1. 项目概述与核心价值如果你正在研究5G大规模MIMOMassive MIMO系统的实际部署尤其是当用户数激增或信道条件复杂时如何保证系统性能不滑坡那么“用户分组”绝对是你绕不开的核心课题。传统的分组方法大多只盯着用户间的空间相关性但在真实的基站硬件和动态信道环境下信道状态信息CSI的误差、本地振荡器的相位噪声、校准误差等硬件损伤会引入传统算法无法处理的“隐形干扰”。这就像你精心规划了一条多车道高速公路高空间复用但每辆车用户的GPSCSI都有不同程度的漂移最终可能导致交通混乱性能恶化。我最近深入研读并复现了布里斯托大学团队在2019年发表的一项工作他们提出了一种基于误差向量幅度EVM预测的自适应用户分组算法。这项工作的闪光点在于它首次将EVM这一直接反映接收信号质量的“终极指标”用于分组决策的前瞻性预测而不仅仅是在事后测量。简单来说算法能在数据发送之前就预测出“如果把这几个用户分到一组他们的EVM也就是信号失真程度会是多少”从而主动避开那些会导致性能恶化的用户组合。这项技术的核心价值在于其场景自适应能力。它不是一个“一刀切”的方案而是提供了三种优化目标的分组策略最大化频谱效率SE这是蜂窝网络的经典诉求在有限的频谱资源里榨取尽可能高的数据吞吐量。最大化同时服务的用户数针对物联网IoT等海量连接、单用户速率要求不高的场景优先保障接入数量。保障特定链路质量适用于像大型赛事中的无线摄像机这类应用要求每个用户都必须达到一个最低的吞吐量或误码率门限。我将在下文拆解这套算法的核心思想、EVM预测的关键技术、三种分组策略的具体实现步骤并结合我的仿真与实验经验分享其中的实操要点和避坑指南。无论你是通信算法工程师、无线系统研究员还是对5G物理层技术感兴趣的开发者这篇文章都能为你提供一个从理论到实践、可直接参考的完整技术蓝图。2. 核心问题为什么传统用户分组在真实Massive MIMO中会失效在深入算法细节之前我们必须先搞清楚它要解决的根本问题。Massive MIMO的理论基石是随着基站天线数M远大于用户数K用户信道向量会趋向正交。此时简单的匹配滤波MF就能很好地分离用户信号。然而现实很骨感。2.1 空间相关性与不完美CSI的双重挑战首先空间相关性是物理限制。用户如果靠得太近或者处于相似的散射环境中其到达基站的信道矩阵列向量就不再正交。这种相关性会导致用户间干扰Inter-User Interference, IUI。线性预编码/解码技术如迫零ZF或最小均方误差MMSE可以压制这部分由信道本身引起的干扰。但更棘手的是第二个问题不完美的信道状态信息CSI。在TDD系统中我们依靠信道互易性来获取下行CSI。然而基站和用户设备UE两端射频链路的硬件差异如放大器非线性、相位噪声、 reciprocity校准的残余误差、信道估计本身的噪声等都会导致我们用于预编码/解码的“估计信道矩阵”与实际的“真实信道矩阵”存在偏差。这个偏差是灾难性的。ZF或MMSE算法是针对“估计信道”设计的它们能完美消除估计信道中的用户间干扰。但当估计信道与实际信道不符时算法在消除“虚假干扰”的同时可能会无意中放大信号中的噪声和误差分量甚至引入新的干扰。论文中将这部分称为“累积误差放大”它是不完美CSI带来的、传统基于空间相关性的分组算法完全无法处理的干扰源。2.2 EVM一个更全面的性能度量指标那么如何量化这种综合了空间干扰和硬件损伤的总体性能影响学术界和工业界如3GPP标准广泛采用误差向量幅度EVM。EVM衡量的是接收符号与理想符号在复平面上的偏差幅度是一个归一化的均方根误差。它之所以强大是因为它是一个“结果导向”的指标包含了所有链路损伤噪声、干扰包括来自不完美CSI的、相位噪声、非线性失真等等。在单用户SISO或SU-MIMO中EVM的平方的倒数近似等于信噪比SNR。但在多用户MIMO中干扰占主导这个近似就失效了。此时更准确的近似关系是EVM的平方的倒数约等于信干噪比SINR。这个关系是后续所有预测工作的起点。关键理解传统分组算法只利用了“信道相关性”这一先验信息它只能预估“理想CSI下”的干扰。