迭代对角加载采样矩阵求逆鲁棒自适应波束形成

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,该文提出了一种迭代对角加载采样矩阵求逆鲁棒自适应波束形成算法。该算法对传统对角加载算法进行了迭代运算,基于Capon波束形成器的最优权矢量与假定导向矢量的基本关系,将每一步得到的权矢量,对应反解出一个比导向矢量假定值更为准确的导向矢量,并替代假定值,最终逼近真实的期望信号导向矢量。提出的方法在迭代过程中只需一步递推,无需对导向矢量建立不确定集,避免了在每步迭代中运用拉格朗日数值法或凸优化法,且明显提高了波束形成器的输出信干噪比。仿真结果验证了算法的正确性和有效性。     

基于约束最小二乘的稳健发射波束零点控制方法

针对阵列误差下传统的发射波束零点控制算法性能下降,波束主瓣产生畸变以及零点方向不能正确地指向期望方向的问题,提出一种基于约束最小二乘的稳健发射波束零点产生方法。该方法在阵列误差已知的情况下,首先基于约束的最小二乘算法求解理想阵列条件下宽零点约束的最优权值矢量,然后根据阵列误差矩阵进行权值修正,在阵列误差值未知时首先求解无零点约束的常规稳健最优权值矢量,利用二阶锥规划模型求解,然后通过约束的最小二乘误差逼近求解宽零点约束的最优权值矢量。数值仿真结果表明,所提方法能够解决阵列误差下宽零点约束发射波束形成的稳健性问题。     

顽健自适应波束形成算法

针对方向向量偏差会导致最小均方(LMS)算法的性能急剧下降这一问题,提出了一种基于可变对角载入的顽健自适应波束形成算法.采用最陡下降法对信号方向向量进行优化求解,并在每次迭代过程中更新对角载入值,进而求出最优的权重向量,避免了矩阵求逆运算和特征值分解运算,大大降低了计算复杂度.通过建立步长与输入信号的关系得到可变的步长因子,克服了收敛速度和稳态误差之间的矛盾.该算法收敛速度快,抗扰动性强,对信号方向向量偏差具有很强的顽健性,从而改善了阵列输出的信干噪比,使其更接近最优值.理论分析和仿真结果表明与传统自适应波束形成算法相比,所提顽健算法具有更好的性能.     

一种基于对角加载的降维多级维纳滤波实现方法

文章以GPS信号抗干扰为背景,应用多级维纳滤波的抗干扰方式。首先分析了经过多级维纳滤波前向迭代后的降维数据矢量的协方差矩阵,给出以特征值和特征矢量表示的最优权值。最优权值的表示式表明在滤波器维数超过最优时高阶的特征值对最优权值影响较大。随后通过仿真试验证明了在滤波器维数超过最优时输出信干噪比会下降。通过引入对角加载量并适当选择加载量功率的大小可以抵消滤波器维数过估计带来的影响,试验表明在对角加载量与白噪声方差相等时可以获得较好的输出信干噪比。文章从空频响应的角度试验了对角加载对于多级维纳滤波算法的意义。最后仿真试验了基于对角加载多级维纳滤波实现方法的抗干扰性能。      

相位响应固定幅度响应约束的稳健波束形成方法

传统的幅度约束波束形成器是一个非凸问题,需将原始模型化为线性规划进行间接求解。该文针对均匀线阵提出一种相位响应固定幅度响应约束(PFMC)的稳健波束形成方法。利用权矢量逆序列对应的传递函数与阵列响应函数只差一个相位因子这一性质,将阵列响应的相位设置为固定的线性相位,仅对阵列响应的实数幅度进行约束,从而得到一个凸的代价函数,最优权矢量可以利用内点法求出。同时考虑到协方差矩阵误差,利用最坏(WC)情况性能最优原理提出PFMC-WC算法改善PFMC的性能。与传统幅度约束波束形成器相比,减少了约束个数并省掉了恢复权矢量过程,从而降低了计算量。此外,由于相位响应得到保证,该文算法相对于传统算法具有更好的性能。仿真实验验证了该文算法的有效性。     

基于随机扰动技术的共形阵列失效单元非凸压缩感知近场诊断方法

在基于压缩感知的阵列失效单元近场诊断方法中,使用结构化随机采样策略构造的观测矩阵约束等距特性未知,采用1范数极小化凸优化算法将无法确保阵列失效单元的高概率精确诊断.针对这一不足,本文在深入研究非凸优化算法的基础上提出了一种基于随机扰动技术的非凸压缩感知近场诊断算法.首先在失效单元个数满足稀疏性的前提下构造差异性阵列,其次按照随机欠采样方式获取近场幅相信息,最后利用所提基于随机扰动技术的非凸优化算法对差异性阵列激励进行重构,从而实现对阵列失效单元的高概率精确诊断.数值仿真实验表明,所提算法避免了由于观测矩阵的约束等距特性未知对诊断性能造成的不利影响,并且克服了非凸范数易于陷入局部最优解的弊端,有效提高了阵列失效单元的诊断成功概率.     

