概率约束稳健恒模自适应波束形成算法

针对恒模信号,将概率约束稳健算法与恒模算法相结合,提出一种新的稳健自适应波束形成算法.先将导向偏差分为高斯随机分布和未知分布2种场景,分别建立优化代价函数,并将该优化问题转化为二阶锥规划问题,运用内点法高效求解.然后对算法求解的全局最优性进行理论分析.在数值仿真部分,用所提算法与相关稳健算法作对比仿真,验证该算法的优越性和有效性.     

一种稳健的自适应波束形成方法

基于LCMV波束形成原理,根据贝叶斯估计理论,提出了一种基于加权的波束形成方法,能够很好地克服LCMV波束形成对期望信号DOA误差特别敏感的弱点．仿真试验表明,该方法性能稳定,对期望信号DOA误差具有很好的稳健性．     

一种基于周期平稳信号特性的递归盲波束形成算法

提出了一种快速盲波束形成递归算法,可以大大降低运算复杂度,该算法尤其适用于对运算量有要求的阵列系统。实验结果验证了其有效性。     

恒模算法在盲波束形成中的应用

介绍了随机梯度恒模算法和最小二乘恒模算法以及它们在盲波束形成中的应用，总结了几种适用于多用户盲波束形成的恒模算法，分析了每一种方法的特点，并以四元均匀线阵为例，利用计算机模拟给出了这些算法的收敛性能，结合恒模算法的研究现状，指出了有待研究的几个问题。     

导向矢量不确定集约束的稳健Capon波束形成算法

针对Capon波束形成算法在导向矢量不确定集约束下的求解问题,提出了新的求解方法．通过对稳健算法最优化问题的特点和求解过程进行分析,给出了新的求解结果,不仅使不确定集约束参数的选择更加简单,同时使波束形成算法的性能改善达到最优．而且得出了负加载可以获得最优的性能改善,而约束参数选择得越大,波束形成算法的性能越接近于最优,而零解可以通过合理选择约束参数进行有效地避免．最后的仿真分析验证了理论分析的正确性和算法的有效性．     

一种稳健的特征空间线性约束波束形成器

基于特征空间的线性约束最小方差（eigenspace-based linearly constrained minimum variance,ELCMV）算法是一种稳健的波束形成方法,但其性能只能在一定的指向误差范围内保持稳定,当指向误差较大而使期望信号落在预设波束主瓣边缘时,其性能会严重恶化。对ELCMV算法进行改进,提出一种对零点约束方向和指向误差都具有稳健性的波束形成方法。该方法首先利用矢量旋转对预设导向矢量进行校正,再将校正后的导向矢量向信号子空间投影,最后结合线性约束用线性约束最小方差（linearly constrained minimum variance,LCMV）算法来求解权矢量。计算机仿真证实了该方法的有效性。     

一种积分约束的波束形成器

为了克服多点约束的波束形成不仅会占用较多的权矢量自由度，而且抑制干扰的性能不稳健的缺点，研究了一种积分约束的波束形成器，它在主瓣以外的方向上对波束形成器的输出功率求积分，并约束该积分值最小，给出了两种确定权值的方法，即加权法和特征空间法，仿真结果表明，积分约束的波束形成器不仅节省了权矢量自由度，而且提高了波束形成器抑制干扰的稳健性。     

基于Bayesian准则的鲁棒自适应波束形成算法

研究波束形成算法的前提是驾驶向量是确定的.在实际情况下,由于实际的阵列响应和期望信号的阵列响应存在一定的偏差,这时候就需要研究对于驾驶向量不确定情况下的波束形成问题.该文基于Bayesian准则,对一系列自适应MVDR波束形成器的权向量进行后验概率密度加权,得到Bayesian自适应波束形成器.仿真和实际水声阵列数据结果显示,该波束形成器在驾驶向量不确实的情况下,具有较好的鲁棒性.     

一种新的线性约束恒模算法

针对LSCCMA在干扰信号来波方向上不能形成明显零限的局限性,以及需要避开强干扰来波信号的应用场合,提出基于干扰信号导向矢量算法(LICCMA),该算法在常规CMA的基本条件上增加了干扰零陷的约束条件,以干扰信号零陷为目标进行算法优化设计.与LSCCMA相比,LICCMA在干扰信号强于期望信号的环境,在干扰信号来波方向上形成明显的零陷,提高了信号的信干比.     

