基于导向矢量估计的鲁棒自适应波束形成算法

针对在导向矢量存在误差情况下自适应波束形成算法性能严重下降的问题,提出一种基于导向矢量估计的鲁棒自适应波束形成(Steering Vector Estimation Based Robust Adaptive Beamforming,SVE-RAB)算法.算法用导向矢量不确定范围估计真实导向矢量,利用范数约束通过二阶锥规划技术提高波束形成的鲁棒性.算法可在导向矢量存在误差的情况下,对期望信号保持最大增益并有效抑制干扰,且有效提高了波束形成输出的信干噪比(Signal to Interference plus Noise Ratio,SINR).仿真结果验证了算法的有效性和优越性.     

基于波束域导向矢量估计的稳健自适应波束形成方法

针对导向矢量失配和样本协方差矩阵估计误差导致自适应波束形成性能下降的问题,该文提出一种基于波束域导向矢量估计的稳健方法。该方法首先利用期望信号角度失配区域的补集构造波束域转换矩阵,克服了当样本协方差矩阵中存在期望信号分量时现有算法出现有用信号对消的缺点。其次推导出波束域导向矢量估计方法,并将其转化为包含恒模约束的非凸二次约束二次规划问题,然后采用半正定松弛规划估计实际的波束域导向矢量。计算机仿真验证了该文所提方法的有效性。     

基于导向矢量双层估计和协方差矩阵重构的稳健波束形成算法

针对干扰加噪声协方差矩阵(INCM)重构过程中Capon功率谱(CPS)估计分辨率低的问题,该文提出两种稳健自适应波束形成（RAB）算法。该算法首先通过搜索CPS的峰值确定积分区间,然后对各区间积分所得的协方差矩阵进行特征值分解。通过合理设置判定门限确定区间内所含的入射信源数量,并将较大特征值所对应的特征向量作为信源导向矢量(SV)的初步估计。而后通过最大化估计功率的方法,在初步估计SV的正交空间内搜索其与真实SV之间的误差。该算法1利用最小特征值所对应的特征向量,向初步估计的SV中添加正交比例梯度,得到双层估计的SV。与算法1不同,算法2通过求解2次优化(QP)问题得到修正的SV。最后通过重构INCM获得阵列最优权值矢量。通过计算机仿真实验,验证了所提算法有效解决了CPS估计分辨率低的问题,较其他算法综合性能更优,具备更高的稳健性。     

一种基于协方差矩阵重构的波束形成算法

针对Capon波束形成在误差条件下敏感性问题,提出一种基于协方差矩阵重构的鲁棒波束形成算法。算法将信号集中出现的空域划分为干扰区域和信号区域,接着将两个区域划分为若干相互独立不重叠的部分,对干扰区域积分,构造出干扰协方差矩阵;再利用采样协方差矩阵特征分解后的最小特征值重构出噪声协方差矩阵;最后对期望信号导向矢量误差进行环不确定集建模,并在期望信号导向矢量环不确定集上进行Capon谱积分来估计期望信号协方差矩阵,根据其主特征矢量获取期望信号导向矢量。仿真表明,与传统鲁棒波束形成算法相比,此方法在不同快拍数以及输入信噪比条件下,性能更加优异且稳定,同时计算量较小。     

基于协方差矩阵重构和导向矢量估计的稳健自适应波束形成

实际应用中, 当假定的与真实的期望信号导向矢量之间存在一定误差时, 波束形成器的性能会急剧下降, 特别是当期望信号功率很强的时候.为解决这个问题, 提出了一种新的算法.当信源数小于阵元数时, 干扰加噪声协方差矩阵具有稀疏性.新方法首先利用该特性重构干扰加噪声协方差矩阵并由此得到与干扰导向矢量正交的子空间, 使接收的数据通过该子空间得到只含有期望信号和噪声的混合信号, 然后,对该混合信号基于最大化输出功率原理估计期望信号导向矢量, 最后,把得到的导向矢量和正交子空间来构造阵列加权值.仿真结果表明:该算法分别在假定的期望信号导向矢量存在误差、期望信号很强和低快拍数时仍然具有良好的性能.     

