简介：阵列信号处理与空间谱估计是雷达、通信、声纳等领域的重要技术基础。这份MATLAB资源面向信号处理方向的初学者与研究者，围绕CVX工具箱与稀疏重构实现单快拍DOA估计，覆盖阵列建模、空间谱分析、凸优化求解等关键环节，可在快照数据有限的条件下完成信号源方向定位。压缩包共1922个文件，约8.31MB，包含759个m脚本、184个png结果图、149个html说明页，以及大量mex与c文件（底层优化求解器），另有若干mat数据与txt说明，整包结构完整。目前已有411人学习与下载。通过该资源可了解CVX在稀疏重构中的建模方式，掌握L1范数最小化求解DOA的思路，并借助配套的mex求解器与示例脚本快速运行实验，适合希望在稀疏阵列处理方向获取实战代码的中高级学习者。

1. 单快拍DOA估计：为什么常规子空间方法会集体失效

想象一个场景：你的均匀线阵只有8个阵元，目标信号来向分别是-10°和20°，但手里只有一次快拍的数据。把这份数据丢给MUSIC或者ESPRIT，大概率得到一条几乎没有谱峰的曲线——这不是算法实现的问题，而是数学上子空间方法在单快拍下根本凑不齐可用的协方差矩阵。阵列信号处理里，DOA估计的精度和快拍数强绑定，而空间谱估计在单快拍场景下的常规解法几乎全部失效，这正是稀疏重构登场的地方。

本文要讲的是：在MATLAB环境下，用CVX工具箱把单快拍DOA估计建模成一个稀疏重构问题，借助空间谱估计的思路，把角度估计转化为一个凸优化问题的求解。核心做法是把角度域离散化成一个超完备字典，然后用稀疏约束从单次快拍的观测里恢复出信号的空间分布。这套方案适合做雷达目标探测、声学定位、无线信道估计的工程师——只要你的系统受限于快拍数，或者信号是非平稳的，值得把这条技术路线放进备选方案里。

文章会沿着“为什么稀疏重构能解决单快拍问题→怎么用CVX建模→参数怎么调→有哪些坑”的顺序展开。先给出数学上的直观解释，再给可直接复现的MATLAB代码，最后集中处理最容易翻车的几个细节。我会把关键的正则化参数、字典构造方式和CVX求解器选型都展开讲透，保证新手照步骤能跑出结果，熟手能看出边界在哪里。

2. 从阵列流型到稀疏重构：把DOA估计改写成一个凸优化问题

2.1 单快拍观测模型的欠定性本质

阵列信号的观测模型，标准写法是 x = A(θ)s + n。这里x是M×1的接收向量，M是阵元数；A(θ)是M×K的方向矩阵，每一列对应一个来波方向的阵列流型向量；s是K×1的信号幅度向量；n是噪声。DOA估计的任务，就是从上式里把θ估计出来。多快拍时可以把多个时刻的x堆成矩阵X = AS + N，然后基于协方差矩阵做特征分解，MUSIC、ESPRIT都是这条路。

单快拍时，情况完全不一样。观测只有一个M×1向量x，而未知量包含K个角度和K个幅度，再加上噪声，未知数数量远超观测数。从线性代数的角度，这是一个严重欠定方程。但物理上存在一个可以利用的先验——在空间域上，真实来波方向是稀疏的。整个角度范围比如-90°到90°，可能就两三个方向有信号，其他方向都是零。这个稀疏性，就是单快拍DOA估计能走下去的关键前提。

为了把这个先验用起来，我们把角度域网格化。假设把-90°到90°均匀划分成N个网格（N远大于K），那么对每个网格点都能计算一个阵列流型向量，全部堆在一起得到一个M×N的矩阵，称为字典矩阵或超完备原子库。真实的来波方向，只是这N个网格里的少数几个位置。这样，观测方程就改写成了 x = A_grid * w + n，其中w是一个N×1的稀疏向量——在真实来波方向对应的网格位置上有非零值，其余位置是零。DOA估计问题就变成了从x中恢复稀疏向量w的非零位置。

