空间平滑找到了解法（2.5 节），然后补充了 Capon/MVDR 这一重要的自适应波束形成方法（2.6 节），最后在本节通过系统实验把五种算法的性能全貌展现出来，建立了工程选型的判断框架（2.7 节）。

这些经典方法诞生于 1969—1989 年间，历经半个多世纪依然是 DOA 估计领域不可绕过的基准。它们的价值不仅在于实用，更在于提供了一套清晰的物理直觉和数学框架——子空间正交性、旋转不变性、约束优化——这些思想在第三章的深度学习方法中依然以不同形式回响，是理解数据驱动方法优劣的重要参照。

带着这套经典算法的完整认识，我们继续前行，进入第三章。

📦 本章代码与动手实践

本章所有算法实现与对比实验已集成至：

sources/codes/ch2_algorithm_comparison.py

该脚本在前一版本的基础上新增了 Capon/MVDR 算法（含对角加载），并将其纳入三组对比实验。运行方式不变：

python ch2_algorithm_comparison.py          # 运行全部实验
python ch2_algorithm_comparison.py --exp 1  # 实验一：RMSE vs SNR
python ch2_algorithm_comparison.py --exp 2  # 实验二：RMSE vs 快拍数
python ch2_algorithm_comparison.py --exp 3  # 实验三：分辨率概率
python ch2_algorithm_comparison.py --exp 4  # 演示：空间平滑处理相干信号
python ch2_algorithm_comparison.py --exp 5  # 演示：Capon 三方法空间谱对比

建议完成以下三道动手任务，将本章核心结论从"读懂"变为"验证过的"：

任务 A：运行实验一，找到 Capon 和 MUSIC 的 RMSE 曲线的"交叉点"——在哪个 SNR 附近两者精度相当？这个交叉点以下和以上，工程上各应选哪个算法？

任务 B：运行实验三，将阵元数从 8 改为 4，观察所有方法分辨率曲线的整体右移——孔径减半对 CBF、Capon、MUSIC 三者的分辨率影响是否等比例？

任务 C：在实验一的基础上，将 Capon 的对角加载量 $\varepsilon$ 从 0.01 改为 0.5，观察 Capon 的 RMSE 曲线如何变化——过大的加载量使 Capon 谱向哪个方向退化？这与 2.6 节的理论分析是否吻合？