基于干扰噪声矩阵重构的自适应波束形成算法

针对在自适应波束形成中,当采样次数较少或期望信号导向矢量存在误差以及训练数据中含有期望信号成分时导致波束输出信干噪比(SINR)下降的问题,提出了一种重构干扰噪声协方差矩阵并且估计期望信号导向矢量的稳健自适应波束形成方法。在期望信号波达方向的角度范围已知的条件下,首先利用多重信号分类(MUSIC)空间谱在不含期望信号的区域重构出干扰噪声协方差矩阵;然后推导了避免期望信号的导向矢量的估计值收敛到任一干扰的导向矢量或它们的线性组合的约束条件;进而以此约束条件和阵列输出功率最大化条件建立了期望信号导向矢量估计的优化问题,并使用凸优化软件估计出最优的期望信号导向矢量。讨论了该方法的计算复杂度并通过仿真实验验证了其有效性和优越性。仿真结果表明,当期望信号和干扰源存在随机指向误差和局部散射的情况下,所提方法在很大的输入信噪比范围内的输出信干噪比仍接近理论值,优于其他自适应波束形成方法。     

数据含期望信号的重构稳健波束形成

研究稳健波束形成问题.样本数据含期望信号时,若存在导向矢量误差,常规MVDR波束形成会在期望信号方向上产生期望信号对消,性能损失严重.针对上述问题,提出了一种在对称干扰环境下的稳健MVDR波束形成方法.首先消除数据协方差矩阵的实部得到期望信号分量,进而重构出期望信号协方差矩阵,然后从数据协方差矩阵中减去重构的期望信号协方差矩阵,得到仅含有干扰和噪声的协方差矩阵,并以此来实现MVDR的权向量设计.仿真结果表明,改进方法消除了期望信号分量的不良影响,提高了波束形成对系统误差的稳健性.     

基于干扰加噪声协方差矩阵重构的稳健自适应波束形成

在自适应波束形成中,由于期望信号(SOI)导向矢量(SV)的误差、采样点数较少、训练数据中存在期望信号成分等原因,造成波束形成的性能严重下降。针对以上问题,提出了一种稳健波束形成方法。首先利用MUSIC算法和参数估计来重构不包含SOI的干扰噪声协方差矩阵,再通过利用相关系数来估计出期望信号导向矢量。仿真结果表明,该算法可以处理较大的方向误差,并且信噪比(SNR)在较大的范围内都可以得到比传统方法更佳的性能。     

一种简化特征空间稳健自适应波束形成算法*

在基于特征空间(ESB)的自适应波束形成算法中,针对当指向误差落在波束主瓣的边缘特定角度时,输出信干噪比下降,且信号子空间需要进行费时的特征值分解的问题,提出了改进线性约束最小方差(LCMV)算法。在假定的期望信号方向附近减少一个方向性约束条件,并基于信号特征值大于噪声特征值的这一特性, 利用空间协方差矩阵逆的高阶次幂来逼近信号子空间,无须特征分解,将求得的权矢量向改进的信号子空间投影。该方法能够大大减少计算量,同时还显著提高了自适应波束形成稳健性。通过仿真分析及结果比较验证了算法的正确性和有效性,因此从     

基于协方差矩阵重构的稳健自适应波束形成算法综述

Capon波束形成器作为理论上最优的波束形成器具有良好的干扰抑制能力。然而Capon波束形成器对于模型失配误差非常敏感,尤其是针对协方差矩阵和期望信号导向矢量误差,波束形成器的性能会严重下降,这大大降低了波束形成器的稳健性。目前,一系列基于协方差矩阵重构的稳健自适应波束形成算法被提出,这些算法核心思想都是利用Capon功率谱一定的角度范围内积分来重构出协方差矩阵。本文首先介绍了波束形成的信号模型,然后在Capon波束形成器的基础上,介绍了4种基于协方差矩阵重构的稳健自适应波束形成技术,最后对未来波束形成技术的研究热点进行了展望。     

一种低复杂度的鲁棒自适应波束形成算法

传统基于干扰噪声协方差矩阵（interference-plus-noise covariance matrix,INCM）重构的鲁棒自适应波束形成（robust adaptive beamformer,RAB）算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性,但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计,这带来了很高的计算复杂度。为了解决这个问题,提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和,然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解,得到误差项的模值,以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在,使用交替投影法估计得到期望信号的导向向量,最后得到所提算法的权重向量。仿真实验表明所提算法在多种误差环境下具有较强鲁棒性的同时,还具有较低的计算复杂度。     

改进的辅助变换相干干扰抑制波束形成技术

提出一种相干干扰下自适应波束形成方法。该方法同时约束非相干干扰与相干干扰,更好地实现对此两类干扰方向的自适应零陷滤波。采用变换预处理,避免抑制期望信号;恢复噪声特性并采用对角加载技术,增强算法稳健性;采用拉格朗日乘子法得到最优波束形成算法。理论分析与仿真结果表明,保持阵列孔径不变时,该算法提高了输出信干噪比和稳健性。     

导向矢量存在匹配误差时Capon波束校正算法

针对信号导向矢量存在匹配误差时提出一种Capon波束校正算法.该算法利用噪声子空间与期望信号导向矢量正交的特点,首先通过构造代价函数估计来波信号的方向角;然后在约束最优的基础上对误差进行迭代估计;最后对导向矢量进行校正并进行波束形成.本文通过计算机仿真验证了该方法的有效性.     

