4、波束形成进阶（MVDR）：最小方差无响应原理、自适应权值计算、对角加载技术

各位同学，欢迎来到波束形成的进阶篇。前面我们聊了常规的延迟求和波束形成，说白了就是给每个麦克风信号对齐相位再叠加。这个方法简单可靠，但有个硬伤——它没法主动抑制干扰。今天要讲的 MVDR，就是来解决这个问题的。

4.1 为什么需要 MVDR？

先说说我个人的经历。几年前我做车载语音系统，车内环境那叫一个复杂。发动机轰鸣、空调风声、旁边人说话……常规波束形成根本压不住。我试过各种固定权值，效果都不理想。后来换上了 MVDR，情况才好转。

MVDR 的全称是 Minimum Variance Distortionless Response。翻译过来就是「最小方差无失真响应」。名字有点绕，但核心思想很直接：

• 无失真：保证目标方向的信号增益为 1，不能衰减
• 最小方差：在满足无失真的前提下，让输出功率（方差）最小

你想想看，输出功率最小意味着什么？意味着把干扰和噪声都压到最低了。这就是 MVDR 的精髓。

4.2 MVDR 的数学原理

咱们来点数学推导，别怕，我会尽量讲得通俗。

假设阵列有 M 个麦克风，权值向量为 w = [w₁, w₂, ..., wₘ]ᵀ。目标方向为 θ₀，对应的导向向量为 a(θ₀)。

无失真约束就是：

wᴴ · a(θ₀) = 1

输出功率为：

P_out = wᴴ · R · w

其中 R 是接收信号的协方差矩阵。我们的目标就是：

min  wᴴ · R · w
s.t. wᴴ · a(θ₀) = 1

这是一个典型的约束优化问题。用拉格朗日乘子法求解，得到最优权值：

w_MVDR = (R⁻¹ · a(θ₀)) / (aᴴ(θ₀) · R⁻¹ · a(θ₀))

嗯，这个公式看着有点复杂，但实际用起来很顺手。我建议你把它记下来，这是 MVDR 的核心公式。

4.3 自适应权值计算

实际应用中，协方差矩阵 R 是未知的，我们需要从数据中估计。常用的方法是：

R_hat = (1/N) · Σ x(n) · xᴴ(n)

其中 x(n) 是第 n 个快拍的阵列接收信号向量，N 是快拍数。

权值计算步骤：

1. 采集 N 个快拍的信号数据
2. 计算样本协方差矩阵 R_hat
3. 对 R_hat 求逆
4. 代入 MVDR 公式计算权值

这里有个坑，我曾经踩过。当 N 比较小的时候，R_hat 可能病态甚至奇异，求逆会出问题。所以实际中 N 至少要大于 M，最好 N ≥ 3M。

4.4 对角加载技术

对角加载，说白了就是在协方差矩阵的对角线上加一个小的常数。数学上就是：

R_loaded = R + λ · I

其中 λ 是加载因子，I 是单位矩阵。

为什么要这么做？我遇到过好几次这样的情况：实际采集的信号中，噪声功率很小，导致协方差矩阵的最小特征值接近零。求逆时这些特征值会被放大，权值变得极不稳定。

加上对角加载后，相当于给所有特征值加了一个底噪，矩阵条件数变好了，求逆更稳定。

加载因子 λ 怎么选？

• 太小了，起不到稳定作用
• 太大了，会破坏 MVDR 的自适应性能

我个人习惯取噪声功率的 1%～10%。具体可以用这个经验公式：

λ = (0.01 ~ 0.1) · trace(R) / M

trace(R) 是协方差矩阵的迹，除以 M 就是平均功率。

4.5 代码实现示例

下面给一个简单的 Python 实现，方便你理解整个流程。

import numpy as np

def mvdr_beamformer(X, theta_target, d_mic, c=343, fs=16000, lambda_factor=0.01):
    """
    MVDR 波束形成器
    X: 输入信号，形状 (M, N)，M为麦克风数，N为快拍数
    theta_target: 目标方向（度）
    d_mic: 麦克风间距（米）
    """
    M, N = X.shape
    
    # 1. 计算协方差矩阵
    R = (X @ X.conj().T) / N
    
    # 2. 对角加载
    R_loaded = R + lambda_factor * np.trace(R) / M * np.eye(M)
    
    # 3. 计算导向向量
    theta_rad = np.deg2rad(theta_target)
    tau = d_mic * np.sin(theta_rad) / c
    a = np.exp(-1j * 2 * np.pi * np.arange(M) * tau * fs)
    a = a.reshape(-1, 1)
    
    # 4. 计算 MVDR 权值
    R_inv = np.linalg.inv(R_loaded)
    w = (R_inv @ a) / (a.conj().T @ R_inv @ a)
    
    return w.flatten()

这段代码我实际用过很多次，基本够用。注意对角加载因子我设了默认值 0.01，你可以根据实际情况调整。

4.6 知识体系总览

下面这张图总结了 MVDR 的核心逻辑，我建议你多看几遍。

4.7 实际应用中的注意事项

最后分享几个实战经验：

• 快拍数要够：N 至少是麦克风数的 3 倍，否则协方差矩阵估计不准
• 目标方向要准：导向向量失配会导致目标信号被抑制，我吃过这个亏
• 对角加载要适度：加载太大，MVDR 退化成延迟求和；加载太小，权值不稳定
• 实时实现注意：矩阵求逆计算量大，可以用递归方法更新权值

好了，MVDR 的内容就讲到这里。它比常规波束形成复杂一些，但效果确实好。你可以在实际项目中试试，相信会有收获。

---

公众号:蓝海资料掘金营，微信deep3321