继常规波束形成（DBF）之后，Capon 算法在阵列信号处理中通常被称为最小方差无失真响应（Minimum Variance Distortionless Response，MVDR）是走向“超分辨率”测角算法的关键一步。其核心思想是：自适应地构建空间滤波器。在观察某一特定方向 θ\theta 时，它不仅让该方向的信号无失真地通过，同时还能最大程度地压低来自其他所有方向的噪声和干扰。因此，它的分辨率远超常规 DBF，能够突破瑞利限。下面 Capon 测角算法数学推导。

阵列信号模型设定

假设一个由 NN 个阵元组成的均匀线性阵列，在 tt 时刻接收到空间中 MM 个远场窄带信号。阵列的接收快拍向量 x(t)∈CN×1x(t) \in \mathbb{C}^{N \times 1} 可以表示为：

x(t)=∑m=1Ma(θm)sm(t)+n(t)=As(t)+n(t)x(t) = \sum_{m=1}^{M} a(\theta_m) s_m(t) + n(t) = As(t) + n(t)

其中：s(t)=[s1(t),s2(t),…,sM(t)]T∈CM×1s(t) = [s_1(t), s_2(t), \dots, s_M(t)]^T \in \mathbb{C}^{M \times 1} 为信号向量；n(t)∈CN×1n(t) \in \mathbb{C}^{N \times 1} 为加性高斯白噪声向量；
a(θ)∈CN×1a(\theta) \in \mathbb{C}^{N \times 1} 为对应方向 θ\theta 的导向矢量，标准形式为：

a(θ)=[1,e−j2πdλsin⁡(θ),…,e−j2π(N−1)dλsin⁡(θ)]Ta(\theta) = [1, e^{-j2\pi \frac{d}{\lambda}\sin(\theta)}, \dots, e^{-j2\pi (N-1)\frac{d}{\lambda}\sin(\theta)}]^T

其中，A=[a(θ1),a(θ2),…,a(θM)]∈CN×MA = [a(\theta_1), a(\theta_2), \dots, a(\theta_M)] \in \mathbb{C}^{N \times M} 为阵列流型矩阵。

阵列接收信号的协方差矩阵 Rxx∈CN×NR_{xx} \in \mathbb{C}^{N \times N} 定义为：

Rxx=E[x(t)xH(t)]=ARsAH+σ2INR_{xx} = \mathbb{E}[x(t)x^H(t)] = AR_sA^H + \sigma^2I_N

其中 E[⋅]\mathbb{E}[\cdot] 表示数学期望，(⋅)H(\cdot)^H 表示共轭转置，Rs=E[s(t)sH(t)]R_s = \mathbb{E}[s(t)s^H(t)] 为信号源的协方差矩阵，σ2\sigma^2 为噪声功率，INI_N 为单位矩阵。

Capon 优化问题构建

假设我们想要求解来自 θ\theta 方向的信号，我们设计一个复权重向量 w∈CN×1w \in \mathbb{C}^{N \times 1} 对接收信号进行加权求和，得到波束形成器的输出：

y(t)=wHx(t)y(t) = w^Hx(t)

输出信号的平均功率（或称方差）可以表示为：

P(w)=E[∣y(t)∣2]=E[(wHx(t))(xH(t)w)]=wHRxxwP(w) = \mathbb{E}[|y(t)|^2] = \mathbb{E}[(w^Hx(t))(x^H(t)w)] = w^HR_{xx}w

Capon 算法的数学核心是求解以下约束优化问题：在确保目标方向 θ\theta 的信号增益为 1（无失真）的前提下，使波束形成器的总输出功率最小化。其数学表达式为：

min⁡wwHRxxws.t.wHa(θ)=1\min_{w} \quad w^HR_{xx}w \quad \text{s.t.} \quad w^Ha(\theta) = 1

通过最小化总功率，由于目标方向的增益被死死固定为 1，算法只能被迫通过调整 ww 的相位和幅度，在其他所有有干扰和噪声的方向上形成“零陷”，从而实现自适应抗干扰。

拉格朗日乘子法求解

为了求解上述复数约束优化问题，引入拉格朗日乘子 λ∈R\lambda \in \mathbb{R}，构建拉格朗日代价函数 L(w,λ)L(w, \lambda)：

L(w,λ)=wHRxxw+λℜ{wHa(θ)−1}L(w, \lambda) = w^HR_{xx}w + \lambda \Re\{w^Ha(\theta) - 1\}

在复数矩阵微积分中，常将 L(w,λ)L(w, \lambda) 对 wHw^H 求偏导（依据复梯度定义，视 ww 和 wHw^H 为独立变量），并令其为零向量：

∇wHL(w,λ)=Rxxw+λa(θ)=0\nabla_{w^H} L(w, \lambda) = R_{xx}w + \lambda a(\theta) = 0

