企业官网建设流程全解析

我把这套仿真做完之后，最大的感受是：波束成形从来不是只为了让信号打得远，更关键的是知道往哪儿不打。5G毫米波大规模MIMO和车载/防空雷达在频谱上挤在一起，光靠频段规划已经兜不住了，空间维度才是真正能腾挪的地方。这篇文章就围绕我跑通的“5G波束成形与雷达共存”仿真项目（Matlab源码版），把从问题根源、原理拆解到建模仿真、结果分析的完整链路展开，适合正在做通信感知共存、通感一体化或者波束成形算法验证的朋友参考。

1. 频谱拥挤的必然性：5G毫米波与雷达的“撞脸”问题

1.1 为什么5G和雷达会撞在一起

先明确一个事实：毫米波频段的通信和雷达，本质上是同一类电磁频谱的两种用法。5G NR的n257（26.5-29.5GHz）、n258（24.25-27.5GHz）覆盖的区间，和24GHz短距雷达、乃至一些气象/航空雷达的工作频段存在邻频甚至同频重叠。而77GHz车载雷达虽然不是5G主频段，但5G基站和终端的高次谐波、带外杂散发射，一样可以落入雷达接收机的通带内。

这就导致了一个很现实的场景：城市路口一辆智能化汽车开启了77GHz毫米波雷达，旁边5G基站正在用波束扫描为用户提供服务。雷达想看到的是一个微弱的目标反射回波——这个回波的功率随距离四次方衰减，可能只有皮瓦量级。而5G基站发射信号的功率在几瓦到几十瓦，车载雷达接收机前端哪怕只是收到一点点泄漏进来的通信信号，也可能直接把雷达的目标检测链路干到饱和。

反过来，雷达发射的线性调频大功率脉冲，对于正开着波束接收数据的5G终端来说，同样是一个宽带干扰源。高频段本来就存在传播损耗大、覆盖半径小的问题，这时候再叠加雷达脉冲的干扰，误码率会显著上升。

1.2 真正要处理的干扰链路有哪些

做共存仿真之前，我先把干扰链路梳理清楚了。不能用“互相干扰”这种模糊说法，建模的时候每一对收发关系都要明确。

其中链路A和链路C是仿真里最核心的两条：基站对雷达的干扰会直接影响雷达的目标检测概率，而雷达脉冲对基站的干扰则直接影响5G链路的吞吐。

我刚开始做这个项目的时候，经常把注意力全放在“基站怎么在雷达方向打零陷”上，后来发现链路C才是更隐蔽的问题——雷达对通信接收机的干扰如果不在时域/频域上想办法，单单靠波束零陷是压不掉的，因为干扰源是雷达，你没法控制雷达把波束往哪里指。

1.3 为什么老办法不够用

传统上频谱共存靠三种手段：静态频段划分、频谱感知避让、功率控制。但放在5G毫米波+雷达场景里，各有短板。

静态划分的问题在于毫米波频谱实在太稀缺了，划分给通信和雷达的频段相邻太近，实际滤波器做不到陡峭的邻频抑制；频谱感知避让（类似WiFi里的Listen Before Talk）的问题是雷达要求“随时发射、安全第一”，不可能每次都等你感知完再发；而功率控制虽然能压制干扰，但会牺牲通信覆盖和雷达探测距离，一刀切把功率压下来，两个系统的性能都会受损。

所以最后的共识是：要到空间维度去要共存增益——这正是波束成形出场的地方。

2. 波束成形为什么是共存的关键钥匙

2.1 从“手电筒”到“聚光灯”

理解波束成形，最简单的类比就是手电筒和聚光灯的差别。全向天线相当于裸灯泡，光均匀散开；定向天线像手电筒，有个固定的方向；而阵列波束成形像舞台聚光灯，不仅能把光束打得更集中，还能通过调节相位让光束在零点几毫秒内指向任何地方。

在5G毫米波里，天线阵列通常有几十上百个阵元，因为波长只有10毫米左右，在巴掌大的面板上就能排开8×8甚至16×16的均匀平面阵（UPA）。每个阵元发射信号的相位可以独立控制，电磁波在空间中相干叠加，在某些方向增强，在某些方向抵消。