导向矢量和协方差矩阵联合迭代估计的稳健波束形成算法

针对自适应波束形成器在目标导向矢量存在约束偏差时性能急剧下降的问题,该文提出一种目标导向矢量和干扰噪声协方差矩阵联合迭代估计的稳健波束形成算法。该算法首先采用稀疏重构的方法得到目标导向矢量的初始值,并通过从采样协方差矩阵中剔除目标信号估计值完成干扰加噪声协方差矩阵的初始化;然后在建立导向矢量误差优化模型的基础上,采用凸优化方法对目标导向矢量和干扰加噪声协方差矩阵联合迭代求解。最后利用目标导向矢量和干扰加噪声协方差矩阵的稳态估计值获得自适应权矢量。仿真结果表明该算法提高了波束形成器在目标导向矢量约束偏差时的输出信干噪比。     

一种分解迭代二阶锥规划鲁棒自适应波束形成算法

为有效克服导向矢量大失配误差对自适应波束形成器的影响,该文提出了一种最差性能最优的分解迭代鲁棒自适应波束形成算法。该算法对非凸的幅度响应约束问题进行分解处理,将问题转化为迭代的二阶锥规划问题,从而可对鲁棒响应区的波束宽度和纹波水平进行自由控制,并可得到较高的输出信干噪比。此外,与现有大部分该类鲁棒波束形成方法相比,提出的算法直接对权矢量进行优化,无需使用谱分解算法,避免了阵列结构的限制,可适用于任意阵形。仿真结果验证了算法的正确性和有效性。     

迭代更新导向矢量的稳健波束形成算法

稳健的Capon波束形成器(RCB)可以克服常规波束形成对导向矢量误差的敏感性,但其性能受导向矢量误差范围估计值的影响.为此,提出了一种不需要给定误差范围的稳健波束形成方法,利用导向矢量误差中与假想导向矢量正交的分量,将双约束RCB算法的优化问题转换为几个迭代的二次锥规划问题,逐次更新导向矢量以获得最优权,计算机仿真验证了方法的有效性.     

几种鲁棒自适应波束形成算法的对比

自适应波束形成器可以根据接收信号自适应地调整权矢量,增强期望信号,并有效抑制干扰。在实际环境中,由于波达角估计、阵列校准等误差因素的存在,导致传统自适应波束形成算法性能严重下降,因此,如何提高自适应波束形成算法的鲁棒性是一个重要的研究问题。本文对鲁棒自适应波束形成算法进行研究,对算法进行仿真、分析和比较,总结出各算法的性能优缺点,最后对鲁棒自适应波束形成算法的发展趋势提出自己的几点见解及展望。     

一种联合修正的稳健Capon波束形成算法

指出了水平定向天线阵波束形成的主要难点,没有固定相位中心和受交叉极化来波的影响。阵列受随机性误差使得导向矢量存在较大失配,从而导致传统Capon算法性能下降甚至失效。在阵列误差模型下,给出了基于协方差矩阵与导向矢量联合修正的稳健Capon波束形成算法。该算法首先基于收缩得到一个增强的协方差矩阵,然后通过最大化Capon输出功率实现对导向矢量的修正,同时增加二次型约束防止修正的导向矢量接近于干扰导向矢量上。该算法可转化为二次约束二阶规划问题,并通过凸优化进行求解。仿真结果表明,该算法对天线阵模型中误差矩阵具有一定的稳健性,且较其他稳健算法具有较好的性能。     

基于稳健波束形成的InSAR干涉相位估计方法

该文在联合像素估计干涉相位的基础上,充分利用相邻像素的相干信息,通过校正阵列导向矢量,使得导向矢量与该地面分辨单元的协方差矩阵相对应,通过稳健波束形成实现对地形干涉相位估计。实验结果证明了该方法有效性的同时,能够在SAR图像配准误差较大(可以允许达到一个分辨单元)的情况下,得到稳健的干涉相位估计结果。     

Robust Recursive Beamforming in the Presence of Impulsive Noise and Steering Vector Mismatch

