常规波束形成CBF深入解析：导向矢量推导与波束图工程实践

1. 从“听声辩位”说起：CBF到底在做什么

做阵列信号处理的人，几乎都绕不开“常规波束形成”这个词。英文叫Conventional Beamforming，缩写CBF，老外文献里也常叫Delay-and-Sum Beamforming，也就是“延时求和波束形成”。我第一次接触它是在雷达方向图的课程里，当时觉得公式一大堆，又是导向矢量又是加权求和，理解起来挺费劲。后来在声呐系统里亲手调了一轮阵列数据，才发现CBF的物理含义其实特别朴素——它就是让阵列“听”某个方向的声音，把其他方向的声音当作干扰压下去。

CBF能做什么？往大了说，它是阵列信号处理里最基础、最稳健的一类空间滤波方法。你的天线阵列或者麦克风阵列收到一路路信号，CBF能把这些信号按某个方向对齐叠加，使得该方向来的信号能量最大，同时抑制其他方向的来波。这个能力在雷达、声呐、无线通信、语音增强、射电天文里全是刚需。比如智能音箱的麦克风阵列，就是用类似的波束形成技术实现“远场拾音”的；相控阵雷达更是每一帧都在做数字波束形成。

这篇文章适合谁？如果你正在学习阵列信号处理，对着教材里的导向矢量推导有点懵；或者你手头有阵列数据，想搞清楚波束图怎么算、主瓣宽度和阵元间距怎么定；又或者你只是想弄明白CBF和自适应波束形成的区别在哪儿，那这篇文章就是给你写的。我说的不局限于某个具体软件或硬件平台，推导思路和工程结论在雷达、声呐、麦克风阵列里都是通用的。

打个比方，CBF就像一群人在操场上听远处一个人讲话。如果你想听清楚正前方的人说话，而左边右边都有噪音，你会怎么做？你会侧耳去听正前方，把注意力集中在那个方向——这就是波束形成在做的事：对每个阵元接收到的信号做不同的“时间补偿”，让目标方向的信号到达你耳朵时是“同相”的，叠加起来自然就变强了。说到底，CBF的核心就一句话：补偿时延、同相叠加、定向增强。

2. 波束形成的数学起点：阵列模型与导向矢量

2.1 窄带远场假设：为什么可以用一个复数搞定

CBF的推导一般从窄带远场模型出发。这里有两个关键词：“窄带”和“远场”。

远场指的是信号源离阵列足够远，到达阵列的波前可以看成平面波。这个假设保证了一个重要结论：同一时刻，信号到达各个阵元的“路径差”只跟阵元位置和来波方向有关，跟源的距离无关。这就像太阳光照射地面，太阳离我们很远，所以我们认为到达地面的光波是平行光。

窄带指的是信号的带宽相对载频很小。在这个前提下，信号包络在跨过阵列孔径的时间内基本不变，于是“时间延迟”可以等价成一个“相位旋转”。这是整个推导里最关键的一步：把一条条真实的时间延迟，用复指数相位差来表示。有了这个简化，后续所有运算都可以用向量和矩阵漂亮地写出来，CBF也就从“延时求和”变成了“相位补偿后求和”。

对窄带信号，时延$\tau$在频域里等价于乘上$e^{-j2\pi f \tau}$。因为窄带信号的中心频率是$f_0$，所以这个相位差近似用$f_0$来计算就够用了。这正是CBF适用于窄带场景的原因。如果信号是宽带（比如语音、宽带雷达信号），仅仅做单频相位补偿效果就会打折扣，需要额外做子带分解或者时域延时线处理，这个后面再展开。

2.2 均匀线阵的接收信号模型

先看最经典的阵列结构：均匀线阵，英文Uniform Linear Array，简称ULA。假设有$M$个全向阵元，等间距$d$排成一条直线，信号来波方向与阵法线方向的夹角记为$\theta$，如图1所示（图就不画了，想象一条直线阵列，入射波从斜前方打过来就行）。