而EVM预测算法则试图预估“包含不完美CSI影响后”的最终信号质量SINR从而做出更鲁棒的分组决策。这是从“开环预估”到“闭环预测”的关键跨越。3. EVM预测的核心原理与实现算法的基石是能够准确预测当从全体K个用户中选择一个子集K̃个用户进行服务时其中每个用户的EVM将会是多少。这需要在数据尚未发送、仅凭当前CSI进行预测。3.1 从SINR到EVM的桥梁首先我们需要建立SINR与EVM之间的可计算关系。对于上行链路用户k的SINR公式为以ZF解码为例忽略一些简化$$ \text{SINR}k \frac{\rho{ul,k} |\mathbf{w}_k \mathbf{h}k|^2}{|\mathbf{w}k|^2 \sigma_n^2 \rho{ul,k} \sum{i \neq k} |\mathbf{w}_k \mathbf{h}_i|^2} $$其中$\mathbf{w}_k$是解码向量$\mathbf{h}_k$是用户k的真实信道向量$\sigma_n^2$是噪声功率。然而我们只有估计信道 $\mathbf{\hat{H}}$。如果直接用估计信道计算SINR记为 $\widetilde{\text{SINR}}_k$我们会忽略掉由信道估计误差矩阵 $\mathbf{E}$ 引起的干扰项。这就是基础预测方法计算估计SINR使用估计信道 $\mathbf{\hat{H}}$ 和对应的解码矩阵 $\mathbf{\tilde{W}}$根据上述公式计算子集中每个用户的 $\widetilde{\text{SINR}}_k$。这里假设了完美CSI所以干扰项只来自其他用户的估计信道。预测EVM利用关系 $\widehat{\text{EVM}}_k \approx 1 / \sqrt{\widetilde{\text{SINR}}_k}$得到预测的EVM。我在仿真中发现在CSI误差较小例如误差方差1%、用户数不多时这个方法在中等及以上SNR区域12 dB预测误差可以控制在1%以内。但它的致命弱点是对CSI误差敏感。当用户数增多或CSI误差变大时忽略 $\mathbf{E}$ 的影响会导致预测值过于乐观与实际EVM偏差越来越大。3.2 进阶预测引入CSI误差估计为了克服上述缺陷论文提出了一个更鲁棒的预测方法。核心思想是利用全体用户K个同时传输时测量到的实际EVM来反推和量化由不完美CSI引起的“额外误差”。具体步骤如下这也是算法中最精妙的部分全用户集误差标定当所有K个用户同时传输时基站可以测量到每个用户的实际EVM记为 $\text{EVM}_k$。同时我们也可以用估计信道计算出每个用户的 $\widetilde{\text{SINR}}_k$同样忽略CSI误差。根据公式(11)我们可以计算出一个“EVM平方误差” $\zeta_k |\text{EVM}_k^2 - 1/\widetilde{\text{SINR}}_k|$ 这个 $\zeta_k$ 主要就反映了不完美CSI对用户k造成的外损伤。误差按相关性分配这个总误差 $\zeta_k$ 是所有其他用户的不完美CSI共同作用的结果。那么如何将总误差合理地“分摊”到每个干扰用户头上呢论文巧妙地利用了空间相关性作为分摊权重。定义分摊矩阵 $\Upsilon$其中元素 $\Upsilon_{k,l}$ 表示用户l的不完美CSI对用户k造成的部分EVM平方误差 $\Upsilon_{k,l} \zeta_k \frac{|\mathbf{\hat{h}}_k^H \mathbf{\hat{h}}l|^2}{\sum{i \neq k} |\mathbf{\hat{h}}_k^H \mathbf{\hat{h}}_i|^2}, \quad k \neq l$ 直观理解用户l与用户k的信道相关性越强内积平方越大其CSI误差对用户k的干扰贡献就越大分摊的误差权重也就越高。子集误差预测现在当我们要预测一个子集K̃个用户中用户k̃的EVM时我们只需将这个子集里所有其他用户分摊给k̃的误差加起来得到预测的误差 $\tilde{\zeta}{\tilde{k}} \sum{i \in \text{子集}} \Upsilon_{\tilde{k}, i}$。