2.2 为什么稀疏约束能顶替快拍累积

需要先明确一点：稀疏重构能替代快拍累积的前提是信号在空间上是稀疏的，也就是来波方向的数量远小于网格数。这个条件在多目标场景是否成立，直接决定方案能否落地。

最常见的建模方式是求解这样一个优化问题：min ||w||_1 s.t. ||x - A_grid*w||_2 ≤ ε。把l0范数松弛成l1范数，等价于在满足拟合误差不超过噪声水平ε的前提下，让w尽量稀疏。这个松弛是核心——l0问题是NP难的，l1是凸的，可以用CVX这类工具箱稳定求解。从理论上看，只要字典矩阵满足一定条件（比如RIP性质或互相干性较低），l1重构能够精确恢复稀疏向量的支撑集，这就是压缩感知理论给出的保证，实际中不一定严格满足，但实用性已经被大量验证。

从空间谱估计的角度看，恢复出的w沿角度网格的分布就是一张空间谱——在每个网格点上有一个幅度值，真实来波方向的幅度显著高于其他位置。这尤其适合单快拍或极少快拍的场景。多快拍版本的处理思路类似，但其数据矩阵和协方差域又是另一套建模逻辑，本文聚焦单快拍场景。

2.3 正则化参数与CVX求解的数学形式

直接用约束形式min ||w||_1 s.t. ||x - Aw||_2 ≤ ε存在一个问题：ε的取值需要知道噪声的精确水平，而实际系统里噪声功率往往是估计出来的，误差不小。更常用的做法是写成无约束的正则化形式：min (1/2)||x - Aw||_2² + λ||w||_1。λ是正则化参数，在保真项和稀疏项之间做权衡。

λ太大，重构出的w会过度稀疏，可能丢掉真实的目标；λ太小，w会憋出一堆小旁瓣，DOA谱上出现大量伪峰。常见习惯是先对字典做列归一化处理，再给λ一个经验起点，比如在0.01到0.1之间根据信噪比做调整。特别是信噪比高时，λ适当取小；信噪比低时λ加大，把能量更多投向稀疏惩罚。这里的调节，说玄学也不为过，但有自己的规律，后面会详细展开。

在CVX中，这个问题的表达是紧凑直接的。代码结构大概是：

cvx_begin quiet variable w(N,1) complex minimize(0.5*quad_form(x - A_dict*w, eye(M)) + lambda*norm(w,1)) cvx_end

quad_form对应l2范数的平方项，norm(w,1)对应l1稀疏惩罚，CVX会自动把问题归类为SOCP（二阶锥规划）并使用内点法求解。实际应用中，建议加一个选项设置求解精度，避免默认精度不够导致稀疏解过于模糊，后面会专门展开。

3. 用CVX实现单快拍DOA估计：从构造字典到谱峰提取

3.1 构建均匀线阵的过完备字典

我一般先将问题限定在均匀线阵（ULA），这个假设能让字典矩阵具备Toeplitz结构，后续做快速计算或理论分析都方便。假设M个阵元、阵元间距d，来波方向为θ时，第i个阵元相对参考阵元的相位延迟是exp(j2πdsinθ(i-1)/λ)。对每个网格角度做一遍，就能拼出字典矩阵。

在MATLAB里构造字典时有个关键点：字典中的每一列在参与优化前都要归一化。没有归一化的字典，会导致不同角度对应的列具有不同的l2范数，稀疏求解器会偏向那些范数更大的列，造成谱上的假峰。这个细节是很多人第一次实现时最隐蔽的坑，后面避坑部分会细讲。

下面是构造字典的核心代码：

function A_dict = build_ula_dictionary(M, d_over_lambda, theta_grid) % M: 阵元数 % d_over_lambda: 阵元间距与波长之比，通常取0.5 % theta_grid: 角度网格向量，单位是度 N = length(theta_grid); A_dict = zeros(M, N); for k = 1:N theta_k = theta_grid(k) * pi / 180; % 每个阵元相对参考点的相位延迟 phase_delay = 2 * pi * d_over_lambda * (0:M-1)' * sin(theta_k); A_dict(:, k) = exp(1j * phase_delay); % 列归一化，避免稀疏优化被字典列范数差异带偏 A_dict(:, k) = A_dict(:, k) / norm(A_dict(:, k)); end end

这段代码里有两个参数直接影响最终效果。d_over_lambda通常取0.5，这是空域无模糊采样的条件，超出这个值会导致栅瓣；theta_grid的间隔决定了DOA估计的固有分辨率，网格越密，理论上对角度分辨越细，但字典列之间的相关性也越高，稀疏重构的难度随之上升。一般先取1°间隔做粗估计，确定大致方向后再细化。