声矢量阵自适应抵消稳健波束形成算法

常规自适应波束形成算法在期望信号导向矢量存在误差时,性能严重下降。为了改善被动声呐的探测能力,结合声矢量自适应抵消技术,提出了一种新的稳健自适应波束形成算法。通过组合声压和振速分量在波束方向上形成零点,并以之作为自适应抵消的参考输入,去除接收数据中的期望信号成分;然后对协方差矩阵进行特征分解,平滑噪声子空间的特征值;最后利用重构的协方差矩阵求解自适应波束形成的权向量。理论分析和仿真结果表明,新算法重构出的协方差矩阵仅包含干扰和噪声,显著改善了声矢量阵自适应波束形成的稳健性,在期望信号存在大的阵列流形误差和高信噪比情况下,都能给出令人满意的输出信干噪比。     

Navigation system of a class of underwater vehicle based on adaptive unscented Kalman fiter algorithm简

Inherent flaws in the extended Kalman filter（EKF） algorithm were pointed out and unscented Kalman filter（UKF） was put forward as an alternative.Furthermore,a novel adaptive unscented Kalman filter（AUKF） based on innovation was developed.The three data-fusing approaches were analyzed and evaluated in a mathematically rigorous way.Field experiments conducted in lake further demonstrate that AUKF reduces the position error approximately by 65% compared with EKF and by 35% UKF and improves the robust performance.     

一种基于投影预变换的自适应波束形成新算法

基于阵列数据的投影变换,提出了一种改进的自适应波束形成新算法,可对阵列数据进一步降维;当目标含于相关矩阵时,新算法能有效地抑制信号对消现象,并且具有良好的波束保形能力和快速收敛特点。计算机仿真结果验证了这些优点。     

有限次快拍下自适应波束形成

从协方差矩阵估计角度出发,解释了有限次快拍下造成逢适应波束形成性能下降和自适应波束畸变的原因,有限次快拍等效增加了干扰之间、干扰与噪声之间以及噪声之间的相关性,造成自适应波束形成性能下降,同时,有限次快拍下噪声等效为色噪声,文中分析了色噪声环境下自适应波束畸变机理,指出色噪声是自适应波束畸变的根本原因。     

基于循环平稳性的盲波束形成改进算法

提出了一种利用广义旁瓣对消思想进行盲波束形成的改进算法，新算法在基于循环频率的盲波束形成算法的基础上，通过在辅助支路利用于扰信号空间的投影矩阵对阵元接收到的信号进行降维处理，并对辅助支路的权值进行自适应求解，有效抑制了干扰信号．仿真结果表明了改进后算法的有效性．     

基于粒子滤波的神经网络学习算法

为了克服一般神经网络学习方法易陷入局部极小值的缺陷,提出一种新的基于粒子滤波的神经网络学习算法.采用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)产生粒子,以较少的粒子逼近状态的后验概率分布,搜索到经验风险函数的最小值.此方法适用于在线的、非线性的、非高斯的神经网络学习.仿真结果表明,该学习方法与同类方法相比,性能明显提高.     

Toeplitz化在ESB自适应波束形成算法中的应用

把Ｔｏｅｐｌｉｔｚ化和基于特征空间（ＥＳＢ）自适波速形成算法相结合,针对等距线提出了一种新的波束形成算法并进行了理论分析,该算法通过对估计得到的阵列信号相关矩阵进行Ｔｏｅｐｌｉｔｚ化,减小有限次采样引起的误差,获得较快的收敛速度,并能有效克服ＥＳＢ算法不能在相干环境下工作的缺点,计算机仿真结果证实了这种算法的有效性。     

四元数矩阵重构鲁棒波束形成算法

极化敏感阵列的四元数信号模型保持了偶极子阵元分量之间固有的正交性,因而四元数MVDR（Q-MVDR）算法具有比传统复数域MVDR算法更优的性能,但在强期望信号和导向矢量失配的情况下,Q-MVDR算法性能严重下降,甚至会出现期望信号相消现象.针对此问题,提出一种基于四元数矩阵重构的鲁棒波束形成算法.首先建立极化敏感阵列的四元数模型,将协方差矩阵重构方法扩展到四元数域,利用子空间方法得到干扰信号的导向矢量估计,并采用Capon谱估计方法获得干扰信号的功率,重构出干扰噪声协方差矩阵;然后根据信号子空间与噪声子空间的正交性,以及期望信号导向矢量与信号子空间属于同一子空间的特性,将权矢量投影到四元数信号子空间,对期望信号导向矢量失配误差进行修正;最后通过仿真实验验证了算法的有效性.仿真结果表明,在强期望信号和期望信号导向矢量失配时,与传统算法相比,本文算法有效避免期望信号相消引起的性能下降,增强了算法的鲁棒性,可以达到接近最优值的输出信干噪比(SINR).     

Robust adaptive beamforming algorithm in the situation of limited snapshots

In order to solve the problem of the sharp degradation of the adaptive beamformer performance due to limited snapshots, this paper proposes a new robust adaptive beamforming algorithm based on the correction of the covariance matrix and the estimation of the steering vector. The proposed algorithm first corrects the covariance matrix, and then obtains the estimation of the optimal steering vector with the corrected covariance matrix. Finally, using the corrected covariance matrix and the estimated optimal steering vector, the weight vector of the adaptive beamformer is calculated. The proposed algorithm can not only deal with all kinds of mismatches efficiently, but also solve the problem of the sharp degradation of the adaptive beamformer performance in the situation of limited snapshots, so that the robustness of the adaptive beamformer can be improved. Simulation results demonstrate the correctness and effectiveness of the proposed algorithm.