由上式可解得最优权重向量 woptw_{\text{opt}} 的形式：

wopt=−λRxx−1a(θ)w_{\text{opt}} = -\lambda R_{xx}^{-1}a(\theta)

接下来，利用约束条件 woptHa(θ)=1w_{\text{opt}}^Ha(\theta) = 1 来求解拉格朗日乘子 λ\lambda。将 woptw_{\text{opt}} 的共轭转置代入约束条件：

(−λRxx−1a(θ))Ha(θ)=1  ⟹  −λaH(θ)Rxx−1a(θ)=1\left(-\lambda R_{xx}^{-1}a(\theta)\right)^H a(\theta) = 1 \implies -\lambda a^H(\theta)R_{xx}^{-1}a(\theta) = 1

注：因为 RxxR_{xx} 是埃尔米特矩阵，其逆矩阵 Rxx−1R_{xx}^{-1} 同样满足 (Rxx−1)H=Rxx−1(R_{xx}^{-1})^H = R_{xx}^{-1}

由此求得：

−λ=1aH(θ)Rxx−1a(θ)-\lambda = \frac{1}{a^H(\theta)R_{xx}^{-1}a(\theta)}

将 −λ-\lambda 重新代入 woptw_{\text{opt}} 的表达式中，得到 Capon 最优权重向量（MVDR自适应权值）：

wopt=Rxx−1a(θ)aH(θ)Rxx−1a(θ)w_{\text{opt}} = \frac{R_{xx}^{-1}a(\theta)}{a^H(\theta)R_{xx}^{-1}a(\theta)}

Capon 空间谱函数

将计算出的最优权向量 woptw_{\text{opt}} 重新带回输出功率公式 P(w)P(w) 中，即可得到自适应滤波器在 θ\theta 方向上的输出功率。该功率作为 θ\theta 的函数，即为 Capon 空间伪谱：

PCapon(θ)=woptHRxxwopt=(Rxx−1a(θ)aH(θ)Rxx−1a(θ))HRxx(Rxx−1a(θ)aH(θ)Rxx−1a(θ))P_{\text{Capon}}(\theta) = w_{\text{opt}}^HR_{xx}w_{\text{opt}} = \left( \frac{R_{xx}^{-1}a(\theta)}{a^H(\theta)R_{xx}^{-1}a(\theta)} \right)^H R_{xx} \left( \frac{R_{xx}^{-1}a(\theta)}{a^H(\theta)R_{xx}^{-1}a(\theta)} \right)

经过化简，中间的 Rxx−1RxxRxx−1R_{xx}^{-1}R_{xx}R_{xx}^{-1} 变为 Rxx−1R_{xx}^{-1}，分母的标量提到外面，最终得到简洁的期刊标准谱函数表达式：

PCapon(θ)=1aH(θ)Rxx−1a(θ)P_{\text{Capon}}(\theta) = \frac{1}{a^H(\theta)R_{xx}^{-1}a(\theta)}

在实际工程应用中，通过在全空间范围（如 −90∘-90^\circ 到 90∘90^\circ）内改变 θ\theta 并在每个点计算 PCapon(θ)P_{\text{Capon}}(\theta)，谱图上的峰值所在位置即对应目标的到达角（AOA / DOA）。

痛点与修正

虽然 Capon 算法在数学上非常完美，其主瓣比常规 DBF 窄得多，但将它应用到现代多输入多输出（MIMO）雷达或车载雷达时，有两大关键缺陷需要克服：

信号相干导致的“自消散”

在雷达场景中，多径效应或多个强反射体可能导致接收到的信号高度相关、甚至完全相干。

  • 数学后果： 当信号相干时，信号谱矩阵 RsR_s 满秩条件破坏（秩亏损）。此时 Capon 算法会误将主方向的信号当成干扰进行抵消，导致谱峰塌陷。
  • 解决方案： 必须在计算 RxxR_{xx} 之前，进行空间平滑技术（如前向平滑、前后向联合平滑），通过牺牲一部分阵列有效孔径来恢复协方差矩阵的秩。

快拍数不足与矩阵求逆

在实际中，我们无法得到绝对完美的期望矩阵 RxxR_{xx}，只能用有限个快拍的采样协方差矩阵来逼近：

R^xx=1L∑l=1Lx(tl)xH(tl)\hat{R}_{xx} = \frac{1}{L}\sum_{l=1}^{L}x(t_l)x^H(t_l)

数学后果： 当快拍数 LL 较小时，R^xx\hat{R}_{xx} 的估计误差较大，直接求逆会造成极大的不稳定，产生严重的“主值泄露”和自适应畸变。
解决方案： 引入对角装载技术。人为在主对角线上加上一个微小的噪声保护量 α\alpha，即用 (R^xx(\hat{R}_{xx} + αIN)\alpha{I_N}) −1^{-1} 代替原矩阵求逆，从而极大地增强算法的鲁棒性。