这个过程用公式表达就是：假设第 n 个阵元的加权系数是 wn（复权重），远场某方向 θ 处的叠加电场就是各阵元信号按导向矢量加权求和的结果。我们想增强的方向，就让所有阵元到达那里的信号同相叠加；想抑制的方向，就让它们的相位错开、彼此抵消。

2.2 数字波束成形与模拟波束成形：精度和成本的权衡

仿真里要区分两种波束架构。

数字波束成形是每个阵元都有独立的ADC/DAC和射频链路，权重可以在基带任意调节，灵活度和精度最高。但毫米波频段阵元数量大，数字架构的功耗和硬件成本让大多数商用设备吃不消，所以实际5G毫米波基站更多用混合波束成形：把阵元先分成若干子阵，子阵内部用模拟移相器做粗指向，子阵之间再用数字域精调。

在Matlab的Phased Array Toolbox里，这两者都支持，但要注意：模拟移相器一般只能控制相位、不能控制幅度，如果你用LCMV这种需要幅度和相位同时调整的算法，就要把“每根移相器的量化精度”和“是否可控幅度”两个参数建模进去。我在仿真初期图省事忽略了移相器量化，结果零陷深度从理想的-40dB变成了实际只有-28dB，后面才补上。

2.3 在干扰方向压制：零陷波束成形的原理

波束成形的经典目标是“期望方向增益最大”，但共存场景的目标更硬核：期望方向保持增益的前提下，在雷达接收机所在方向挖一个尽可能深的“零陷”。

这就要用到约束优化类算法，常见的是LCMV（线性约束最小方差）。它的思路是：在满足若干方向性约束（比如期望方向的响应为1，干扰方向的响应为0）的条件下，最小化本阵列输出功率。数学上写成优化问题，解出来的一组权重w，就是既能保留有用信号、又能压制特定方向干扰的“最优加权”。

LCMV的约束方程里，我们通常构造一个约束矩阵C，每一列是某个方向上的导向矢量，对应的约束响应向量g里，期望方向写1，干扰方向写0。解算的核心是把接收信号的协方差矩阵Rxx求出来，然后套公式计算权重。如果阵元数多、快照数少，Rxx可能接近奇异，所以必须加对角加载。

实现出来的辐射方向图会在雷达方向形成一个深的凹陷，凹陷深度取决于阵元数量、阵列孔径、以及信噪比。阵元数越多，零点越深越窄；孔径越大，主瓣越窄，空间分辨能力越强。

3. Matlab仿真场景搭建：从系统参数到共存模型

3.1 仿真工具链怎么选

仿真主体用的是Phased Array System Toolbox，辅以5G Toolbox和Communications Toolbox。Phased Array负责天线阵列、导向矢量、波束成形权重、雷达波形和目标回波；5G Toolbox主要用于OFDM调制、信道编码以及误码率统计；Communications Toolbox在需要加AWGN、信道衰落的时候用到。

如果没有5G Toolbox，也可以用Communications Toolbox里的通用OFDM模块替代，数据调制、循环前缀、加窗这些功能都有，不影响共存结论的验证。我在最初版本就是用通用OFDM搭出来的5G发射机，效果和后来换了5G Toolbox基本一致——共存仿真里空间干扰关系占主导，物理层细节反而在次要位置。

3.2 仿真参数设计

参数设计是整个项目里最需要花心思的地方，因为通信和雷达的系统参数必须互相“对得上”：频率要落在同一个管控场景里，天线阵列的物理尺寸要合理，时域波形要能区分。

我用的核心参数如下：

频率选28GHz而不是77GHz，主要因为28GHz是5G部署最活跃的毫米波频段，同时这个频段附近的雷达兼容性问题在学术圈讨论最多。如果换成24GHz场景，LFM带宽就要相应调整，结论大体一致。

3.3 通信发射机和雷达发射机的信源模型

信号层面，通信发射机产生OFDM帧结构：子载波间隔60kHz，一个时隙0.25ms，每个时隙包含14个OFDM符号，循环前缀按常规模式设置。数据经过QAM符号映射、IFFT、添加CP之后，再乘以波束成形权重矩阵wh。

雷达发射机产生LFM脉冲：瞬时频率从 fc-250MHz 扫到 fc+250MHz，脉宽1μs。这个波形被反射回来的时候经过目标延迟和多普勒调制，雷达接收端做匹配滤波，可以把回波脉冲压缩出来。目标回波的功率用雷达方程计算，但这个方程必须计入通信基站到雷达接收机的干扰功率，否则就漏掉了共存的本质。

