企业官网建设流程全解析

1. 从阵列到自适应：为什么雷达系统绕不开这一章

先说结论：这一章是Mahafza全书里“从经典雷达到智能雷达”的分水岭。前面十几章讲匹配滤波、脉冲压缩、CFAR检测，本质上是把回波信号“洗干净、抬起来、判有无”。但真实战场环境里有源干扰、地物杂波、多径效应叠加在一起，静态的滤波器设计得再好，也扛不住信干噪比（SINR）急剧恶化。第16章的自适应信号处理，解决的核心问题就是：在干扰和杂波环境未知且时变的条件下，如何让雷达天线阵列自动调整权值，让波束方向图在干扰方向形成深零陷，同时保持对目标方向的增益。

我读这一章时的第一感受是，Mahafza写得非常“工程化”。他没有像自适应信号处理专著那样从维纳滤波、最小二乘估计的数学公理化体系讲起，而是直接围绕雷达阵列的窄带信号模型展开，把LCMV（线性约束最小方差）、SMI（采样协方差求逆）、LMS（最小均方）、RLS（递归最小二乘）这些算法放在雷达场景里讲，每个算法都配合了MATLAB仿真思路和性能评估指标。这样一来，读者不需要先啃完一整本统计信号处理教材，只要掌握了矩阵运算和基本的概率统计，就能跟上节奏。

这一章适合谁读？我觉得至少有三类人必读：第一类是刚入门雷达信号处理的研究生，你在论文里大概率会遇到自适应波束形成、空时自适应处理（STAP）这些概念，第16章就是最好的跳板；第二类是做雷达系统总体设计的工程师，你需要理解子系统的算法瓶颈在哪里，才能在系统指标分配时给出合理的预算；第三类是用MATLAB做算法验证的仿真工程师，Mahafza书里的思路虽然偏向教学，但稍微扩展一下，就能直接迁移到自己的仿真框架里。

我自己在读完这一章后，把书里的SMI算法代码改写成了一份基于均匀线阵的干扰抑制仿真脚本，实测下来对理解“快拍数影响协方差估计精度”这一点帮助极大。下面我按照章节的逻辑结构，结合我自己的复现经验，把这一章的核心内容和容易踩的坑详细拆一遍。

2. 阵列信号模型：所有自适应算法的共同起点

2.1 窄带假设与方向向量的构建

第16章开头花了不小篇幅重述阵列信号模型，很多人觉得这是“炒冷饭”，但恰恰是这里埋了最容易出错的伏笔。雷达阵列接收信号通常写成：

其中x(t)是N×1的接收快拍向量，s(t)是目标信号波形，a(θs)是目标方向的导向矢量，i(t)是干扰分量，n(t)是噪声分量。

关键在于“窄带假设”：所有阵元接收到的同一信号之间只相差一个相位差，幅度包络近似相同。这个假设什么时候成立？当信号带宽B远小于载频fc，且阵列最大孔径D满足D << c/B时成立。对于常见的窄带雷达系统，这个条件是满足的；但如果你做的是超宽带雷达或宽带干扰抑制，这个模型就需要修正为频域分段处理。我见过不少同学直接把窄带模型套到宽带场景里，仿真结果惨不忍睹，根源就在这。

均匀线阵（ULA）的导向矢量是一个复指数向量：

其中d是阵元间距，λ是波长，θ是来波方向相对于阵列法线的角度。注意这里有一个约定俗成的细节：有的教材定义θ为相对于阵列轴向的角度，有的定义为相对于法线的角度，Mahafza用的是法线方向为0度。如果你要把代码和别的文献对照，第一件事就是确认角度定义，否则仿真出来的波束图看起来完全不对。

另外，d/λ这个比值对阵列性能影响极大。通常取d=λ/2，这样可以在-90°到+90°的空域范围内不产生栅瓣；如果d > λ/2，会出现栅瓣，相当于空域混叠，干扰从栅瓣方向进来你根本不知道；如果d < λ/2，阵列孔径变小，波束变宽，角分辨率下降。所以λ/2是一个“既保不模糊又保分辨率”的折中点。

2.2 协方差矩阵的含义与估计

自适应算法的核心操作对象是接收数据的协方差矩阵R：

R = E[x x^H]

