阵列信号处理里做源数目估计，是个绕不开的前置环节。你后面不管是做波束形成、空间谱估计还是盲源分离，第一步都得先知道“到底有几个源”。估多了，协方差矩阵秩虚高，谱峰分裂；估少了，弱信号直接被吞掉，连补救的机会都没有。我这些年在这个环节上踩的坑，比后面做DOA估计加起来还多。这篇就围绕AIC、MDL、MEVARC这三套经典判据，把原理、实操、参数选择和避坑经验一次讲透，适合刚接触阵列信号处理的学生，也适合需要快速复现对比实验的工程人员。
1. 源数目估计的整体设计与判据选型思路
1.1 为什么源数目估计是阵列处理的“地基”
先把场景说清楚。假设你有一个M元均匀线阵，空间里有K个远场窄带信号源，接收数据写成矩阵形式就是X = AS + N，A是M×K的阵列流形矩阵，S是K×T的源信号，N是噪声。对接收数据求协方差矩阵R = E[XX^H]，理论上它可以分解成信号子空间和噪声子空间两部分，特征值大的那K个对应信号，剩下M-K个小的对应噪声。
问题在于，实际拿到的只有有限快拍，协方差矩阵是估计出来的，特征值不会干净地分成两堆，中间总有一段“灰色地带”。源数目估计的本质，就是在这堆特征值里找一个合理的分界点。这个分界点找得准不准，直接决定了后续所有处理的上限。我见过太多人DOA估计结果一塌糊涂，回头一查，根子就在源数目估错了。
AIC（赤池信息准则）、MDL（最小描述长度准则）、MEVARC（基于特征值方差的自适应判据）这三者，走的是三条不同的路子。AIC和MDL属于信息论判据，核心是把“拟合优度”和“模型复杂度”放在一起权衡；MEVARC则是从特征值的统计特性出发，用方差信息做自适应判决。理解它们的分歧点，比记住公式重要得多。
1.2 三套判据的定位差异与选型逻辑
AIC的思路是：模型越复杂，拟合越好，但要惩罚复杂度。它的准则函数里，似然项鼓励多选源，惩罚项拉回来，两者相减取最小。问题在于AIC的惩罚项偏弱，在大快拍、高信噪比下它倾向于过估计，也就是把噪声特征值也当成信号。这不是实现bug，是它数学结构决定的。
MDL在AIC基础上把惩罚项加重了，用的是对数形式的惩罚，理论上有一致性——快拍趋于无穷时它能收敛到真值。代价是低信噪比、小快拍时它容易欠估计，弱源直接被漏掉。所以你会看到一个很典型的现象：同一组数据，AIC估出来偏大，MDL估出来偏小，真值往往夹在中间。
MEVARC不太一样，它不单纯看特征值大小，而是看相邻特征值之间的“间隔”与特征值方差的比值，做自适应门限。它的优势是在非均匀噪声、色噪声环境下比前两者稳，但对参数设置更敏感，门限系数选不好，结果波动会很大。
选型上我的经验是：先明确你的场景约束。快拍数充足、信噪比高、追求不漏源，用AIC；快拍紧张、噪声环境相对干净、要求一致性，用MDL；噪声有色或者各阵元噪声功率不一致，优先试MEVARC，但要留出调参余量。最稳妥的做法是三套都跑，交叉验证，别指望单一判据包打天下。
1.3 实验框架的搭建原则
做对比实验，最忌讳的是每次改一个参数就重写一遍脚本。我的做法是把数据生成、协方差估计、特征值分解、判据计算、结果统计这五块彻底解耦。数据生成部分固定随机种子，保证三套判据吃的是同一批数据；特征值分解只做一次，三套判据共用，避免重复计算带来的数值差异。
这里有个容易被忽略的点：特征值一定要按降序排列后再送进判据。我见过有人直接拿eig出来的原始顺序去算，结果判据函数里的索引全乱了，估出来的源数目忽大忽小，查了半天以为是算法问题，其实是排序没做。这个坑很低级，但真的常见。
2. 三套判据的核心原理与公式拆解
2.1 AIC判据的似然结构与过估计根源
AIC的准则函数写成：
AIC(k) = -2·ln(L_k) + 2·p(k)
其中L_k是假设源数目为k时的最大似然，p(k)是自由参数个数。在高斯假设下，把协方差矩阵的特征值λ_i（降序）代进去，可以得到工程上常用的形式：