以第0个阵元为参考，第$m$个阵元的位置在$m \cdot d$处。入射波到达第$m$个阵元时，相比于参考阵元多走（或少走）了一段路程$\Delta_m$，这段路程差是：

$$\Delta_m = m \cdot d \cdot \sin\theta$$

于是时间延迟为$\tau_m = \Delta_m / c = m d \sin\theta / c$。这里$c$是传播速度（空气中声速约340 m/s，光速则约$3\times10^8$ m/s）。

假设发射的是窄带复信号$s(t)$，那么第$m$个阵元接收到的信号可以写成：

$$x_m(t) = s(t - \tau_m) e^{-j2\pi f_0 \tau_m} + n_m(t)$$

其中$n_m(t)$表示第$m$个阵元的加性噪声。根据窄带假设，$s(t-\tau_m) \approx s(t)$，于是上式简化为：

$$x_m(t) = s(t) e^{-j2\pi f_0 m d \sin\theta / c} + n_m(t)$$

这里的相位因子$e^{-j2\pi f_0 m d \sin\theta / c}$就是整个CBF推导的“操作对象”。因为$c = \lambda f_0$，所以$\frac{f_0 d \sin\theta}{c} = \frac{d \sin\theta}{\lambda}$，相位因子可以写成：

$$e^{-j 2\pi m d \sin\theta / \lambda}$$

这个形式在阵列信号处理里反复出现，建议把它记牢。它只跟阵元位置、阵元间距、波长和来波方向有关，跟信号内容完全无关。

2.3 导向矢量的推导过程

上面得到的是单个阵元表达式。把所有阵元接收到的信号堆成一个列向量，就有了阵列信号向量的简洁形式：

$$\mathbf{x}(t) = \mathbf{a}(\theta) s(t) + \mathbf{n}(t)$$

其中$\mathbf{x}(t) = [x_0(t), x_1(t), \ldots, x_{M-1}(t)]^T$，$\mathbf{n}(t)$是噪声向量，而

$$\mathbf{a}(\theta) = \left[1, e^{-j2\pi d \sin\theta/\lambda}, e^{-j2\pi \cdot 2d \sin\theta/\lambda}, \ldots, e^{-j2\pi (M-1) d \sin\theta/\lambda}\right]^T$$

这个$\mathbf{a}(\theta)$叫导向矢量，Steering Vector。它描述的是：当一个来自方向$\theta$的单位幅度信号入射时，各个阵元因为空间位置不同而产生的复增益分布。它是后面所有波束形成器设计的基础。

我在初学的时候困惑过一个问题：为什么第0个阵元是1？后来想明白了，参考阵元选在阵列一端，它本身没有相位延迟，所以是1。参考阵元也可以选在阵列中心，那导向矢量会变成对称的形式：$e^{-j2\pi (m - (M-1)/2) d \sin\theta/\lambda}$。两种形式数学上等价，只是后续公式的常数相位不同，不影响幅度响应。不过实际仿真时，如果你关心波束图的相位信息，参考点的选择会直接影响相位特性，这点在后面的章节会提到。

再补充一个工程习惯：很多文献里的阵列模型会把$e^{+j\omega t}$约定为时谐因子，此时导向矢量里$e^{-j2\pi d \sin\theta/\lambda}$中的负号取决于定义。不同教材的符号约定可能不一样，推导结果差一个共轭。你只要固定一套约定，全程保持符号一致，最终波束图的结果是一样的。这个坑我在第一次编程实现时踩过，方向图翻转180度，查明原因就是符号约定前后不一致。

3. 核心公式的完整推导：加权、输出与波束图

3.1 CBF的加权方式：为什么直接用导向矢量

波束形成器的本质，就是给每个阵元通道乘一个复权值$w_m$，再把所有通道相加，得到阵列输出：

$$y(t) = \sum_{m=0}^{M-1} w_m^* x_m(t) = \mathbf{w}^H \mathbf{x}(t)$$

这里$(\cdot)^H$表示共轭转置。用$w_m^*$而不是$w_m$，是为了让公式里的加权向量能以$\mathbf{w}^H \mathbf{x}$的漂亮形式出现。为了后面推导方便，我统一用这个约定。

