基于RBF神经网络的功率倒置波束形成算法

提出一种基于径向基函数神经网络的功率倒置波束形成算法。该算法将计算功率倒置算法的最佳权向量的两个变量,即接收信号的自相关矩阵和参考信号与接收信号的互相关矩阵输入RBF神经网络,对网络进行训练,通过只提取接收信号自相关矩阵的有用信息输入网络,减少网络训练时间,使之逼近功率倒置的最佳权向量。仿真结果表明,该算法能准确的逼近功率倒置的最佳权向量,减小了运算量。     

基于小波分析的改进旁瓣相消宽带信号波束形成算法

研究了改进的旁瓣相消算法,该算法利用小波滤波器组阻塞接收信号的期望信号分量进行自适应的波束形成。经过改进算法处理后,阵列信号的协方差矩阵中不包含期望信号分量,从而克服了当存在系统误差时自适应波束形成中期望信号相消的问题,并解决了在实际应用中旁瓣相消波束形成算法GSC波束形成算法需要构造与期望信号的导向矢量完全正交的阻塞矩阵的难点问题,从而达到提高系统稳健性能的目的,仿真结果验证了该算法的性能优于传统的MVDR方法和基于MVDR的对角加载方法。     

一种改进的SMI波束形成算法

协方差矩阵求逆(SMI)波束形成算法利用协方差矩阵求逆的方法求得权值,其收敛速度快,但是当期望信号信噪比增加时,算法性能急剧下降。本文提出一种改进的SMI算法,它增加了一个可以调节这种波束形成器权向量中的增强因子,从而使算法在期望信号信噪比增加的条件下也实现。     

矢量水听器阵波束域MVDR方法研究

矢量水听器可同时拾取声压和振速信息,成阵后水听器间的相移信息量增大.基于矢量水听器阵的波束形成性能明显由于单纯声压水听器阵.矢量水听器阵可用常规方法进行波束形成,但其方位分辨率有限.已经有人研究了矢量水听器阵的最小方差无失真响应波束形成算法(MVDR),但属于对阵元域信号进行的直接处理,运算量较大.本文提出一种基于矢量水听器阵的波束域MVDR算法(BMVDR).该算法首先将矢量水听器阵元的空间数据转换到波束空间,然后对转换后的数据再运用MVDR算法.结果,不但实现了降维处理,减小了运算量,同时可进一步抑制扫描扇面外的噪声.对BMVDR算法进行了仿真并与常规MVDR算法进行了比较.结果表明,本文方法可得到与常规MVDR算法相当的方位分辨能力.     

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).     

基于特征投影矩阵和线性约束的水声阵列信号抗主瓣干扰方法

提出了基于特征投影矩阵和线性约束的水声阵列信号抗主瓣干扰方法。该方法首先改进重构了干扰噪声的协方差矩阵,消除预处理时期望信号对主瓣干扰特征矢量选择的影响;其次,添加线性约束,保证期望信号方向增益,约束旁瓣干扰子空间置零,同时使得自适应权矢量的模最小,消除噪声抖动;最后求取自适应权矢量进行波束形成。仿真实验结果表明,本工作算法不仅在旁瓣有更深零陷,还能使主波束保形,提高了系统的输出信干噪比。     

水声阵列信号处理对角减载技术

针对独立高斯白噪声背景和多个平面波干扰,尤其是低输入信噪比的情况,提出一种基于阵列信号协方差矩阵对角减载的波束形成技术。通过足够多次快拍的估计,得到接收信号稳定的协方差矩阵,对协方差矩阵进行适量的对角减载能提高阵列输出增益以及多目标的分辨能力。对基于对角减载的常规波束形成和最小方差无畸变波束形成器的阵列增益进行了仿真,分析了阵列增益随减载系数的变化关系,并研究了多目标分辨时对角减载系数的取值区间,最后仿真验证了对角减载技术提高MVDR多目标分辨能力的有效性。     

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。     

基于干扰矩阵重构的稳健自适应波束形成算法

针对较高信噪比下自适应波束形成性能退化问题,提出了一种基于干扰噪声协方差矩阵重构的新型稳健自适应波束形成算法。利用空间谱估计方法重构出不含期望信号的干扰噪声协方差矩阵,保证了高信噪比时波束形成器的输出增益;并基于信号子空间与干扰子空间的正交性建立了期望信号导向矢量估计的约束条件,以求解出近似最优的权值矢量。理论分析和仿真结果表明,当存在随机指向误差和局部散射时,该算法在较大输入信噪比范围内的性能仍接近最优,较现有算法稳健性更强。     

非线性约束的自适应波束形成算法

提出基于非线性约束的自适应波束形成算法. 首先修改接收信号协方差矩阵信号子空间中的特征向量,使修改后的协方差矩阵基本不包含期望信号(SOI)成分而只包含干扰信号和噪声. 进而利用线性约束最小均方算法(LCMV)和修改后的波束空间求解方向图的权向量w. 为了提高算法的稳健性,采用非线性约束方法对w进行优化,w的优化解在形式上不同于可变对角加载类算法,且优化解中的待定参数容易准确求出. 新算法的输出信干比 (SINR)对导引向量随机误差具有稳健性, 并对期望信号的功率变化表现出不敏感的特性, 仿真证明了这一点.