AIC(k) = -2T·(M-k)·ln( (∏_{i=k+1}^{M} λ_i)^{1/(M-k)} / ( (1/(M-k))·∑_{i=k+1}^{M} λ_i ) ) + 2k(2M-k)
这里T是快拍数，M是阵元数。括号里那一坨，本质是噪声特征值的几何平均与算术平均之比的对数，再乘以负号。几何平均永远小于等于算术平均，所以这个比值小于等于1，取对数后为负，前面再乘负号就变成正的。k越大，参与计算的噪声特征值越少，这个比值越接近1，似然项越小；但惩罚项2k(2M-k)随k增大而增大。两者博弈，取最小处即为估计值。
关键在于惩罚项的系数。AIC的惩罚是线性的2倍，相对似然项的增长速度偏慢，所以当信噪比高、快拍多时，似然项的下降主导，k会一直增大到把噪声也纳进来。这就是过估计的数学根源，不是调参能解决的。
2.2 MDL判据的惩罚加重与欠估计倾向
MDL的准则函数：
MDL(k) = -T·(M-k)·ln( 几何平均/算术平均 ) + 0.5·k(2M-k)·ln(T)
对比AIC，两处变化：似然项前面的系数从2T变成了T（不同文献写法有差异，本质是归一化方式不同），惩罚项从2k(2M-k)变成了0.5·k(2M-k)·ln(T)。当T较大时，ln(T)显著大于1，惩罚被大幅加重。这就是MDL一致性好的原因——快拍越多，惩罚越狠，过估计被压住。
但反过来，低信噪比下似然项本身就不够突出，惩罚又重，k很容易被压到真值以下。我实测过一组数据，两个源功率差10dB，快拍200，MDL直接把弱源漏了，估成1。这不是MDL坏了，是它在这种场景下的固有倾向。所以看到MDL欠估计，先别怀疑代码，先看信噪比和源功率差。
2.3 MEVARC的自适应方差判决机制
MEVARC走的是另一条路。它不构造全局的似然-惩罚权衡，而是逐个考察相邻特征值的间隔。核心思想是：信号特征值和噪声特征值之间的跳变，应该显著大于噪声特征值内部的波动。具体做法是计算相邻特征值之差Δ_i = λ_i - λ_{i+1}，再除以特征值的局部方差估计，得到一个归一化的判决量，与自适应门限比较。
它的判决量大致形如：
MEVARC(k) = Δ_k / σ_k
其中σ_k是第k个特征值附近的方差估计。门限通常取一个与阵元数、快拍数相关的经验系数。这个判据的好处是不依赖高斯噪声的强假设，对色噪声有一定鲁棒性；坏处是σ_k的估计本身有误差，门限系数选得不合适，判决量会在真值附近抖动。
我的经验是，MEVARC的门限系数不要照搬文献默认值，要拿你的实际数据做一轮标定。方法很简单：构造几组已知源数目的仿真数据，扫一遍门限系数，看哪个值在多数场景下判决最稳，再固定下来用。这一步花不了多少时间，但能省掉后面大量返工。
2.4 三套判据的横向对比
| 判据 | 核心机制 | 主要倾向 | 适用场景 | 主要风险 |
|---|---|---|---|---|
| AIC | 似然+线性惩罚 | 过估计 | 高信噪比、大快拍、怕漏源 | 噪声被误判为源 |
| MDL | 似然+对数惩罚 | 欠估计 | 快拍充足、噪声干净、要一致性 | 弱源被漏掉 |
| MEVARC | 特征值间隔/方差 | 依赖门限 | 色噪声、非均匀噪声 | 门限敏感、结果抖动 |
这张表建议贴在显示器边上。每次结果异常，先对照表格看是判据的固有倾向还是实现问题，能省掉一半的排查时间。
3. 实操过程与核心环节实现
3.1 数据生成与协方差估计的规范写法
数据生成这块，我习惯把阵列流形、源信号、噪声分开写，方便单独调参。均匀线阵的流形矩阵，阵元间距取半波长，导向矢量按exp(-j·2π·d·sin(θ)/λ)构造。源信号用复高斯随机序列，功率按设定信噪比缩放。噪声默认复高斯白噪声，要做色噪声实验时再单独加协方差整形。
协方差估计用样本协方差R = (1/T)·X·X^H。这里有个细节：快拍数T和阵元数M的关系很关键。T < M时样本协方差是奇异的，特征值分解出来的小特征值全是数值噪声，三套判据都会失准。我的经验是T至少取3M以上，条件允许就取5M到10M，判据的稳定性会明显提升。