3.2 单快拍数据生成与含噪观测仿真

仿真数据生成这一步，目的是生成一个已知真实角度、只含一次快拍的数据，用来验证后续重构算法。设定两个目标，分别从-10°和20°入射到8阵元均匀线阵上，阵元间距半波长。幅度设为1和0.8，噪声叠加成信噪比约10dB的复高斯白噪声。

M = 8; d_over_lambda = 0.5; true_theta = [-10; 20]; true_amp = [1; 0.8]; SNR_dB = 10; % 构造真实方向对应的阵列流型矩阵 A_true = exp(1j * 2 * pi * d_over_lambda * (0:M-1)' * sind(true_theta')); s_true = true_amp(:); % 含噪观测，单快拍 x = A_true * s_true + 10^(-SNR_dB/20) * (randn(M,1) + 1j*randn(M,1)) / sqrt(2);

这里的噪声功率做了归一化处理，把复噪声的每个分量除以sqrt(2)，保证噪声总功率和SNR定义一致。生成x之后，可以先快速看一眼x的幅度分布在阵元间的变化，判断信号是否真的混在噪声里。注意单快拍数据本身没有任何统计平均可言，这一步生成的数据只是为了测试重构算法的恢复能力。

3.3 CVX求解l1最小化问题：完整可运行代码

现在给出核心的稀疏重构函数。输入是观测x、字典A_dict、正则化参数lambda，输出是稀疏系数向量w以及恢复的角度。我用一个单独的MATLAB函数封装，方便在不同实验里反复调用。函数内部通过CVX的建模语言描述优化问题，求解器选择方面，seDuMi通常在中小规模问题上表现比SDPT3更稳，可以按场景切换。

function [w, est_theta] = sparse_doa_cvx(x, A_dict, theta_grid, lambda, peak_thresh) % x: M×1 单快拍观测 % A_dict: M×N 过完备字典 % theta_grid: N×1 角度网格 % lambda: 正则化参数 % peak_thresh: 谱峰提取阈值，相对最大值的比例 [M, N] = size(A_dict); % CVX求解l1稀疏重构 cvx_begin quiet variable w(N,1) complex minimize(0.5 * sum_square_abs(x - A_dict * w) + lambda * norm(w,1)) cvx_end % 查看CVX状态，确认求解精度是否理想 if ~strcmp(cvx_status, 'Solved') warning('CVX求解状态: %s', cvx_status); end % 谱峰提取：先找超过阈值的局部极大值 pw = abs(w); pw_norm = pw / max(pw); [~, idx_sorted] = sort(pw, 'descend'); n_peaks = sum(pw_norm > peak_thresh); if n_peaks < 1 n_peaks = 1; end peak_idx = idx_sorted(1:min(n_peaks, length(idx_sorted))); est_theta = theta_grid(peak_idx); est_theta = sort(est_theta(:)); fprintf('估计角度: %.2f°\n', est_theta); end

代码里有几个地方需要解释。sum_square_abs是CVX里对复向量取模平方再求和的规范写法，等价于norm(x - A_dict*w, 2)^2，但对复数变量而言，sum_square_abs在CVX内部处理得更干净，能避免某些情况下二次形式对复变量的报错。lambda作为稀疏项权重，直接影响解的稀疏性。peak_thresh一般取0.3到0.5，实验发现这两个区间里的谱峰提取结果基本一样；调低阈值可能引入伪峰，调高阈值可能漏掉弱目标。

3.4 提取DOA估计值：谱峰定位的细节

CVX返回的w是一个N×1的复数向量，绝对值的平方就是空间谱。常见做法是直接取abs(w)的最大值位置，或设定一个阈值把所有超过阈值的位置当作目标来波方向。然而由于稀疏重构在网格失配和噪声干扰下，可能会出现相邻几个网格都有较大系数的情况——不是集中在一个网格点上，而是一片小峰值簇。

更稳妥的做法是在谱峰提取前先做一个平滑处理。最简单的方案是把abs(w)和一个小窗（比如3个网格点）做卷积，再在平滑后的谱上找局部极大值，这样能克服单点跳变带来的假峰。还有一种做法是所谓的“邻域合并”：先找出所有超过阈值的索引，再合并那些彼此相邻（索引差不超过2）的峰，每组只保留幅度最大的那个点作为最终估计。特别是低信噪比环境下，单点峰值抖动很大，邻域合并几乎可以不假思索地使用。