现在的问题变成了：$\mathbf{w}$该怎么选？CBF的做法朴素而直观：既然从$\theta_0$方向来的信号在各阵元上有确定的相位关系$\mathbf{a}(\theta_0)$，那我只要让加权向量“抵消”掉这个相位差，让该方向的信号在各阵元上变成同相，叠加时就能最大程度增强。于是：

$$\mathbf{w}_{CBF} = \mathbf{a}(\theta_0)$$

之所以不加共轭，是因为$\mathbf{w}^H = \mathbf{a}^H(\theta_0)$正好与$\mathbf{a}(\theta_0)$逐项共轭相乘，相位差被抵消。你可以自己验算一下：

$$\mathbf{w}^H \mathbf{a}(\theta_0) = \mathbf{a}^H(\theta_0) \mathbf{a}(\theta_0) = \sum_{m=0}^{M-1} e^{j2\pi m d \sin\theta_0/\lambda} e^{-j2\pi m d \sin\theta_0/\lambda} = \sum_{m=0}^{M-1} 1 = M$$

看，来自$\theta_0$方向的信号在输出端获得了$M$倍的幅度增益。这就是“同相叠加”量化后的结果，也正是阵列增益最基本的来源。这个$M$倍是CBF最核心的“盈利模式”：$M$个阵元的信号在目标方向同相相加，幅度变成$M$倍，功率变成$M^2$倍；噪声因为是随机的，叠加后功率只变成$M$倍（假设噪声独立同分布）。输出信噪比因此提升了$M$倍，这就是阵列处理带来的10log10(M) dB增益。

3.2 从时延求和到相位对齐的直观理解

很多教材直接把CBF叫Delay-and-Sum，但我自己的理解是：CBF的工作分两步，先把每个阵元的信号按来波方向$\theta_0$做“反向延迟”，把因空间位置差产生的时延补偿掉，让目标方向的信号在时间上对齐，然后直接求和。对窄带信号，“反向延迟”在频域就是乘上一个正相位因子$e^{+j2\pi m d \sin\theta_0/\lambda}$，这正好对应$\mathbf{w}^H = \mathbf{a}^H(\theta_0)$中的共轭操作。

所以你可以把CBF想象成一个“方向性的耳朵”：它提前知道目标信号从$\theta_0$来，然后算好每个阵元需要补偿多少时延，调整“听”的姿态，最终把目标方向的能量全部收进来。其他方向的信号因为入射角不同，补偿后并不同相，叠加时有的加有的减，能量自然被削弱。

这里有一个容易被忽视的点：CBF不需要任何关于信号和噪声的统计信息，不需要估计信号协方差矩阵，也不需要做矩阵求逆。它只需要知道阵列几何和来波方向，拿着导向矢量就可以干活。这是CBF“常规”二字的底气，也是它在实际系统里仍然大量使用的根本原因——稳健、无需训练、算力要求极低。

3.3 波束图函数推导：一个Dirichlet核的由来

阵列对不同方向来波的幅度响应，用波束图（Beampattern）来描述。定义如下：把加权向量$\mathbf{w} = \mathbf{a}(\theta_0)$作用到任意方向$\theta$的导向矢量$\mathbf{a}(\theta)$上，取模值就是波束图的幅度：

$$B(\theta) = \left| \mathbf{a}^H(\theta_0) \mathbf{a}(\theta) \right|$$

把导向矢量的定义代入，得到一个等比数列求和：

$$B(\theta) = \left| \sum_{m=0}^{M-1} e^{j2\pi m d (\sin\theta_0 - \sin\theta)/\lambda} \right|$$