3.4 仿真主流程骨架

整个仿真的主流程可以拆成五个模块：初始化参数→构建阵列与信道→生成通信和雷达发射信号→执行波束成形共存策略→采集接收信号并评估指标。

下面是主流程代码的核心结构，我在关键节点做了注释：

%% 系统初始化 fc = 28e9; c = physconst('LightSpeed'); lambda = c / fc; Nsamp = 1024; % 仿真快照数 %% 构建通信基站阵列 bsArray = phased.UPA('Size', [8 8], 'ElementSpacing', [lambda/2 lambda/2]); %% 构建雷达阵列 radarArray = phased.UPA('Size', [4 4], 'ElementSpacing', [lambda/2 lambda/2]); %% 方向参数 bs_pos = [0; 0; 10]; % 基站位置 radar_pos = [50; 0; 0]; % 雷达位置 target_pos = [35; 20; 0]; % 目标位置 [~, ang_desired] = rangeangle(radar_pos, bs_pos); % 通信期望方向 [~, ang_interf] = rangeangle(target_pos, bs_pos); % 雷达接收机相对BS的方向 %% 波束成形权重（LCMV零陷） steervec = phased.SteeringVector('SensorArray', bsArray, ... 'PropagationSpeed', c); ad = steervec(fc, ang_desired); % 期望方向导向矢量 ai = steervec(fc, ang_interf); % 干扰方向导向矢量 A = [ad ai]; g = [1; 1e-6]; % 期望响应，干扰方向压到接近0 % 接收协方差矩阵（含对角加载防止奇异） Rxx = commSignal * commSignal' / Nsamp + 1e-6 * eye(64); w_lcmv = (Rxx \ A) / (A' * (Rxx \ A)) * g; w_lcmv = w_lcmv / norm(w_lcmv); %% 模拟雷达接收信号 radarRx = collectPlaneWave(radarArray, targetEcho, [ang_target; 0]) + ... collectPlaneWave(radarArray, bsInterf, [ang_bs; -10]); %% 评估指标 sinr_comm = computeSINR(w_lcmv, commSignal, radarInterf); pd_radar = computeDetectionProb(radarRx);

这套流程跑通之后，改变任何一边的参数，另一边的性能指标都会跟着变化，非常适合做参数扫描实验。

4. 共存算法的实现思路：从零陷波束到动态协作

4.1 方案一：通信基站波束在雷达方向打零陷

这是最直接的空间共存思路：通信基站正常给用户终端发数据，但是把用户终端所在方向设为波束主瓣方向，把雷达接收机所在方向设为约束零陷。这样雷达接收机收到的通信干扰功率被直接压低20-40dB，雷达的目标检测不再被淹没。

实现上，LCMV已经给出了权重。但要注意一个细节：零陷是有“角度宽度”的。雷达如果位置不确定，比如它是移动的汽车雷达，就必须在雷达可能出现的整个角度范围内布置多个零陷约束，或者加宽零陷（derivative constraint）。我在实验里设置了一个移动雷达场景，雷达从相对的-30°移动到+30°，固定单点零陷只能保证一小段时间有效，换用“加宽零陷+周期性重算权重”之后，整个移动过程中的雷达探测概率才稳定下来。

这个方案的代价是：零陷约束会占用波束成形的部分自由度，导致通信方向的最大增益下降。我的仿真数据里，8×8阵列打一个-40dB零陷，通信主瓣增益大概掉了1.0-1.5dB，造成SNR小幅下降，但误码率仍然在可接受范围。这个代价换来的雷达性能提升，在绝大多数场景下是划算的。

4.2 方案二：雷达脉冲间间歇与通信时隙对齐

空间方案解决不了雷达强脉冲直接打坏通信接收机的问题。因为这是雷达的发射行为，通信基站只能被动接收，没有“给雷达打零陷”的可能性。这时候就要引入时分维度：雷达在每个脉冲重复间隔（PRI）里，只在很短的时段发射脉冲，其余时间保持静默。通信接收机如果能知道雷达脉冲发射的时间窗口，就可以在窗口内暂停接收或切除受干扰的符号。