其中(·)^H表示共轭转置。这个矩阵的对角线元素是各阵元的功率，非对角线元素是阵元间的相关性。自适应波束形成的本质，就是根据R中蕴含的空间相关性信息，设计一个加权向量w，使得输出y=w^H x的功率在目标方向保持恒定、在干扰方向尽量小。

理论上的R是统计期望，实际中只能用有限快拍来估计。最常用的估计是样本协方差矩阵（SCM）：

其中K是快拍数，x(k)是第k个快拍。这个估计是极大似然估计，性质很好，但它有一个致命弱点：当K小于阵元数N时，R̂是奇异的，求逆直接爆炸。后面讲SMI算法时，这个约束会反复出现。我在复现时测试过，N=8的ULA，K=16时SMI性能已经有明显退化，K=8时波束方向图基本废掉。记住一个经验法则：稳健的自适应波束形成，快拍数至少要是阵元数的2到3倍。

2.3 干扰加噪声协方差矩阵与信号分量的处理

书里对目标信号的处理方式值得注意：在计算自适应权值时，R中通常认为不包含目标信号分量，或者目标信号很弱，可以忽略。这是因为如果R中包含强目标信号，自适应算法会把它当作“干扰”来抑制，导致输出信噪比反而下降。这个问题在文献里叫“信号自消”（signal self-nulling），是自适应波束形成里一个经典陷阱。

实际雷达场景中，目标信号往往淹没在噪声里，单次快拍的目标分量很弱，所以用样本协方差矩阵替代理想R时，信号自消问题并不严重。但如果目标信噪比很高（比如RCS很大的目标近距离穿过主瓣），就需要采用对角加载、子空间投影等方法来做稳健处理。Mahafza在书中没有深入展开稳健波束形成，但我在后面的小节里会补充一些我常用的处理思路。

3. 核心算法拆解：LCMV、SMI、LMS、RLS的关联与差异

3.1 LCMV：约束条件下的最优权值

线性约束最小方差（LCMV）波束形成器，解决的问题可以写成优化问题：

min w^H R w，subject to w^H a(θs) = g

其中g是目标方向的约束增益，通常取1。这个问题的含义是：在保证目标方向输出增益为g的前提下，最小化输出总功率，从而最大程度抑制干扰和噪声。用拉格朗日乘子法求解，得到闭式解：

w_LCMV = g * R^{-1} a(θs) / (a^H(θs) R^{-1} a(θs))

这个公式本身很简单，但里面藏着两个关键点。第一，需要R可逆，所以快拍数必须大于阵元数；第二，R的估计精度直接决定权值的质量。我在仿真中发现，当R̂的估计误差较大时，LCMV的波束图会出现高旁瓣和畸变的主瓣，这就是过拟合的表现——算法把噪声样本里的随机起伏也当作“特征”去抑制了。

3.2 SMI：用样本协方差直接替代理论协方差

SMI算法说白了就是“用样本估计代替统计平均”。它把LCMV公式里的R换成R̂，得到：

w_SMI = g * R̂^{-1} a(θs) / (a^H(θs) R̂^{-1} a(θs))

SMI的收敛速度是它的核心指标。理论分析表明，为了使得输出SINR相对于最优值损失在3dB以内，快拍数K应该满足：

K ≥ 2N - 3

这个结论叫Reed-Mallett-Brennan（RMB）准则，是SMI算法最著名的工程法则。我实际测试下来，K=2N时SINR损失大约3dB，随着K增加到5N，损失降到0.5dB以内。所以如果你在工程中看到“SMI需要2倍阵元数的快拍才能用”，出处就在这。

SMI算法的问题主要在于：样本协方差求逆的计算量是O(N³)，当阵元数达到几百时，实时实现非常困难。而且在非平稳干扰环境下，用旧数据估计的R̂不能反映当前干扰状态，算法性能急剧下降。所以在雷达工程中，纯SMI用得不多，更多是把它作为理论基准，实际系统会用递归类算法或者降维处理。

3.3 LMS：梯度下降的思路与步长约束

LMS算法走的是另一条路：不求R的逆，而是用梯度下降法迭代逼近最优权值。它的权值更新公式是：

w(k+1) = w(k) + μ e*(k) x(k)

其中e(k)=d(k)-y(k)是误差信号，μ是步长因子。在雷达阵列场景中，“期望信号”d(k)通常不好定义，所以更多采用“引导信号”的方式：在训练阶段，已知目标方向，用该方向的期望响应作为d(k)。