令$u = \pi d (\sin\theta - \sin\theta_0)/\lambda$，则等比数列公比为$e^{-j2u}$。求和公式给出：

$$B(\theta) = \left| \frac{1 - e^{-j2Mu}}{1 - e^{-j2u}} \right| = \left| \frac{\sin(Mu)}{\sin(u)} \right|$$

即：

$$B(\theta) = \left| \frac{\sin\left( \frac{M \pi d}{\lambda} (\sin\theta - \sin\theta_0) \right)}{\sin\left( \frac{\pi d}{\lambda} (\sin\theta - \sin\theta_0) \right)} \right|$$

这个表达式是不是看着眼熟？它就是Dirichlet核，或者说离散时间傅里叶变换的幅度谱形式。它也出现在经典谱估计的窗函数理论里。所以CBF的波束图本质上就是“空间域的窗函数谱”，这个类比非常重要：时间域里你用矩形窗做频谱分析会出现旁瓣，空间域里你用均匀加权做波束形成同样会出现旁瓣。这个旁瓣水平有多高？当$M$足够大时，第一个旁瓣峰值约为主瓣的$-13.3$ dB，跟矩形窗频谱的第一个旁瓣水平一模一样。

我在仿真里验证过这个数值：$M=16$、$d=\lambda/2$、$\theta_0=0°$时，波束图第一旁瓣峰值约为$-13.2$ dB左右，跟理论值$20\log_{10}(1/4.6)\approx -13.3$ dB吻合得很好。这个旁瓣水平对很多工程系统来说偏高，所以实际CBF几乎都会加窗，这个话题在后面“加窗抑制旁瓣”的章节里细说。

3.4 阵列增益与信噪比提升的量化计算

阵列增益（Array Gain）是衡量波束形成器性能的一个关键指标。它的定义是输出信噪比与输入信噪比的比值，这里的输入信噪比通常指单个阵元的信噪比。

假设信号功率为$\sigma_s^2$，每个阵元的噪声功率为$\sigma_n^2$，且各阵元噪声互不相关。对于目标方向$\theta_0$的信号，CBF输出端的信号幅度为$M$倍，功率为$M^2 \sigma_s^2$。再看噪声：加权向量$\mathbf{w} = \mathbf{a}(\theta_0)$的每个元素模值都是1，所以输出噪声功率为：

$$E\left[|\mathbf{w}^H \mathbf{n}(t)|^2\right] = \mathbf{w}^H E[\mathbf{n}(t)\mathbf{n}^H(t)] \mathbf{w} = \sigma_n^2 \mathbf{w}^H \mathbf{w} = M \sigma_n^2$$

于是输出信噪比为：

$$SNR_{out} = \frac{M^2 \sigma_s^2}{M \sigma_n^2} = M \cdot \frac{\sigma_s^2}{\sigma_n^2} = M \cdot SNR_{in}$$

所以理想情况下，CBF的阵列增益正好是$M$，用对数表示就是$10\log_{10}(M)$ dB。如果是16阵元，增益就是12 dB；如果是64阵元，就是18 dB。这个结论在实际系统里大致成立，前提是各通道噪声不相关且幅度相位响应一致。我在声呐数据处理时遇到过通道间增益不一致的情况，实测阵列增益只有理论值的七八成，后来做了幅度校准才拉回来。这个“一致性”问题后面会专门说。

4. 影响波束性能的几个关键参数

4.1 阵元间距与栅瓣：为什么常说半波长

波束图公式里，阵元间距$d$和波长$\lambda$的比值是核心参数。观察波束图函数$B(\theta) = |\sin(Mu)/\sin(u)|$，当$u = k\pi$（$k$为整数）时，分子分母都为零，极限值为$M$，即波束图出现极大值。$u = 0$对应主瓣，即$\theta = \theta_0$；而$u = \pm\pi, \pm2\pi, \ldots$对应的是其他方向的“假主瓣”，这些就是栅瓣。