在仿真中，我让通信系统按时隙调度，雷达PRF和通信时隙之间有个小的同步偏差，然后在接收端做了一个简单的干扰规避模块：当检测到雷达脉冲到达时，把这个OFDM符号段标记为erasures，利用信道编码的纠删能力恢复数据。最终64QAM下的误码率从无法工作恢复到接近正常水平。

这里的核心问题是精确的时域同步：雷达和通信系统通常完全异步，互不知晓对方的时钟。我的做法是在通信接收端加了一个能量检测器，雷达脉冲功率高，检测到瞬时能量突增就触发符号置零。仿真里检测门限设为噪声功率的40倍，误检率和漏检率都在可控范围。

4.3 方案三：空间-时域联合优化

把前两个方案联合起来，就是“在空间上让通信信号别干扰雷达，在时间上让雷达脉冲别打坏通信”，这个联合策略能同时把链路A和链路C压下去。

联合优化的仿真里，我设计了一个简单的联合调度器：开始时基站先探测雷达的角度方位（雷达可以广播自己的位置，或者基站通过接收雷达旁瓣信号进行测向），然后计算LCMV零陷权重；与此同时，雷达在自己的PRI帧结构里预留一个保护间隔，通信在这个间隔里可以无干扰传输控制信令。两个系统在仿真中各自维护一个状态机，通过一个共用的控制信道同步参数。

这套方案的效果最显著，但实现复杂度也最高。它更接近学术论文里的“通感一体化”雏形——两个系统从完全对抗变成协作，频谱效率大幅提升。当然我也得提醒：目前这种联合调度在工程上要求两个系统有深度集成和统一协议，短期内未必能落地，但它代表了共存研究的方向。

4.4 单靠一种方案其实压不住所有场景

三个方案都跑通之后，我做了一个对比实验：固定所有条件，只让干扰角度从0°变到60°。结果发现：

• 纯零陷方案在干扰角度落在主瓣附近时效果急剧恶化，因为零陷约束和主瓣增益严重冲突；
• 纯时分方案在雷达PRF很高、占空比很大的场景下，通信静默时间太长，吞吐量雪崩；
• 联合方案在绝大多数角度区间都保持稳定，但前提是同步误差不超过微秒级。

这说明共存问题没有万能解，需要根据场景动态选择策略。比如雷达占空比高的时候，优先保证空间隔离；雷达角度和目标角度很近的时候，优先保证时间隔离。我在实际仿真里做了一个简单的策略切换逻辑：实时计算当前空间隔离增益，低于阈值就自动增加时域静默比例，这样整体性能是最稳的。

5. 仿真结果解读与性能指标

5.1 结果评估不能只看一个指标

做共存仿真最忌讳的事情就是只盯着一方的性能。通信系统关注的是SINR、误码率和吞吐量，雷达系统关注的是探测概率、虚警概率和测距精度。我在整个实验里同时记录两边的指标，最后用一张总表来权衡。

为此我定义了归一化综合评分：CoexScore = w1 * (1 - BLER) + w2 * Pd，其中w1和w2分别为通信和雷达的权重系数。在联合优化方案中，把两个权重都设为0.5，评分比无共存策略时高出很多。

5.2 三种策略的性能对比

下表是同一个场景下（基站距离雷达50m，雷达目标距离30m，16QAM调制）三种共存策略的实测仿真结果：

可以看到，波束零陷最主要的贡献是把雷达接收机处的干扰功率压低了约33dB，雷达探测概率从0.56提升到0.93——这直接决定了雷达能不能在路口安全识别目标。联合优化在通信侧再进一步，BLER降到0.006，基本可以认为通信质量无感于雷达存在。

5.3 零陷深度的代价曲线

我还专门扫了一遍零陷深度从-10dB到-45dB的连续变化，记录了通信SINR和雷达探测概率的同时变化。规律非常明显：

• 零陷深度在-20dB以上时，雷达性能提升很快，但通信SINR还几乎不损失；
• 越过-30dB之后，雷达Pd增幅放缓，通信SINR开始加速下降；
• 达到-45dB时，虽然雷达Pd接近0.99，但通信SINR已经掉了3dB以上。

这指导我在实际参数选择上，不会盲目追求最深的零陷，而是根据两个系统各自的需求设置一个合理的零陷目标，比如-35dB就是一个兼顾双方的甜点值。

5.4 边界情况：目标方向和干扰方向重合时怎么办

仿真里我最怕遇到一个情况：雷达的探测目标和基站通信的主瓣方向恰好重合。这时候LCMV的约束矩阵里两列导向矢量高度相关，数学上矩阵趋于奇异，解出来的权重要么数值爆炸，要么直接失效。