LMS的收敛性由步长μ决定。为了保证收敛，需要满足：

0 < μ < 2/λ_max

其中λ_max是R的最大特征值。这个条件在实际中很难精确估计，所以通常用功率归一化的方式处理，即每一步迭代的步长除以输入功率的估计。这其实就是NLMS（归一化LMS）的思路，Mahafza书中没有展开讲，但我强烈建议你在仿真时直接用NLMS，收敛速度对输入信号功率的鲁棒性会好很多。

LMS最大的优势是计算量低，每步只需O(N)次复数乘法；最大的缺点是收敛速度受R的特征值扩散度影响。如果干扰功率远大于噪声功率，R的最大和最小特征值之比非常大，LMS的收敛速度会慢到让人怀疑人生。我在仿真中遇到过这样的情况：一个-40dB的干扰，LMS需要上万次迭代才能把零陷收敛到位，而RLS只需几十次迭代。

3.4 RLS：递归最小二乘的快速收敛

RLS算法是对SMI的递归化实现。它不是每来K个快拍重新算一次逆，而是每来一个快拍，用矩阵求逆引理更新权值：

w(k) = w(k-1) + K(k) e*(k)

其中K(k)是增益向量，e(k)是先验误差。RLS的核心参数是遗忘因子λ（通常在0.9到1之间），它决定了算法对旧数据的“记忆长度”。λ越接近1，算法的稳态性能越好，但对非平稳变化的跟踪能力越差；λ越小，跟踪越快，但稳态误差越大。有效记忆长度约为1/(1-λ)，比如λ=0.99时，算法大约“记住”最近100个快拍。

RLS的收敛速度对特征值扩散度不敏感，这是它相对LMS最大的优势。代价是计算量上升到O(N²)。我在实际项目中的经验是：阵元数在32以下，用RLS没有问题；阵元数到64以上，实时实现就很吃力了，需要考虑降维处理或者用FPGA做并行加速。

3.5 四种算法的横向对比

这个对比表是我根据仿真经验总结的，书里没有这么直白地列出来，但看完第16章你脑子里应该有类似的结论。选算法永远是折中，没有全能的方案。

4. MATLAB实战：从零搭建一个自适应干扰抑制仿真

4.1 仿真场景设定与参数选择

我复现第16章时的场景设置如下：

• 均匀线阵，阵元数N=12，阵元间距d=λ/2
• 目标方向θs=10°，目标SNR=0dB（单快拍）
• 两个干扰源：干扰1方向θi1=-30°，JNR=30dB；干扰2方向θi2=40°，JNR=35dB
• 噪声为复高斯白噪声，功率归一化
• 快拍数K=100

这个场景基本模拟了“主瓣附近有目标、旁瓣方向有两个强干扰”的典型雷达工作条件。注意干扰的JNR设得很高，这是为了检验算法在强干扰下的零陷深度。

4.2 核心代码实现与注释

先给出数据生成部分的代码：

% 参数设置 N = 12; % 阵元数 d_lambda = 0.5; % 阵元间距（以波长为单位） theta_s = 10; % 目标方向（度） theta_i = [-30, 40]; % 干扰方向（度） JNR = [30, 35]; % 干扰噪声比（dB） SNR = 0; % 目标信噪比（dB） K = 100; % 快拍数 % 导向矢量函数 steer_vec = @(theta) exp(1j * 2 * pi * d_lambda * (0:N-1).' * sind(theta)); % 生成目标信号 a_s = steer_vec(theta_s); s = sqrt(10^(SNR/10)) * (randn(1,K) + 1j*randn(1,K)) / sqrt(2); % 生成干扰信号 J = zeros(N,K); for m = 1:length(theta_i) a_i = steer_vec(theta_i(m)); j_power = 10^(JNR(m)/10); j_signal = sqrt(j_power) * (randn(1,K) + 1j*randn(1,K)) / sqrt(2); J = J + a_i * j_signal; end % 生成噪声 n = (randn(N,K) + 1j*randn(N,K)) / sqrt(2); % 接收数据 X = a_s * s + J + n; % 目标方向约束增益 g = 1;

这里有个细节需要注意：目标信号我设置成SNR=0dB，相当于单快拍下目标功率和噪声功率相当。这样做的目的是让样本协方差矩阵中目标分量占比较小，避免信号自消。如果你把SNR改成20dB，再用SMI算出来的权值，波束图会在目标方向出现一个“凹口”——这就是信号自消现象，非常直观。