最终EVM预测最终的预测EVM由两部分组成基于估计信道计算的“基础干扰”对应的EVM加上预测的“CSI误差干扰”对应的EVM。 $\widehat{\text{EVM}}{\tilde{k}}^2 \approx \frac{1}{\widetilde{\text{SINR}}{\tilde{k}}} \tilde{\zeta}_{\tilde{k}}$实操心得这个方法本质上是利用了一次“全用户广播探测”获得系统级的CSI误差水平然后基于此进行“局部用户子集”的性能推演。在系统设计中这可以对应于一个周期性的“探测时隙”。它的优势在于即使CSI不完美只要误差在短时间内相对稳定相干时间内这个预测就非常准确。我的复现结果显示在SNR高于8dB后预测误差能稳定在1%以内即使子集用户数接近总用户数。3.3 预测方法的实验验证与注意事项论文团队在128天线的真实Massive MIMO测试床上验证了该预测方法。他们让12个用户同时传输然后随机选择其中9个用户用上述方法预测其EVM再与实际测量值对比。结果显示预测EVM%与实际测量值的误差始终小于1%。这里有几个工程实现上的关键点实时性EVM预测的计算复杂度主要在于矩阵求逆用于计算ZF/MMSE的权重向量W和相关性计算。对于K个用户复杂度在O(K^3)量级。当用户数较多例如50时需要优化算法或采用近似计算。在实际系统中分组决策不需要每秒进行成千上万次而是在信道相干时间或调度周期例如每几毫秒到几十毫秒内更新一次因此实时性是可控的。校准与迭代初始的“全用户集误差标定”需要一次所有用户参与的测量。在实际网络中可以通过初始接入过程或专门的探测信号来完成。此后这个误差估计值 $\zeta_k$ 或分摊矩阵 $\Upsilon$ 可以作为一个缓慢更新的状态量不一定每个TTI都重新计算从而降低开销。解码器选择预测公式对ZF和MMSE解码器都适用。但需要注意MMSE在低SNR时本身包含了噪声正则化其SINR与EVM的关系与ZF略有不同。论文中的方法B通过误差补偿机制对MMSE同样能获得高精度预测。4. 三种自适应用户分组策略详解有了精准的EVM预测能力我们就可以设计以终为始的分组算法了。下面我详细解析三种策略的算法逻辑和实现步骤。4.1 策略一最大化频谱效率Max SE目标在总带宽固定的情况下最大化系统总吞吐量bps/Hz。这适用于传统的eMBB增强移动宽带场景。核心思想贪心算法每次尝试添加一个能使当前组“预测频谱效率”最大的用户直到添加任何新用户都会导致频谱效率下降为止。算法步骤拆解对应论文Algorithm 1 2初始化计算所有用户对之间的空间相关性矩阵 $G |\hat{H}^H \hat{H}|^2$。设未分组用户集合为 $U$当前分组 $A$ 为空。寻找种子用户找到相关性矩阵 $G$ 中值最小的两个用户 $i$ 和 $j$即空间隔离度最好的两个。将他们加入分组 $A$计算此时分组 $A$ 的预测频谱效率 $f_{SE}(A)$并记录。迭代添加用户 a. 对于剩余集合 $U$ 中的每一个候选用户 $u$计算将其加入当前分组 $A$ 后的预测频谱效率 $f_{SE}(A \cup {u})$。 b.关键操作预测频谱效率的计算依赖于EVM预测。对于分组 $A \cup {u}$ 中的每个用户算法使用前面介绍的EVM预测方法特别是方法B来计算其 $\widehat{\text{EVM}}$。然后根据3GPP标准中定义的EVM门限与调制编码方案MCS的映射关系为每个用户选择其 $\widehat{\text{EVM}}$ 所能支持的最高阶MCS例如EVM3.5%可用256-QAMEVM8%可用64-QAM等。 c. 分组 $A \cup {u}$ 的总频谱效率就是组内所有用户按其最高支持MCS计算的数据速率之和再除以所占带宽。 d. 选择能使 $f_{SE}$ 增加最多或减少最少的用户 $u_{best}$ 加入分组 $A$。如果多个用户导致相同的 $f_{SE}$则选择加入后使组内平均 $\widehat{\text{EVM}}$ 更低的那个。 