栅瓣出现的条件是：

$$\frac{\pi d}{\lambda}|\sin\theta - \sin\theta_0| = k\pi \quad (k = 1, 2, \ldots)$$

也就是$d|\sin\theta - \sin\theta_0|/\lambda$为整数。显然，$|\sin\theta - \sin\theta_0|$最大可接近2。如果$d > \lambda/2$，就有可能存在某个$\theta$使得上述整数条件成立，栅瓣就会出现。工程上为了避免栅瓣，通常会取$d \le \lambda/2$。$d = \lambda/2$时，$u$的取值范围是$[-\pi d(1+\sin\theta_0)/\lambda, \ldots]$，当$\theta_0 = 0°$时$u \in [-\pi/2, \pi/2]$，对应$|u| < \pi$，恰好不会出现栅瓣，同时主瓣宽度又最窄（因为间距越大波束越窄）。所以“半波长间距”成了一个黄金选择。

栅瓣的危害不用多讲：你在$\theta_0$方向形成主瓣的同时，另一个方向的强干扰会从栅瓣漏进来，直接污染你想要的信号。实际阵设计里，如果不得不用$d>\lambda/2$的大间距，比如为了节省阵元数、增大物理口径，那就必须接受栅瓣的存在，或者用非均匀阵列打破栅瓣的周期叠加条件。非均匀阵的波束图没有规则的栅瓣，但会出现较高的随机旁瓣，这是一个权衡问题。

4.2 主瓣宽度：和阵列口径有什么关系

主瓣宽度是决定CBF空间分辨能力的核心指标。通常用3 dB波束宽度（半功率宽度）来衡量，即波束图降到峰值一半$1/\sqrt{2}$处对应的角度范围。在小角度近似下，令$B(\theta) = M/\sqrt{2}$，解出$\sin\theta - \sin\theta_0$的偏差，可得近似公式：

$$\Delta\theta_{3dB} \approx \frac{0.886\lambda}{M d \cos\theta_0}$$

这里的$Md$正是阵列的总物理口径。所以结论是：波束宽度反比于阵列口径，正比于波长。想分辨两个靠近的目标，就得加大口径。如果你在60 GHz频段（波长5 mm）做一个接收阵列，口径10 cm的阵列，$d=\lambda/2$，阵元数约40个，3 dB波束宽度在法线方向大约是$0.886 \times 5\text{ mm} / 100\text{ mm} \approx 0.044$ rad，合2.5度左右，分辨率已经相当可观。

这个公式还告诉我们，波束宽度在$\theta_0$偏离法线时会变宽——$\cos\theta_0$在分母上。也就是说，扫描到60度时，同样阵列的波束宽度比法线方向宽一倍。这就是为什么相控阵天线在大角度扫描时分辨率会明显恶化。做阵列设计时，如果你要求全程覆盖$\pm60°$，不能按法线波束宽度来标称指标，得按最大扫描角的最宽波束来算。

4.3 加窗处理：经典到不能更经典的降旁瓣手段

CBF的均匀加权波束图第一旁瓣只有$-13.3$ dB，这在很多场景下远远不够。比如在雷达里，强杂波从旁瓣进来就会掩盖弱目标；在声呐里，旁瓣来的强干扰也会干扰目标检测。解决办法跟时域谱估计一模一样：给阵元幅度加窗。

加窗后的加权向量变成：

$$\mathbf{w} = \mathbf{w}_{win} \odot \mathbf{a}(\theta_0)$$

其中$\odot$表示Hadamard（逐元素）乘积，$\mathbf{w}_{win}$是窗函数向量，比如汉宁窗、海明窗、布莱克曼窗、切比雪夫窗等。加窗的本质是让阵元幅度从均匀变成“中间大、两头小”，这会把波束图的主瓣稍微展宽，但旁瓣会被显著压低。典型数值：汉宁窗可以将第一旁瓣压到约$-31.5$ dB，但主瓣宽度相比均匀加权约展宽一半；布莱克曼窗第一旁瓣约$-57$ dB，主瓣更宽。