接下来是SMI算法的实现：

% 样本协方差矩阵 R_hat = (X * X') / K; % SMI权值计算 a_s = steer_vec(theta_s); w_smi = g * (R_hat \ a_s) / (a_s' * (R_hat \ a_s)); % 波束方向图计算 theta_scan = -90:0.1:90; pattern = zeros(size(theta_scan)); for idx = 1:length(theta_scan) a_scan = steer_vec(theta_scan(idx)); pattern(idx) = abs(w_smi' * a_scan); end % 归一化方向图（dB） pattern_dB = 20*log10(pattern / max(pattern));

注意我用了R_hat \ a_s而不是inv(R_hat) * a_s，这是因为MATLAB的\运算符在求解线性方程组时数值稳定性更好，尤其当R_hat的条件数较大时，两种写法结果会有细微差别。虽然这里N=12的矩阵求逆没有太大数值问题，但养成用\的习惯是好事情，后面阵元数变大时能少踩很多坑。

如果要用RLS，我把核心迭代部分单独写出来：

% RLS参数 lambda_rls = 0.99; delta = 1; % 初始化正则项 P = delta * eye(N); % P矩阵初始化为单位阵的delta倍 w_rls = zeros(N,1); e_hist = zeros(K,1); for k = 1:K x_k = X(:,k); % 先验误差（目标方向期望输出为g） e_k = g - w_rls' * a_s; % 注意这里用导向矢量做参考 % 增益向量 K_vec = (P * a_s) / (lambda_rls + a_s' * P * a_s); % 权值更新 w_rls = w_rls + K_vec * e_k'; % P矩阵更新 P = (P - K_vec * a_s' * P) / lambda_rls; end

这里多说一句：在雷达自适应阵列的RLS应用中，“期望信号”并不是单快拍的接收信号，而是导向矢量对应的“虚拟期望输出”。我见过很多初学者在这里搞混，把e(k)定义成g - y(k)，其中y(k)=w^H x(k)，这样一开始权值为零时误差会很大，而且更新方向和高维约束不完全匹配，迭代容易发散。正确做法是像上面代码里那样，用空间导向约束来定义误差，即让加权的导向矢量输出逼近约束值g。

LMS的实现我就不贴完整代码了，核心迭代式是：

mu = 0.01; % 步长，基于NLMS可改为 mu/(x'*x + eps) for k = 1:K y_k = w_lms' * X(:,k); e_k = g - w_lms' * a_s; w_lms = w_lms + mu * e_k' * X(:,k); end

实际测试时你会发现，纯LMS的收敛速度比RLS慢一个数量级以上。我把两种算法画在同一个收敛曲线上对比，到第100个快拍时RLS已经基本收敛，LMS还在缓慢爬坡。

4.3 仿真结果分析与性能评估

跑完SMI和RLS后，我通常会做三件事来评估性能：

第一，画波束方向图，检查目标方向增益是否为0dB、干扰方向是否形成零陷、零陷深度是否足够。第二，计算输出SINR，评估信干噪比改善了多少。第三，画收敛曲线，比较不同算法的收敛速度。

我这次仿真的结果：SMI在-30°方向的零陷深度约-68dB，在40°方向的零陷深度约-72dB，目标方向增益为0dB（严格满足约束）；RLS经过约20次迭代后达到稳定，稳态零陷深度与SMI相当，但旁瓣电平略高，这是因为RLS的遗忘因子λ=0.99导致有效快拍数约为100，与SMI的100个快拍相当。如果把λ调到0.95，有效快拍数降到20，收敛更快，但稳态零陷深度会损失约3dB——这就是“跟踪速度与稳态精度”的折中，在雷达对抗场景里尤其需要权衡。

输出SINR的计算方法如下：

% 信号功率 signal_power = abs(w' * a_s)^2 * mean(abs(s).^2); % 干扰加噪声功率 JN = X - a_s * s; % 去除信号分量 interference_noise_power = mean(abs(w' * JN).^2); % 输出SINR SINR_out = 10*log10(signal_power / interference_noise_power);

理论上，最优SINR可以用公式SINR_opt = SNR_input + 阵列增益来估算，其中阵列增益等于N（对于均匀线阵，主瓣方向的相干积累增益为N）。所以在这个仿真里，输入SNR=0dB，阵列增益的理论值是10log10(12)≈10.8dB，输出SINR的理论最优值应该在10.8dB左右。SMI和RLS收敛后的输出SINR实测都在10dB以上，说明算法性能接近最优。