我在实验里扫描了目标方向与干扰方向夹角从0°到20°的变化，发现夹角小于单个波束主瓣宽度的时候，LCMV会失效。解决办法有两个：

1. 改用“方向图综合法”，预先设计一个主瓣响应形状，用加权最小二乘逼近，而不是硬约束零点；
2. 接受空间维度失效，直接切换到时分共存策略，让雷达在这个时段独占信道。

这个发现让我意识到，波束成形的空间维度和时域调度是配合而非替代的关系，共存方案必须是一个可切换的组合策略，而不是单点算法。

6. 我把源码跑通之后的踩坑日记

6.1 协方差矩阵奇异：相干信号的天坑

我最初计算LCMV权重时，直接用接收信号快照做Rxx估计。但问题是：仿真里的通信信号和雷达信号在频率上部分重叠，某些快照内二者相位关系稳定，导致Rxx近似奇异，解出来的权重出现几十万倍的增益，接收机直接饱和。

后来查资料发现这是相干源问题的典型表现，解决办法是空间平滑：把8×8阵列分成若干重叠子阵，分别计算子阵的协方差矩阵再取平均。加上空间平滑和对角加载之后，权重稳定了，方向图的零陷也恢复到设计深度。

6.2 阵列流形失配：仿真里的“理想”坑

Phased Array Toolbox里的UPA默认是理想各向同性阵元，但如果我要模拟实际贴片天线，就必须挂上天线方向图。我用phased.IsotropicAntennaElement和phased.CosineAntennaElement做过对比，结果发现理想各向同性阵列算出来的LCMV权重在真实阵列上会出现0.5dB到1dB的增益损失，零陷位置也偏移几度。

所以建议在实际项目里，从一开始就给阵列接上真实天线方向图，不要让仿真“太理想”。这样从仿真到硬件实测的迁移成本会低很多。

6.3 仿真速度优化：大阵列多快照的卡顿问题

一个8×8阵列、1024个快照、再加上LFM脉冲和OFDM符号生成，初始串行版本跑一次参数扫描要两个小时。我后来做了三个优化：

• 将多个快照的波束成形接收过程向量化，用矩阵乘法整体处理，而不是循环逐快照；
• LCMV权重的协方差矩阵求逆改用chol分解，避免直接inv；
• 用parfor做参数扫描，把不同干扰角度的仿真并行跑。

优化之后，同一个参数扫描任务压缩到二十分钟左右。对于做研究的读者来说，这个时间成本直接影响你能跑多少组对照实验，值得专门花时间优化。

6.4 参数表的“单位换算”陷阱

这个坑虽然低级，但真栽过：雷达方程里的距离和功率单位、LFM脉冲带宽和采样率的关系、阵元间距和波长的换算，任何一个不一致都会产生完全错误的结论。

特别提醒一点：5G的OFDM子载波间隔是kHz量级，而雷达LFM的扫频宽度是MHz量级，两者在Matlab的采样时间轴里很难共用一个采样率。我最终的方案是仿真中统一使用告采样率（比如1GHz），通信信号在数字域先上变频到对应的中频位置，雷达波形也在这个采样率下重新采样，这样两种信号才能在一个坐标系里叠加。这个处理细节如果不注意，出来的“干扰波形”其实根本不像真实的射频干扰。

最后说点个人体会：波束成形与雷达共存这个课题，真正难的并不是波束成形算法本身，而是你要同时理解两套系统的工作方式和指标诉求，并把它们装进同一个仿真框架里。我做完这版Matlab仿真之后，最大的收获是终于把空间、时间两个维度的共存手段给统一到了一个框架里，可以很直观地观察不同参数下两个系统性能的此消彼长。

如果你后续想继续往下扩展，有两个方向值得尝试：一是把静态的LCMV换成自适应递归算法，比如RLS或最小均方（LMS），让波束零陷能实时跟踪移动雷达；二是往上走一步，做完整的通感一体化ISAC波形设计，让同一套发射波形既承载通信数据又执行雷达探测，那才是5G-Advanced到6G时代真正会落地的形态。源码里的参数、算法模块我都留了扩展接口，改起来并不困难，祝你跑得顺手。