特征值分解用eig，取对角线后降序排列。这里务必用sort做显式降序，别依赖eig的输出顺序。分解完把特征值存下来，三套判据共用同一组，保证对比的公平性。
3.2 AIC与MDL的代码实现要点
AIC和MDL的实现结构几乎一样，差别只在惩罚项。我通常写一个公共函数，输入特征值、快拍数、阵元数，输出每个k对应的准则值，最后取argmin。核心循环里，对每个k从0到M-1，计算噪声特征值子集的几何平均和算术平均之比，取对数，乘系数，加惩罚。
几个实现上的坑：第一，几何平均用exp(mean(log(λ)))算，别直接连乘，M大时连乘会溢出或下溢。第二，算术平均的分母是M-k，k=M-1时只剩一个特征值，几何平均等于算术平均，比值为1，对数为0，这是正常的边界情况，别当成异常。第三，argmin返回的是索引，记得减1才是源数目，因为k从0开始。
实测中我还遇到过一个数值问题：当某个噪声特征值极小、接近零时，log会出问题。解决办法是给特征值加一个极小的正则项，比如1e-12，或者直接对特征值做归一化后再算。这个细节文献里很少提，但实际数据里真会遇到。
3.3 MEVARC的门限标定与判决流程
MEVARC的实现分两步：先算相邻特征值间隔和局部方差，再拿判决量和门限比。局部方差我用的是滑动窗口估计，窗口大小取3到5，太小方差估不准，太大又把信号跳变平滑掉了。判决量算出来后，从k=1开始往后扫，第一个超过门限的位置就是估计的源数目。
门限标定我一般这样做：固定阵元数和快拍数，源数目从1到M/2扫一遍，每个源数目生成50组数据，统计不同门限下的正确率，选正确率最高的门限。这个过程可以脚本化，跑一次存成表，以后同配置直接查表。别小看这一步，MEVARC的稳定性很大程度上就靠这个标定。
3.4 对比实验的组织与结果记录
实验组织上，我按“信噪比×快拍数×源数目”三维网格来跑，每个格点重复100次蒙特卡洛，统计每套判据的估计均值、标准差和正确率。结果用表格记录，重点看三个指标：过估计率、欠估计率、完全正确率。
跑完一轮典型配置（M=8，K=2，信噪比从-5dB到20dB，快拍从50到1000），我观察到的规律是：低信噪比小快拍区，AIC过估计明显，MDL欠估计明显，MEVARC介于两者之间但方差大；高信噪比大快拍区，三者都趋于准确，AIC偶尔还会多估一个。这个规律和理论预期一致，说明实现是对的。
4. 常见问题与排查技巧实录
4.1 判据结果跳变不稳定的排查顺序
结果忽大忽小，先查三件事：特征值有没有降序排列、快拍数是否远小于阵元数、随机种子是否固定。这三条占了不稳定问题的八成。排除了之后，再看是不是弱源功率太低导致似然项不突出，这时候换MDL或调MEVARC门限往往能救。
4.2 过估计与欠估计的针对性处理
AIC过估计，最直接的办法是换MDL，或者给AIC的惩罚项加一个经验系数做修正。MDL欠估计，可以适当降低惩罚权重，或者改用AIC交叉验证。MEVARC抖动，回去重新标定门限，别用默认值硬扛。
4.3 常见问题速查表
| 现象 | 可能原因 | 处理办法 |
|---|---|---|
| 三套判据结果都偏大 | 快拍太少或噪声非白 | 增加快拍、检查噪声模型 |
| AIC稳定偏大 | 判据固有倾向 | 换MDL或加惩罚修正 |
| MDL稳定偏小 | 弱源被漏 | 降惩罚权重或换AIC |
| MEVARC结果抖动 | 门限不适配 | 重新标定门限系数 |
| 特征值出现负值 | 数值误差 | 加正则项或归一化 |
最后分享一个我常用的技巧：把三套判据的准则函数曲线画在同一张图上，横轴是k，纵轴是归一化后的准则值。真值附近通常能看到AIC和MDL的极小值点分居两侧，MEVARC的判决点落在中间。这条曲线比单个数字直观得多，调参和排查时看一眼就心里有数。这个习惯帮我省了大量反复试错的时间，你也可以试试。