5. 第16章之外：雷达自适应信号处理的延伸与应用

5.1 自适应置零与旁瓣对消的关系

第16章的核心算法虽然以阵列波束形成为主线，但雷达工程中有一个更常见的应用场景：旁瓣对消（Sidelobe Canceler）。旁瓣对消的思路是：在主天线旁边放置若干个辅助天线，利用辅助通道接收的信号去对消主通道中的旁瓣干扰。它的数学原理和自适应阵列几乎完全一致——本质上都是用最小均方误差准则求解最优权值，只不过主通道的“约束”是固定的，辅助通道的输出加权后去抵消干扰。

我在做地面雷达项目时，旁瓣对消比完整阵列自适应处理用得更频繁，原因很简单：很多现役雷达的天线是反射面天线或者相控阵天线，但并没有在全部阵元上做自适应处理的硬件能力。在保持主波束形状不变的前提下，用几个辅助通道对消旁瓣干扰，是最经济的抗干扰方案。如果你以后要做工程实现，建议把“旁瓣对消”这个专题单独研究一下，它和第16章的数学工具是一致的，但系统架构完全不同。

5.2 空时自适应处理（STAP）的引入

第16章还有一小节内容涉及空时二维处理，为后面章节的地面动目标检测（GMTI）做铺垫。核心思想是：单一的空域自适应处理只能抑制空间方向上的干扰，但对于地杂波这种同时具有空间和多普勒二维分布特征的干扰，需要在空域和时域（多普勒域）联合处理，这就是STAP。

STAP的降维处理是实际工程中的重头戏。全维STAP需要同时估计空时二维协方差矩阵，快拍需求在数千量级，工程上几乎不可实现。因此有了因素化方法（Factored Approach）、扩展因素化方法（Extended Factored Approach）、联合域局部化处理（JDL, Joint Domain Localized）等降维算法。Mahafza在书中对STAP仅做了概念性介绍，但如果你要深入研究，建议先读J.R. Guerci的《Space-Time Adaptive Processing for Radar》，这本书对STAP的数学框架和降维方法讲得非常透彻。

5.3 稳健自适应波束形成：对角加载与特征投影

最后补充一个书中没有但工程中绕不开的话题：稳健自适应波束形成。实际系统中，导向矢量误差是不可避免的——阵元位置误差、通道幅相误差、阵列形变都会导致实际导向矢量与理论值有偏差。此时，SMI/LCMV这种“硬约束”算法会把目标当作干扰抑制掉，导致输出SINR急剧下降。

最常见的稳健化手段是对角加载，即在协方差矩阵上加一个小的对角矩阵：

R_loaded = R_hat + γ I

其中γ是加载量，通常取R_hat对角线均值的0.01到0.1倍。对角加载的效果是降低算法对协方差矩阵估计误差的敏感性，代价是零陷深度略微变浅、旁瓣电平略有抬高。我在仿真中测试过，当导向矢量存在2°的角度误差时，不加对角加载的SMI输出SINR从10dB暴跌到-5dB（信号被抑制了），加上对角加载后仍能保持8dB左右——这个改善是非常显著的。

另一种思路是特征投影法：对R_hat做特征分解，将大特征值对应的特征向量（为干扰子空间）从目标导向矢量中投影掉，构造出“修正后的导向矢量”，再做标准波束形成。这种方法的稳健性优于对角加载，但计算量更大，而且需要准确判断特征值的分界点。工程实现时，我一般先用对角加载做快速原型，性能不够再用特征投影法优化。

6. 实操中的常见问题与调试经验

6.1 协方差矩阵奇异或病态怎么办

前面提到过，快拍数小于阵元数时R̂奇异，求逆必然出问题。即使快拍数略大于阵元数，R̂也可能因为干扰太强而条件数极大，导致数值不稳定。我的处理经验分三档：

• 快拍数极少（K < N）：必须用降维或者加正则项。降维的做法是把阵列分成若干子阵，在子阵级做自适应；加正则项的做法就是对角加载。
• 快拍数适中（N ≤ K < 2N）：RMB准则告诉你SINR损失在3dB以上，可以考虑用加载量较大的对角加载来换取稳健性。
• 快拍数充足（K ≥ 3N到5N）：直接用标准SMI，性能接近最优。