This paper proposes a new method for robust beamforming in the presence of impulsive noise as well as steering vector mismatch. In our proposed method, the idea of M-estimation is firstly incorporated into the traditional orthonormal PAST (OPAST) algorithm for subspace tracking to combat the hostile effect of impulsive noise. Taking advantage of the subspace principle, we show that the steering vector mismatch can be recursively and robustly estimated in closed form. Then, by making use of the estimated steering vector, the problem of robust beamforming in the presence of impulsive noise is formulated. The solution of this problem is analytically derived and the resultant robust beamformer is shown to have a similar form to the Capon beamformer, whereas the array covariance matrix and the steering vector are robustly estimated. Different from conventional methods, the impulsive noise and the steering vector mismatch are simultaneously handled by extending the traditional OPAST algorithm, and hence the proposed method has low complexity and it is feasible to nonstationary scenarios with moving sources. Simulation results demonstrate the validity and superiority of the proposed method over conventional methods in impulsive noise environment with steering vector mismatch.     

矢量最优化稳健波束形成性能分析

针对标准的Capon波束形成在阵列导向矢量存在误差时出现严重性能退化,本文从权矢量模约束和不确定集两个角度出发,提出矢量最优化稳健波束形成方法,并通过二阶锥规划进行有效求解.文中还进一步给出自适应权矢量的近似解析表达式,揭示了影响最优权矢量的各主要因素.通过理论分析和计算机仿真研究,详细讨论了约束参数、信噪比、快拍数以及方位估计偏差对输出信干噪比及空间谱估计的影响.外场实验数据处理结果表明,将本文方法应用于实际工程进行空间谱估计,能够得到准确而稳健的高分辨方位估计结果.     

基于响应矢量优化的共形阵列稳健波束形成方法

针对共形阵列天线自适应波束形成中存在的主瓣保形困难、旁瓣电平高等问题,该文提出基于波束响应矢量优化的自适应波束形成方法。在主瓣波束保形约束条件下,通过自适应地调整波束响应矢量,求得最优的响应矢量,进而求得准最优自适应权。该方法将非凸的二次约束二阶优化问题转化到高维空间进行求解,并通过半正定松弛(SDR)转化为凸优化问题,高效求得准最优解。该方法不仅保持了期望的主瓣响应,同时克服了传统线性约束最小方差(LCMV)自适应波束形成方法旁瓣高的缺点,并且对阵列构型具有稳健性。仿真实验验证了该方法的有效性。     

A User Parameter-Free Robust Adaptive Beamformer Based on General Linear Combination in Tandem with Steering Vector Estimation

If there is a mismatch between the assumed steering vector (SV) and the real value, the performance of adaptive beamforming methods is degraded. When the signal SV is known exactly but the sample size is small, the performance degradation can also occur. The second kind of degradation is mainly due to the mismatch between the sample covariance matrix and the real one. Almost all existing robust adaptive beamformers are proposed to improve the robustness against these two types of mismatch. Indeed, most of them are user parameter dependent, and the user parameter-free robust beamformers are scarce. As one of the shrinkage methods, the general linear combination (GLC) based beamformer is a good user parameter-free robust beamformer. However, it is only suitable for the scenarios with low sample size and/or small SV mismatch. In this paper, we propose a new robust beamformer, and it is based on general linear combination in tandem with SV estimation (GLCSVE). The proposed approach is superior to GLC in two aspects. One is that the GLCSVE beamformer performs well not only with small but also with large sample size. The other is that the GLCSVE can effectively deal with a large range of SV mismatch. Moreover, the proposed GLCSVE approach is a user parameter-free robust beamformer, and is more suitable for application than the parameter dependent approaches. The idea of our method can also be used to enhance other shrinkage based beamformers.     

一种基于导向矢量变换的DOA估计预处理方法

针对大多数空间谱估计算法在目标数量大于阵列自由度时失效这一问题,该文基于内插阵列变换思想,提出一种基于导向矢量变换的空域滤波方法。利用目标分布的先验信息,将观测空间划分为若干子空间,保证每一子空间内的目标数量小于阵列自由度;使用内插阵列变换方法,将整个观测空间的导向矢量变换为子空间的导向矢量,抑制子空间外的目标,从而将观测空间内大量目标的DOA估计问题转化为若干子空间内的常规DOA估计问题。计算机仿真结果验证了方法的有效性。