所以加窗的本质是在“主瓣分辨率”和“旁瓣抑制”之间做权衡。做雷达/声呐系统的人，通常会用切比雪夫窗，因为切比雪夫窗可以指定旁瓣电平，直接给出“旁瓣$-40$ dB”这样的设计指标，非常工程化。我自己的经验是：先按系统误警要求定旁瓣上限，再反推需要的窗函数类型和参数，而不是随手拿一个汉宁窗完事。因为在很多检测场景里，分辨率损失0.5倍是可以接受的，旁瓣漏警却是致命的。

5. CBF的工程实现与常见坑

5.1 数字域实现的完整流程

理论推导归推导，实际写代码实现CBF时，还是有不少细节要注意。以均匀线阵为例，数字域CBF的流程大致是：

第一步，多通道同步采集。每个阵元一路ADC采样，采样率要满足带通采样定理，并且各通道必须严格同步。这一步做得不好，后面的相位补偿全是白搭。

第二步，下变频和正交解调。把射频（或中频）信号搬移到基带，得到I/Q两路，构造复信号。这一步实现了“窄带复包络”的提取。

第三步，按扫描角度网格$\theta_k$，计算各角度的导向矢量$\mathbf{a}(\theta_k)$，得到加权矩阵。

第四步，对每个快拍数据$\mathbf{x}(t)$，计算$y_k(t) = \mathbf{a}^H(\theta_k)\mathbf{x}(t)$。$k$遍历所有扫描角度，相当于一次快照完成全空域扫描。

如果阵元数$M$和角度网格点数$K$都是2的幂，这一步可以通过FFT快速实现——这正是FFT波束形成算法的基础，其运算量从$O(MK)$降为$O(K\log K)$量级。我在做64阵元的快速扫描时，用FFT做CBF比逐角度循环快了近两个数量级，实时性完全不是一个量级。

最后，对输出做能量检测或后续谱分析，就得到空间谱。把所有角度的输出功率画出来，峰值对应的角度就是对来波方向的估计。这就是经典的空间谱估计——Bartlett波束形成。别小看这个“古老”的方法，在SNR足够高、信源不相关、角度间隔大于波束宽度时，它的估计误差是可以接受的，而且极其稳健。

5.2 通道不一致性的校准经验

工程上最容易坑人的，是各通道的幅度和相位响应不完全一致。ADC、放大器、滤波器、天线/阵元本身的差异，都会造成每个通道的幅度增益不一致、相位延迟不一致。这些不一致对CBF是“毁灭性”的：它等价于给导向矢量加了一个随机的复数扰动，结果就是波束指向偏移、旁瓣抬升、阵列增益下降。

解决手段是做阵列校准。最简单的校准方法是“近场/远场标准源法”：放一个已知位置的信号源，用阵列去接收，反推每个通道相对于参考通道的幅度比和相位差，然后做校正补偿。如果条件允许，可以做内部校准网络，每次开机时注入已知信号，自动校正。我的习惯是，在校准完成之后，常规检查波束图的第一旁瓣水平——如果实测旁瓣跟理论窗函数的旁瓣水平明显不一致，大概率就是校准文件过期了或者通道老化产生了新的不一致。

5.3 宽带信号怎么办：窄带假设失效的应对

如果信号带宽跟中心频率比超过百分之几，CBF的窄带相位补偿就不再准确。因为不同频率分量需要不同的相位补偿量，只用一个中心频率去补偿，波束会“散焦”，高频分量的波束指向和主瓣宽度会跟低频分量不一致，整体信噪比增益下降。

解决宽带CBF思路有两种。第一种是频域子带法：把宽带信号做FFT分解成若干窄带子带，每个子带单独做CBF，再合成输出。这是最常用、也是最能直接复用窄带CBF代码的方案。第二种是时域真时延法：用真正的延迟线（或分数延迟滤波器）替代相位补偿，不同频率用同一套时延，天然适合宽带信号。代价是，真时延的实现比复系数乘法复杂，硬件成本更高。语音增强领域的麦克风阵列通常用后者，因为语音是典型的宽带信号，用相位补偿做波束形成，高频段波束性能会明显恶化。