6.2 LMS步长调不好的实际问题

LMS步长调试是我见过初学者翻车最多的地方。步长太大，权值震荡、不收敛；步长太小，收敛速度慢到根本没耐心等。我建议直接上NLMS：

% NLMS权重更新 x_k = X(:,k); y_k = w_nlms' * x_k; e_k = g - w_nlms' * a_s; mu_norm = 0.1 / (x_k' * x_k + eps); w_nlms = w_nlms + mu_norm * e_k' * x_k;

注意分母加了一个小的eps防止除零。归一化之后，步长参数μ的物理含义就变成了“每次迭代调整权值的比例”，通常在0.01到0.3之间取。我实测0.1是一个比较稳的起点，需要快速跟踪时调到0.2，需要高精度稳态时调到0.05。

6.3 仿真结果与理论不符的排查思路

如果在复现第16章的仿真时，发现波束方向图没有在干扰方向形成零陷，我建议按以下顺序排查：

1. 检查角度定义：sind(theta)里的theta是否和你想象的一致？在MATLAB里，sind(30)=0.5，但sin(deg2rad(30))=0.5，二者必须一致。
2. 检查导向矢量维度：a_s必须是N×1列向量，方向图的扫描角度向量要足够密（至少0.1°步进），否则零陷可能落在扫描栅格之间，看起来像是“没有零陷”。
3. 检查协方差矩阵估计是否正确：打印R_hat的条件数cond(R_hat)，如果大于1e12，说明病态严重，需要检查数据生成代码中干扰功率是否真的加了进去。
4. 检查权值是否被约束住：SMI的约束是w'*a_s=g，计算一下约束误差，如果不是1e-6量级，说明求逆数值有问题。

6.4 信号自消问题的复现与应对

信号自消问题我用不同SNR做了对比实验，结果非常有说服力：

• SNR=-10dB时，SMI波束图在目标方向增益为0dB，干扰方向零陷正常，输出SINR接近理论值。
• SNR=0dB时，目标方向增益仍然为0dB，但干扰零陷深度轻微变浅，输出SINR略低于理论值。
• SNR=20dB时，目标方向出现约-3dB的凹陷，输出SINR比理论值低5dB以上，信号自消效应非常明显。

应对手段就是前面说的对角加载。我在SNR=20dB的场景下加了γ=0.1*mean(diag(R_hat))的对角加载后，目标方向增益恢复到0dB，输出SINR损失控制在1dB以内。如果你在工程中遇到目标信号很强、导致自适应性能下降的问题，先别急着改算法结构，加个对角加载往往就能解决。

7. 我的个人体会与后续学习路线

读完第16章并在MATLAB里把核心算法都跑通之后，我个人最大的收获是：自适应信号处理不是一个孤立的算法模块，而是雷达系统设计中的“系统级思想”。你在第16章学的每一个算法，最终都要回到“雷达要在什么样的对抗环境下工作”这个根本问题上来。干扰个数、干扰强度、干扰的时变性、阵元数、计算资源、实时性要求，这些工程约束决定了你在SMI、LMS、RLS之间怎么选，也决定了你是用全维处理还是降维处理。

如果继续深入，我建议按这样的路线走：先把第16章的四种算法全部用MATLAB复现一遍，每个算法都画出波束方向图和收敛曲线；然后加入导向矢量误差，试着用对角加载和特征投影法做稳健处理；再往后可以涉猎STAP，把空域自适应扩展到空时二维；最后如果做工程实现，要关注实时处理架构（GPU/FPGA）和算法数值稳定性问题。

关于这本书本身，Mahafza的第16章写得紧凑但信息量大，适合配合源码逐行阅读。如果你觉得某些推导跳步，可以搭配Sergios Theodoridis的《Machine Learning: A Bayesian and Optimization Perspective》或者Simon Haykin的《Adaptive Filter Theory》补充数学基础，但主线还是以Mahafza的工程视角为主，不要陷在纯数学的细节里出不来。

最后分享一个小技巧：在读第16章时，建议把书里每个算法对应的框图自己动手画一遍（尤其是SMI和RLS的信号流图），然后在MATLAB里把框图“翻译”成代码。这个过程比直接抄代码有用得多，因为它强迫你理解每一处数据流动的方向和维度变化。我当时就是这样蹚过来的，后来做STAP的工程实现时，发现当年画框图练出来的矩阵维度敏感度帮了大忙。