我做MIMO信道仿真也有几年了，最开始接触均衡器的时候走的弯路不少，尤其是在卫星信道这种既有时变衰落、又有多径干扰的场景下，用LMS算法调步长能调到怀疑人生。后来在一次项目里被要求用RLS算法处理MIMO卫星信道的均衡问题，从推导到代码实现到调参，整个过程折腾了一周多。这篇就把那次折腾的完整过程写出来，包含Matlab源码的核心逻辑和我在实际调试中踩过的一些坑，希望能帮你少走点弯路。

MIMO卫星信道下的RLS自适应均衡：从原理到Matlab实现

1. 为什么卫星信道场景下必须用RLS而不是LMS

1.1 卫星信道不是普通的瑞利衰落信道

很多做地面无线通信的朋友一听到"衰落信道"，第一反应就是瑞利分布。但卫星信道不一样，它比地面信道复杂得多。卫星链路里，收发两端之间通常存在较强的视距分量，这导致信道的衰落特性更接近莱斯分布（Rician），而不是纯粹的瑞利衰落。同时，低轨卫星运行速度快，多普勒频移明显，信道具有快时变特性。另一个不能忽略的因素是，卫星通信中多径分量虽然比地面弱，但在城市峡谷、海面反射、雨衰等场景下，多径效应依然存在，会产生频率选择性衰落。

这些特性叠加在一起，给接收端的均衡器提出了两个硬性要求：第一，要能跟踪时变信道，也就是要有较好的收敛速度和跟踪能力；第二，要在多径干扰和码间干扰（ISI）同时存在的情况下，把信号尽可能恢复出来。

1.2 LMS和RLS在这个场景下的差距在哪

LMS算法的优势是计算量小、实现简单，但它有一个致命问题：收敛速度受输入信号自相关矩阵特征值分布影响。当信道存在频率选择性衰落时，输入信号的自相关矩阵特征值分散程度增大，LMS的收敛速度会急剧下降。你可能会想，那我调大步长不就行了？问题是步长调大了，稳态失调也会跟着变大，误码率反而恶化，这就是所谓的"收敛速度和稳态精度"的矛盾。

RLS算法通过引入递归最小二乘准则，间接对输入信号的自相关矩阵做了"白化"处理，所以它对特征值分散不敏感，收敛速度通常比LMS快一到两个数量级。在卫星信道这种时变条件下，RLS能在训练序列较短的情况下完成收敛，给数据段留出更多有效传输时间。这是我最终选择RLS的核心原因。

注意，RLS的计算复杂度是O(N²)，N是滤波器长度，比LMS的O(N)要高。但在卫星通信这种对性能要求高、对实时性要求相对宽松的场景下，用计算量换收敛性能，是划算的。

2. RLS算法核心推导与Matlab代码框架

2.1 从最小二乘代价函数到递推公式

RLS算法的出发点是最小化带遗忘因子的加权误差平方和：

[
J(n) = \sum_{i=1}^{n} \lambda^{n-i} |e(i)|^2
]

其中e(i)是期望信号d(i)与滤波器输出y(i)之间的误差，λ是遗忘因子，范围在(0,1]之间。λ越接近1，算法对历史数据的"记忆"越长，稳态精度越高；λ越小，算法对信道变化的跟踪越快，但稳态失调也越大。

通过令代价函数对权向量w(n)求梯度为零，可以得到标准方程：

[
\Phi(n)w(n) = \theta(n)
]

其中Φ(n)是输入信号的自相关矩阵估计，θ(n)是互相关向量估计。直接解这个方程需要矩阵求逆，在每时刻都做一次求逆运算，计算量太大，工程上根本不可行。RLS的聪明之处在于引入矩阵求逆引理，把自相关矩阵的逆递推更新，避免了逐时刻显式求逆。

递推过程的核心就三个公式：

[
k(n) = \frac{\lambda^{-1}P(n-1)x(n)}{1+\lambda^{-1}x^H(n)P(n-1)x(n)}
]

[
w(n) = w(n-1) + k(n)e^*(n)
]

[
P(n) = \lambda^{-1}P(n-1) - \lambda^{-1}k(n)x^H(n)P(n-1)
]

这三个公式分别计算增益向量k(n)、更新权向量w(n)、更新逆相关矩阵P(n)。看起来不复杂，但代码实现的时候有几个细节必须注意，下面会详细讲。

2.2 遗忘因子的选取逻辑

遗忘因子λ的选取，直接决定均衡器对信道时变的适应能力。我做仿真的时候，把λ分别设为0.995、0.999和0.9995做过对比：

• λ=0.995时，收敛速度最快，但稳态迭代噪声明显偏大，星座图上散射点发散比较严重；
• λ=0.9995时，稳态精度最高，但如果信道在某段时间内发生快速变化，均衡器权重更新会显得"迟钝"；
• λ=0.999处于一个比较平衡的位置，既能保证收敛速度，又不会让稳态误差太大。

如果你的信道时变非常剧烈，比如低轨卫星过顶期间多普勒变化率大的时候，λ甚至要取到0.99以下，否则均衡器会跟不上信道的变化。

遗忘因子本质上决定了算法的"记忆长度"，等效记忆长度约为1/(1-λ)。λ=0.999时，记忆长度约为1000个符号，这个数值对于大多数卫星信道的相干时间来说是合理的。选λ之前最好先估算一下信道相干时间，如果相干时间较短，记忆长度就必须相应缩短。

2.3 Matlab中RLS均衡器的代码实现

下面是一段核心的RLS均衡器代码，我在项目里实际使用过。这段代码里，输入信号矩阵d是一个L×1的训练序列向量，X是输入回归矩阵，每一行对应一个时刻的输入向量（包含时延抽头）。

matlab复制function [w, P] = rls_update(x, d, w, P, lambda)
    % x      : 输入回归向量 (N*1)
    % d      : 期望信号 (标量)
    % w      : 权重向量 (N*1)
    % P      : 逆自相关矩阵 (N*N)
    % lambda : 遗忘因子
    e = d - w' * x;
    inner = x' * P * x;
    g = P * x / (lambda + inner);          % 增益向量
    w = w + g * conj(e);                   % 权重更新
    P = (P - g * x'