% 接上面的函数返回的w，做邻域合并的谱峰提取 pw = abs(w); thresh = 0.3 * max(pw); cand_idx = find(pw > thresh); % 合并相邻峰 merged_peaks = []; k = 1; while k <= length(cand_idx) cluster = cand_idx(k); j = k + 1; while j <= length(cand_idx) && cand_idx(j) - cand_idx(j-1) <= 2 cluster = [cluster; cand_idx(j)]; j = j + 1; end [~, max_local] = max(pw(cluster)); merged_peaks = [merged_peaks; cluster(max_local)]; k = j; end est_theta_final = theta_grid(merged_peaks);

这样做的好处是，即使网格间隔取1°，目标真实角度落在两个网格点之间，稀疏解会在相邻的几个网格上分配系数，邻域合并取极大值位置能把这个偏差控制在半个网格以内。如果不做合并，直接取全局最大峰，第二目标很容易被漏掉，尤其在两个目标幅度差异较大时。合并能通过“峰值→候选”模式让提取过程的稳定性大幅提升。

4. 参数调优的实用经验：λ、网格间隔与求解器选型

4.1 正则化参数λ的经验标定方法

λ是最直接影响重构结果的一个参数，也是每个第一次动手做的人都会卡住的地方。我最早做单快拍实验时，按论文里给的λ=0.01去跑，结果重构出的w完全乱糟糟，谱峰四处都是。后来逐步总结出一套经验方法，用下来一直比较稳定。

一种常用标定方法是把λ和字典的最大列相关性挂钩。构造完字典后，计算互相关矩阵的峰值μ = max|A_dict' * A_dict - I|，λ的经验值可以设在μ到10μ之间。稀疏重构能成功的前提是字典互相关不能太高，如果λ设置后重构结果依然有大量伪峰，优先怀疑字典网格太密导致列相关性过高，而不是单纯调整λ。

另一种更工程化的做法是粗调加细调：先在0.01、0.05、0.1、0.5几个量级上各跑一次，看重构谱的峰值数量和主峰清晰度；然后锁定量级后，在附近精细扫描。扫描的代价很低——单快拍下的问题规模很小，一次CVX求解几秒钟就能完成，多跑十几次完全可接受。反倒是希望一次调对参数而反复检查、怀疑实现代码的时间成本更高。

在不同信噪比下，λ的调整方向是明确的：信噪比高的时候，保真项的可信度强，λ应调小一些，让解更贴近观测数据的真实拟合；信噪比低于0dB时，λ要明显加大，强制稀疏性以压制噪声带来的伪峰。以我常用的仿真配置，15dB时λ取0.02左右，0dB时可能直接跳到0.2，这个量级变化确实会让结果从“一团糟”变成“两个清晰的峰”。

4.2 网格密度与字典互相关性之间的权衡

网格间隔的选取，并不像直觉上说的“越小越精细”。网格加密后相邻列之间的相关性会升高，极端情况下两列几乎线性相关，稀疏重构会难以区分它们。对均匀线阵来说，当两个网格角度对应的阵列流型向量的相位差在一个波长量级时，互相关就已经很高了。

经验上，1°间隔的网格在8阵元、半波长间距的ULA下是可用的；如果再细到0.1°，除非阵元数较多，否则重构稳定性显著下降。常见的做法是两阶段处理：先用1°或2°的粗网格做全局稀疏重构，得到大致的DOA区域；然后在这个区域附近用0.1°的细网格重新构造局部字典，再做一次重构。第二阶段的问题规模远小于全局细网格，计算量可控，同时能避开高互相关带来的不稳定问题。

网格覆盖范围也要注意。如果真实角度都在-60°到60°之间，就不要把网格铺到-90°到90°。超出实际覆盖范围的网格列在实际中不承载真实信号，但它们的参与会放大字典的互相干性，拉低重构性能。这个在雷达目标检测的场景中很常见——角度范围往往按波束扫描覆盖的先验信息做裁剪。

4.3 CVX求解器选型与精度控制

CVX默认的求解器是SDPT3，在大部分问题上是稳定的，但并不总是最优。稀疏重构问题是典型的SOCP，而SOCP问题上SeDuMi通常比SDPT3有更好的精度和速度。在小规模（N<200）问题上差别可能不明显，一旦网格数超过500，SDPT3的迭代次数明显增加，有时还会返回低精度解。

切换求解器的方法很直接：

cvx_solver sedumi cvx_begin quiet variable w(N,1) complex minimize(0.5 * sum_square_abs(x - A_dict * w) + lambda * norm(w,1)) cvx_end