稳健的全阵波束形成方法

由于相干干扰和角度估计误差影响波束形成性能,对此提出一种稳健的波束形成方法。采用加权空间平滑算法去除相干性;对期望信号施加约束,保证一定角度估计误差范围内算法的稳健性;进行全阵波束形成变换,避免阵列孔径损失。仿真结果表明,在相干干扰环境中,该算法的方向图在期望信号方向有明显主瓣,有利于接收期望信号;在一定的角度估计误差范围内,该算法可保持比较高的且比较平坦的输出信干噪比;随着输入信噪比的增加,输出信干噪比几乎线性增大。     

自适应对角加载在波束形成中的仿真研究*

当阵列误差存在时,Capon波束形成算法性能会急剧下降,特别是阵列输出信干噪比(Signal  to Interference plus Noise Ratio, SINR)。对角加载可以减弱小特征值对应的噪声波束的影响,能有效改善阵列性能及方向图畸变,但加载值的确定是一个较为困难的问题。本文算法根据加载值和采样协方差矩阵间的关系确定加载值,能自适应的根据采样数据确定加载值,在小快拍数和阵列误差存在情况下仍具有良好的鲁棒性,明显改善了阵列性能并减小了方向图畸变,且使零陷准确对准干扰方向。计算机仿真结果证实了此算法的鲁棒性。     

Robust adaptive beamforming using a novel signal power estimation algorithm

Recently, many robust adaptive beamforming (RAB) methods based on covariance matrix reconstruction have been proposed. Motivated by the idea, in this paper, a novel and efficient signal power estimator is devised to reconstruct the interference-plus-noise covariance (INC) matrix, with the corresponding RAB algorithm proposed. Firstly, the steering vectors of the incoming sources are derived using the Capon spatial spectrum and known array geometry. Secondly, a set of linear equations is established based on the signal subspace projection, from which the powers of the incoming sources are estimated. Based on the presumed angular sector of the signal-of-interest (SOI), the steering vectors and powers of the SOI and interferences are distinguished, and the INC matrix is then reconstructed. Finally, the beamformer is determined by the estimated INC matrix and SOI steering vector. The proposed algorithm is computationally more efficient than other reconstruction-based methods because there are closed-form solutions for the signal powers. Simulation results indicate that our proposed algorithm performs better than the existing methods at high signal-to-noise ratios (SNRs), and achieves nearly optimal performance across a wide range of SNR.     

Low complexity robust adaptive beamforming for general-rank signal model with positive semidefinite constraint

We propose a low complexity robust beamforming method for the general-rank signal model, to combat against mismatches of the desired signal array response and the received signal covariance matrix. The proposed beamformer not only considers the norm bounded uncertainties in the desired and received signal covariance matrices, but also includes an additional positive semidefinite constraint on the desired signal covariance matrix. Based on the worst-case performance optimization criterion, a computationally simple closed-form weight vector is obtained. Simulation results verify the validity and robustness of the proposed beamforming method.     

Robust blind adaptive beamforming under double constraints

In practical complex communication environments, the performance of linearly constrained constant modulus algorithm (CMA) is known to degrade severely in the presence of even slight signal steering vector mismatches. To overcome the mismatches, a novel robust CMA is proposed for blind adaptive beamforming via the worst-case performance optimization and the oblique projection of signal steering vector, which is based on double constraints on explicit modeling of uncertainties in the desired signal array in this paper. To improve robustness, the weight vector is optimized to involve minimization of a constant modulus algorithm objective function with penalty for the worst-case signal steering vector. The theoretical analysis for our proposed algorithm in terms of SINR and convergence performance is presented in this paper. The proposed robust constrained CMA resolves the problem of interference capture, provides excellent robustness against the signal steering vector mismatches, and improves array output performance. Simulation results are presented to show the excellence of this technique and the main parameters of concern to evaluate the performance are analyzed.     

一种改进的智能天线盲波束形成算法

将空分多址技术引入无线通信系统中,针对无线电信号普遍具有的循环平稳特性,提出了非线性条件下的改进盲波束形成算法。通过对算法的权向量进行再次优化,改善了方向图零陷的位置和深度,提高了输出SINR。优化算法的输出SINR对导引向量随机误差具有稳健性,对期望信号的功率变化表现出不敏感的特性,算法具有很好的理论价值以及应用前景。理论分析与计算机仿真实验都证明了算法的有效性。     

基于最陡下降的稳健LCMV波束形成算法

针对期望信号假定导向矢量与真实导向矢量存在误差时,常规LCMV算法性能急剧下降,提出了一种针对指向误差、阵元位置误差和相位误差的基于最陡下降的稳健LCMV波束形成方法。利用最陡下降法递归搜索最优权矢量和约束导向矢量,避免了常规LCMV算法的矩阵求逆运算和变对角加载时的特征值分解,所需运算量大大降低;又因不属于对角加载,不存在加载值确定问题。仿真结果表明,新方法对期望信号导向矢量的各种误差有很好的稳健性。     

一种改进的可变对角加载自适应波束形成算法

由于观测方向误差的存在,使得实际获得的方向向量与其理论值产生偏差,进而对各类自适应波束形成算法性能造成较大影响。为此提出一种有效的对角加载自适应波束形成算法,首先利用目标信号的方向向量在噪声子空间中投影最小的原理,对带有误差的方向向量进行校正,然后再使用可变对角加载原理求得对角加载因子,对实际获得的自相关矩阵进行对角加载后,形成自适应波束,从而很好地消除了方向向量误差造成的影响。算法能够有效克服目标信号对消现象,并具有良好的保形能力和快速收敛的特点。计算机仿真结果验证了这些优点。