e. 将 $u_{best}$ 从 $U$ 中移除记录当前分组 $A$ 的 $f_{SE}$。确定最优组大小完成上述迭代直到所有用户都尝试加入过。我们会得到一个序列记录了分组用户数从2到K时对应的最大 $f_{SE}$。找到使 $f_{SE}$ 达到全局最大值的那个用户数 $v$。如果 $v K$说明所有用户同时服务就是最优无需分组。执行分组如果需要分组$v K$则组数 $N \lceil K/v \rceil$向上取整。 a.初始分配将空间相关性最高的 $N$ 对用户分别放入不同的组以最大化组间隔离。如果 $N$ 是奇数最后一组只放一个用户选择EVM更优的那个。 b.填充剩余用户对于剩下的用户计算将其加入各个现有分组后的预测 $f_{SE}$将其加入能使该组 $f_{SE}$ 提升最大的那个组。如果加入多个组的效果相同则选择加入后该组平均 $\widehat{\text{EVM}}$ 更低的组。 c.重叠分配由于组数是向上取整的资源可能有富余。算法允许部分用户被分配到多个组中在不同时间资源上服务直到继续添加用户会导致该组 $f_{SE}$ 下降为止。避坑指南在仿真中实现此算法时MCS与EVM的门限映射需要严格按照3GPP TS 36.104等规范来设置。此外计算 $f_{SE}$ 时要考虑到编码速率如论文中使用的3/4 LDPC码。一个常见的错误是只算了调制阶数对应的比特数忘了乘编码速率。4.2 策略二最大化同时服务用户数Max Users目标在满足基本通信质量如QPSK调制的前提下让尽可能多的用户在同一时频资源上被服务。这是mMTC海量机器类通信场景的典型需求。核心思想优先保障接入对单用户速率要求低。算法以确保每个用户的预测EVM低于QPSK所要求的门限如EVM 17.5%为约束尽可能多地将用户塞进一个组。算法步骤拆解对应论文Algorithm 3 4初始化与种子用户同策略一找到相关性最低的两用户作为初始组成员。迭代添加用户以降低平均EVM为导向 a. 对于剩余每个候选用户 $u$计算将其加入当前组后的平均预测EVM $\nu(A \cup {u})$。 b. 选择加入后能使组平均 $\widehat{\text{EVM}}$ 最低的用户加入。 c. 记录每次添加用户后的平均 $\widehat{\text{EVM}}$形成一个序列。确定单组最大容量在这个平均EVM序列中找到最后一个其值仍小于QPSK EVM门限$EVM_{QPSK}$的索引 $v$。这意味着最多可以有 $v$ 个用户在一个组内同时使用QPSK通信。执行分组如果 $v K$则所有用户可同组。否则需要分组组数 $N \lceil K/v \rceil$。 a. 初始分配将相关性最高的用户对拆开放入不同组。 b. 填充用户将剩余用户依次加入当前平均EVM最低的那个组。 c.质量检查与调整分配完成后检查每个组内所有用户的 $\widehat{\text{EVM}}$ 是否都小于 $EVM_{QPSK}$。如果不是则创建新组NN1并重新分配。如果已达到最大允许组数受限于帧结构则剔除EVM最差的那个用户不予服务。4.3 策略三保障特定链路质量Link Quality目标为每个用户保障一个特定的服务质量QoS例如最低吞吐量或最高误码率。适用于URLLC超可靠低时延通信或如无线摄像机等特定高要求业务。核心思想为每个用户设定一个个性化的EVM门限 $EVM_{TH}^{(k)}$。这个门限不是固定的3GPP标准值而是根据业务需求反推出来的。例如要保证80 Mbps的吞吐量结合带宽和编码效率可以反推出需要256-QAM进而得到其对应的EVM门限如3.5%。算法流程 此策略的框架与“最大化用户数”策略Algorithm 4几乎相同核心区别在于$EVM_{TH}$ 的定义和动态性。门限设定$EVM_{TH}$ 不再是固定的QPSK门限而是每个用户根据其业务需求计算出的个性化门限。分组逻辑在Algorithm 4的第2步寻找 $v$ 时约束条件变为“组平均 $\widehat{\text{EVM}}$ 小于该组内所有用户个性化 $EVM_{TH}$ 中最严格的那个”。