除了求解器，CVX的精度设置同样影响结果。默认的求解精度在多数应用里够用，但稀疏重构对解的支撑集敏感，低精度解容易出现“稀疏度不够”的情况，也就是本应接近零的系数被算出一个很小的非零值。这些微小非零值在谱峰提取时虽不至于被当作目标，但会让谱底的噪声抬高。设置precision选项可以提高求解精度，代价是求解时间增加——但单快拍问题规模本身就小，这个代价完全值得。

cvx_precision high

精度提高后，w中非目标位置的系数更接近真正的零，谱的对比度会明显改善。需要注意的一点是，precision high对SDPT3的影响比对SeDuMi更明显，如果配了high精度依然觉得稀疏性不理想，可以换SeDuMi对比一下。

4.4 阵元数M与可分辨目标数的关系

稀疏重构能分辨的目标数量，并不等同于阵元数M。传统的DOA估计里，M个阵元最多分辨M-1个目标；但稀疏重构的一方有自己的边界约束——受限于字典的互相关性与稀疏恢复的保证条件。

实践中，8阵元在1°网格下成功分辨2个目标是很轻松的；要分辨4个或5个目标，就开始要求更高的SNR和更恰当的λ。阵元数增加时，字典列之间的正交性会更好，互相关降低，相同条件下能分辨更多目标。如果阵元数只有4，单快拍情况下就算只有两个目标，重构谱也可能出现合并或漏检。

这种限制经常被初学的人忽视，他们以为稀疏重构是万能的，实际上它的前提是阵列自由度要够用。如果阵元数和目标数的比例低于2:1，我一般直接建议放弃单快拍稀疏重构这条路，转而去积累几个快拍再处理，通过多快拍联合稀疏恢复的方式解决问题。

5. 绕过五个常见的坑：现象、原因和解决

5.1 现象：重构谱全是“梳子齿”，找不到主峰

出现这种问题最直接的原因通常是λ设得太小。λ小时保真项比重过大，CVX会尽可能拟合x中的所有细节，包括噪声，而噪声在字典上的投影是随机的、散布在所有角度上的。结果是w几乎处处非零，谱呈现密集的伪峰。

解决方法是逐步增大λ，同时观察w的非零系数数量。理想情况下，w的非零个数应该和目标总数接近。如果在λ增大到一定程度后，目标峰开始变得清晰，那就找到合适的量级了。还有一种常见原因是没有对字典列做归一化，导致某些列的范数偏大，即使λ适中，这些列也会被优先选中。

先查字典列归一化，再调λ。两个步骤按顺序做，能省很多弯路。

5.2 现象：真实角度在网格之间，重构峰总是偏了半个格

这是网格失配的典型表现。比如真实角度在-10.3°，而网格点是-11°和-10°，稀疏解可能把能量分给相邻两个网格，峰的中心勉强落在网格上，但估计结果总是有固定偏差。这种情况下，提高全局网格密度不是最优解——0.1°网格的互相关过高，会让重构变得不稳定。

正确做法是先粗网格锁定峰附近区域，再在局部做细网格重构。具体操作是：第一步用1°网格跑一次重构，得到峰值对应的索引；第二步在峰值对应的角度±3°范围内构造0.05°或0.1°的细网格，重新跑一次重构，把估计值校正到更高的精度。

这种两级重构的计算量比直接全局细网格小两个数量级，而且因为细网格只在局部，字典互相关仍然可控。在多目标场景中，对每个粗峰附近都做一次局部重构即可。

5.3 现象：相近角度的两个目标被合并成一个峰

当两个目标的角度间隔小于阵列瑞利分辨率极限时，稀疏重构确实容易把它们合并成一个较宽的峰。瑞利极限在8阵元、半波长间距下大约为2*asin(1/8)≈14.4°，也就是说两个目标间隔只有5°时，分辨难度相当大。

解决这类问题的可行路径是增加阵列孔径或阵元数。稀疏重构在理想无噪声条件下有超分辨能力，但实际含噪情况下，超分辨是脆弱的。如果阵元数无法增加，一个好办法是提高信噪比，同时把λ适当调小，让保真项主导，给弱目标一个被保留的机会。幅度差距较大的两个目标，弱目标往往被漏掉，这时可以尝试让强目标附近的系数在重构后置零，再对残差做一次重构，往往能把弱目标翻出来。

5.4 现象：CVX报错说变量是复数问题无法建模

CVX可以对复数变量建模，但需要选择合适的表达形式。常见的一个问题是，用norm(w,1)时，CVX对复数的l1范数处理没有问题，但如果手动把实部和虚部分开写约束，比如分别约束实部虚部的稀疏性，问题就变得奇怪而且容易报错。