5.4 快速排查清单：仿真和实测中的典型问题

这里整理一份我在调试CBF过程中遇到过的高频问题，做成速查表供参考。

我调阵列数据时最常用的一个动作是：先不加载任何窗函数，取目标方向的实测波束图跟理论均匀加权波束图叠加对比。如果旁瓣包络跟理论重合，说明前端和处理链路基本没问题；如果不重合，先查通道校准，再查阵元位置误差，这两个因素占了我实际调试中八成以上的问题来源。

5.5 和自适应波束形成相比，CBF输在哪里、赢在哪里

既然聊到CBF，就不能不提自适应波束形成，最常见的代表是MVDR（Minimum Variance Distortionless Response，最小方差无失真响应），也叫Capon波束形成。两者的核心区别在于加权向量的求法：

CBF的加权只跟导向矢量有关，$\mathbf{w}_{CBF} = \mathbf{a}(\theta_0)$，不需要数据协方差矩阵。

MVDR的加权是$\mathbf{w}_{MVDR} = \frac{\mathbf{R}^{-1}\mathbf{a}(\theta_0)}{\mathbf{a}^H(\theta_0)\mathbf{R}^{-1}\mathbf{a}(\theta_0)}$，其中$\mathbf{R}$是阵列接收数据的协方差矩阵。它会在保持目标方向增益为1的同时，最小化输出总功率，也就是自动在干扰方向形成凹陷。

MVDR的优势是：当存在一个强干扰时，它能在该干扰方向自适应地形成深凹口，把干扰抑制得干干净净，CBF做不到这一点——CBF的旁瓣结构是固定的，干扰落在哪个旁瓣位置就有多大泄漏，无法自适应改变。但MVDR的代价也很明显：它需要精确知道导向矢量$\mathbf{a}(\theta_0)$，而且$\mathbf{R}$通常由样本估计得到。导向矢量失配（比如阵列位置误差、角度指向误差）会让MVDR把目标信号当干扰抑制掉，这就是所谓的“自消”现象。CBF没有这种问题，它对导向矢量失配的容忍度相当高，角度偏个几度，输出幅度只是略有下降，不会出现灾难性的失效。

所以我的建议是分场景选型：如果信源数少、干扰强、阵列校准做得足够好，优先考虑自适应波束形成；如果信道环境复杂、校准精度一般、或者你追求的是一套稳健可靠不挑环境的基线方案，CBF是更好的选择。很多系统里CBF也不是非要退出舞台，它常被用作初始检测和粗定位的工具，然后用自适应算法在候选方向上做精处理，两者配合着用，效果往往更好。

6. 写在最后：CBF推导给我的一些启发

回到开头的问题。CBF作为阵列信号处理的地基，说到底就是“补偿相位差、同相叠加”这八个字。它那么简单，却又那么深刻——你从导向矢量的定义出发，一步步写出波束图公式，发现它跟窗函数谱本质同源，再看到$d=\lambda/2$、$M$个阵元、13.3 dB旁瓣、主瓣宽度公式，一个阵列系统最核心的指标全部浮现出来。这些关系不是靠背公式记住的，而是亲手推一遍、仿真一遍、再拿实测数据验证一遍，才能真正内化成直觉。

最后再分享一个小技巧：做阵列仿真时，不要一上来就写复杂场景。先用一个理想均匀线阵、单目标、无噪声，把波束图和主瓣宽度验证到位；再加噪声，验证阵列增益是否逼近$10\log M$；最后才加多目标和干扰。一步一步来，能少走很多弯路。这套思路不只在CBF有效，你后面学MVDR、MUSIC、ESPRIT的时候，会发现踩坑的模式都差不多——先把基础模型彻底吃透，再谈算法进阶。