因为组内性能由最差的用户决定。重叠服务的门限调整如果一个用户被分配到多个组在不同时间片上服务那么它实际获得的资源增加了。在算法第28步的质量检查中对这个用户的 $EVM_{TH}$ 要求可以变得更严格即允许更低的EVM值因为资源多了理应提供更好的质量。这是一个动态调整的过程。用户剔除如果即使用尽所有分组资源达到最大组数仍无法满足某个用户的 $EVM_{TH}$则只能选择剔除当前预测EVM最差的用户以保证其他用户的服务质量。经验之谈策略三是最灵活的但也是最复杂的。在实际系统中业务QoS需求可能动态变化这就需要EVM预测模块和分组决策模块进行实时交互。在仿真中需要建立一个从目标吞吐量/BER到所需SINR再到EVM门限的映射表。5. 仿真与实验结果分析为了验证算法的有效性我参照论文思路在MATLAB中搭建了一个Massive MIMO系统仿真平台并重点分析了关键结果。5.1 仿真参数设置天线与用户基站天线数 M 128 或 64用户数 K 22 或 40。信道模型场景12IID Rayleigh理想的独立同分布瑞利衰落信道作为性能上界参考。场景34实测室内LOS使用论文中从布里斯托大学实测的室内视距LOS信道数据。这种信道用户间相关性显著高于IID信道。CSI误差模型信道估计误差和互易性校准误差均建模为复高斯分布方差分别设为1%和2%。这是一个比较严峻的损伤假设。对比基线空间相关性分组仅基于信道相关性矩阵进行分组分组后根据实测EVM选择MCS。无分组所有用户同时服务根据实测EVM选择最高阶MCS。5.2 关键性能指标解读下表展示了在M128 K22的IID信道下不同策略的上行链路性能对比基于论文数据整理分组策略组数每组用户数 (约)使用调制上行频谱效率 (bps/Hz)相对“无分组”增益最大化SE219256-QAM83.9011.04链路质量 (目标: 80Mbps/user)219256-QAM83.9011.04最大化用户数12264-QAM72.86基准仅空间相关性分组21164-QAM48.57-23.33无分组 (所有用户同服)12264-QAM72.860结果分析最大化SE策略优势明显在CSI存在误差的情况下基于EVM预测的“最大化SE”算法成功地将19个用户分在一组并全部使用了最高阶的256-QAM调制获得了83.9 bps/Hz的频谱效率。这比“无分组”方案所有22用户同服但只能使用64-QAM高出11.04 bps/Hz。更关键的是它比传统的“仅空间相关性”分组方案性能高出近73%这充分证明了考虑不完美CSI影响的EVM预测在分组决策中的决定性作用。传统方法因为低估了干扰可能把太多高相关用户分到一起导致实际EVM恶化无法使用高阶调制。链路质量策略的灵活性当目标设为每用户80Mbps时算法得出的分组结果与“最大化SE”相同。但如果提高每用户吞吐量要求算法会自动创建更多组如表1中下行需要8组来满足更严格的EVM门限。实测信道的挑战在切换到实测室内LOS信道表5后由于用户间空间相关性急剧增加所有算法的性能都有所下降。但“最大化SE”策略依然显著优于传统方法。这证明了算法在真实信道条件下的鲁棒性。下行链路的严峻性在所有仿真中下行链路的性能均差于上行。这是因为下行还额外包含了互易性校准误差。这导致下行需要更多的组数例如表1中需要8组来保证质量。这也印证了在TDD Massive MIMO中下行链路是更脆弱的环节对分组算法的需求更迫切。5.3 户外实地试验验证论文团队在布里斯托的“5G分层现实周末”活动中进行了外场演示。他们在广场上使用128天线基站同时服务12个用户客户端实时传输24路高清视频流上下行各12路。挑战户外环境存在更复杂的多径和干扰。策略应用他们采用了“链路质量”策略将EVM门限设为13%以确保QPSK调制下的可靠视频流传输。结果算法自动将用户分为4个上行组和6个下行组成功建立了所有24路稳定的实时视频流。相比之下如果关闭分组算法下行链路因为EVM过高而完全无法传输数据吞吐量为0。