最稳妥的做法是保持变量为复数，用norm(w,1)表达复向量的l1范数，用sum_square_abs表达复残差的能量，不要试图拆开实部虚部。CVX内部会自动做锥规划转化，效率远高于手写拆解。另外，求解器对初始变量的复数值很敏感——如果之前运行过同一段代码，CVX工作区残留的变量可能干扰建模。在cvx_begin前加clear或显式给变量赋值，避免“幽灵变量”带来的约束冲突。

5.5 现象：CVX求解很慢，小规模问题也卡顿

多数情况是因为求解器不匹配。默认SDPT3在几百维的复SOCP问题上经常表现不佳，切换到SeDuMi通常能显著提速。另一个原因是CVX的精度设置过高——如果之前在代码里设置过cvx_precision best，求解时间会成倍增加。单快拍估计不需要best精度，high已经足够。

另外，建议把cvx_begin后面加上quiet关键字，避免每个迭代步骤都输出到控制台。求解耗时会在输出信息里显示，方便实时对比不同参数设置下的计算代价。还有一个小技巧是：在循环里重复调用CVX时，尽可能复用已经构造好的字典矩阵，避免每次循环重复计算相位延迟和归一化操作，这样总耗费能大幅降低。

6. 从仿真到实装：用两步重构法提升精度并验证稳健性

用粗网格做全局恢复、细网格做局部精校的两步策略，在实际应用中是值得固化成流程的工程经验。第一步用1°间隔、覆盖-90°到90°的粗网格完成空间谱估计，锁定目标所在的大致区域；第二步仅在这些区域附近构造0.1°间隔的局部字典，再次用CVX重构，获得高精度的角度估计值。这样做的好处是：既保证了全局不自欺——任何方向的目标都不会漏掉，又通过局部细化绕开了全字典细网格带来的高互相关难题。

具体实现时，把前面封装的稀疏重构函数复用两次：

% 第1步：粗网格全局重构 theta_grid_coarse = (-90:1:90)'; A_coarse = build_ula_dictionary(M, 0.5, theta_grid_coarse); w_coarse = sparse_doa_cvx(x, A_coarse, theta_grid_coarse, lambda, 0.3); peak_coarse = theta_grid_coarse(find(abs(w_coarse) > 0.3 * max(abs(w_coarse)))); % 第2步：对每个粗峰附近的局部细网格重构 theta_fine_all = []; for k = 1:length(peak_coarse) local_grid = (peak_coarse(k)-2:0.1:peak_coarse(k)+2)'; A_fine = build_ula_dictionary(M, 0.5, local_grid); w_fine = sparse_doa_cvx(x, A_fine, local_grid, lambda * 0.5, 0.3); theta_fine_all = [theta_fine_all; local_grid(find(abs(w_fine) > 0.3 * max(abs(w_fine))))]; end

细网格阶段的λ建议适当调小，因为局部字典的列相关性比全局粗网格更低，对稀疏性的要求没那么高，让保真项有更多发言权。这里的小技巧在于用峰值附近±2°的区域做细重构，既覆盖了粗网格可能带来的偏差，又不会引入过多与目标无关的字典列。

验证重构结果的稳健性，我习惯做两个实验。第一是固定阵列配置和DOA场景，在0到20dB信噪比范围内做蒙特卡洛仿真，每个信噪比下跑200次，统计均方根误差。单快拍重构的误差曲线会呈现明显的平台期——信噪比高于某个阈值后误差几乎不再下降，这是因为网格失配成了主要误差源。第二是固定信噪比，改变两个目标的角间隔，从30°逐渐缩小到5°，观察算法在哪个间隔下开始无法分辨两个目标。这个临界间隔就是这套实现的极限分辨率，工程上依据它再留出1.5到2倍的余量来定指标。

我在做这类单快拍DOA估计时最后悔的一件事是，最开始没有把字典列归一化当回事，总以为稀疏重构对字典的敏感性没那么高，结果在λ调优上浪费了大量时间。后来把归一化固定封装在字典构造函数里，所有问题一下子变得可控。这个教训让我养成了一个习惯：任何用CVX做稀疏重构的实验，第一步永远是检查字典矩阵的列范数是否一致——这个动作只需要一行norm(A_dict)代码，却能省掉后面大量的疑问。希望这些实践和踩坑记录能帮你在这个方向上走得更顺。

本文还有配套的精品资源，点击获取