这个实验强有力地证明了在真实的、充满损伤的Massive MIMO系统中基于EVM预测的自适应分组算法不是纸上谈兵而是保障系统可用性和性能的必要手段。6. 工程实现考量与常见问题排查将这套算法从论文搬到实际系统你会遇到一系列工程挑战。以下是我在复现和思考过程中总结的一些要点。6.1 计算复杂性与实时性权衡算法的核心计算负担在于EVM预测对于每个候选用户子集都需要计算一次ZF/MMSE的权重矩阵涉及矩阵求逆O(K̃^3)和预测EVM。搜索过程在“最大化SE”策略中需要遍历候选用户来寻找最优添加对象这是一个组合优化问题。优化建议分层分组对于超大规模用户场景如K100可以先进行粗分组。例如先根据用户的大尺度衰落路径损耗或地理位置进行聚类在簇内再运行本算法进行细分组。贪心算法的次优性本文算法是贪心算法不能保证全局最优但复杂度低。在性能要求极致的场景可以结合能优化算法如遗传算法、模拟退火进行搜索但需严格限制搜索空间和迭代次数。利用历史信息用户的位置和移动模式通常具有相关性。可以利用上一时刻的分组结果作为初始解或者预测用户的移动轨迹减少完全重新分组的频率。6.2 信道与误差信息的获取全用户集CSI获取算法需要所有活跃用户的CSI。这通过上行探测参考信号SRS来实现。在TDD系统中这是标准流程。全用户集EVM测量用于误差标定的“全用户集实际EVM”需要在某个时刻让所有用户同时传输数据才能获得。这可以通过周期性的“全调度”时隙来实现例如每几十个TTI安排一个这样的探测帧。开销需要仔细设计。误差矩阵的更新频率由不完美CSI引起的误差$\zeta_k$ 或 $\Upsilon$变化相对较慢主要受硬件温度、老化等影响更新周期可以很长秒级甚至分钟级大大降低开销。6.3 与现有通信协议的融合帧结构适配分组决策直接影响资源调度。算法需要与调度器深度耦合。决策输出应包括分组结果、每组分配的时频资源位置、每组内建议的MCS。这需要定义新的控制信令或复用现有的DCI格式来指示分组信息。动态性管理用户会动态进入和离开。新用户加入时如何快速将其纳入分组而不引起剧烈震荡一个策略是设立“候选组”或“边缘用户”概念新用户先以较低功率/速率在资源边缘试探性接入同时基站快速评估其加入对现有各组EVM预测的影响再决定其最终归属。6.4 常见问题排查速查表问题现象可能原因排查思路与解决方案预测EVM远低于实测EVM1. CSI误差模型不准确或误差方差低估。2. 用于误差标定的“全用户集EVM”测量时信道已发生变化。3. 存在未建模的干扰源如邻区干扰。1. 增大仿真或模型中的CSI误差方差或采用更实际的误差模型如相关误差。2. 缩短误差标定的更新周期或验证信道在相干时间内的稳定性。3. 在EVM预测公式中引入一个额外的干扰余量Interference Margin。算法总是产生过多分组1. EVM门限设置过于严格。2. 信道条件极差如强相关LOS或硬件损伤非常严重。3. “最大化SE”策略中高阶调制如256-QAM的门限太难达到。1. 检查业务需求的合理性或与更高层协议协商是否可放宽QoS。2. 这是物理限制考虑增加天线数M或优化天线阵列布局以降低相关性。3. 考虑采用部分功率控制或非线性的预编码技术如DPC来改善用户间干扰。分组结果频繁剧烈变化1. 信道估计波动大快衰落。2. 算法运行周期太短小于信道相干时间。3. 用户移动速度过快。1. 对信道估计进行滤波或预测。2. 适当增加分组决策的周期或引入“迟滞”机制只有当性能增益超过一定门限时才更新分组。3. 对于高速移动用户可采用更鲁棒的分组策略如基于大尺度信息的固定分组或将其单独处理。下行性能始终远差于上行互易性校准误差是主要因素。1. 优化基站侧的互易性校准算法采用更精细的校准电路和算法。2. 在下行EVM预测中使用一个比上行更大的误差方差参数。3. 接受下行需要更多分组的事实并在资源分配时给予下行更多时隙。这套基于EVM预测的自适应用户分组算法为Massive MIMO从理论走向大规模实际部署提供了一个极具洞察力和实用性的工具箱。它不再将硬件损伤视为可以忽略的“非理想因素”而是将其作为核心输入与空间相关性一同纳入了分组决策的考量。