基于粒子群优化的数字波束形成算法

波束形成的加权系数求解是一个优化过程,现有算法大多经过多次迭代,计算量大,实现复杂。为降低波束形成算法复杂度,将粒子群优化原理应用于数字波束形成中,提出了基于粒子群优化的自适应数字波束形成算法。该算法将每一组权值作为一个粒子,将阵列加权和的输出信号与干扰噪声比(SINR)作为适应度函数,通过比较各个粒子的适应度值,进行迭代搜索得到最优解。该算法可使天线阵在主波束对准有用信号,同时能有效抑制两个以上的干扰,且对阵列通道误差有较好的稳健性。计算机仿真验证了算法的有效性。     

基于范数优化的对角加载稳健自适应波束形成

本文提出了一种基于范数优化的对角加载自适应波束形成算法。算法利用p-范数来代替2-范数对误差不确定性进行总体修正,从而解决导向矢量和样本方差矩阵同时存在失配误差时所导致的波束形成器性能下降问题。最优范数p通过遗传算法求得。仿真结果验证了在不同实验条件下,相比于传统的对角加载算法,使用最优p范数比2-范数约束具有更好的性能。     

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。     

基于凸优化的低复杂度平面阵列综合方法

针对运用凸优化方法综合平面阵列耗时较长的问题,提出一种基于凸优化的低复杂度平面阵列综合方法。该方法将基于加权?1范数最小化的平面阵列综合模型中二维波束旁瓣约束条件转换成横向阵列和纵向阵列的一维波束旁瓣约束问题,从而降低了凸优化的约束条件数,有效加快了算法的收敛速度。仿真结果表明,该方法虽然在平面阵列综合的稀疏程度方面要稍劣于传统凸优化方法,但是它能快速获得具有大范围低波束旁瓣电平以及更短孔径的平面阵列。     

Robust Adaptive Beamforming Under Quadratic Constraint with Recursive Method Implementation

When adaptive arrays are applied to practical problems, the performances of the conventional adaptive beamforming algorithms are known to degrade substantially in the presence of even slight mismatches between the actual and presumed array responses to the desired signal. Similar types of performance degradation can occur because of data nonstationarity and small training sample size, when the signal steering vector is known exactly. In this paper, to account for mismatches, we propose robust adaptive beamforming algorithm for implementing a quadratic inequality constraint with recursive method updating, which is based on explicit modeling of uncertainties in the desired signal array response and data covariance matrix. We show that the proposed algorithm belongs to the class of diagonal loading approaches, but diagonal loading terms can be precisely calculated based on the given level of uncertainties in the signal array response and data covariance matrix. The variable diagonal loading term is added at each recursive step, which leads to a simpler closed-form algorithm. Our proposed robust recursive algorithm improves the overall robustness against the signal steering vector mismatches and small training sample size, enhances the array system performance under random perturbations in sensor parameters and makes the mean output array SINR consistently close to the optimal one. Moreover, the proposed robust adaptive beamforming can be efficiently computed at a low complexity cost compared with the conventional adaptive beamforming algorithms. Computer simulation results demonstrate excellent performance of our proposed algorithm as compared with the existing adaptive beamforming algorithms.     

基于可变对角载入的鲁棒自适应波束形成算法

针对传统算法对方向向量偏差敏感的缺点,提出了一种基于可变对角载入的鲁棒自适应波束形成算法.为了提高算法的鲁棒性,采用非线性约束条件下的最优化阵列输出功率对信号方向向量进行优化求解,且优化解中的参量能够准确求出.为了减少计算量,采用递推算法求逆矩阵并利用泰勒级数展开,推导出基于可变对角载入的权重向量公式.该算法可有效地抑制方向向量偏差所带来的影响,降低了计算量易于实时实现,提高了系统的鲁棒性,改善了阵列输出的信干噪比,使其更接近最优值.仿真结果表明,该算法相对传统算法可以获得更好的性能.     

Further Study on Robust Adaptive Beamforming With Optimum Diagonal Loading

Significant effort has gone into designing robust adaptive beamforming algorithms to improve robustness against uncertainties in array manifold. These uncertainties may be caused by uncertainty in direction-of-arrival (DOA), imperfect array calibration, near-far effect, mutual coupling, and other mismatch and modeling errors. A diagonal loading technique is obligatory to fulfil the uncertainty constraint where the diagonal loading level is amended to satisfy the constrained value. The major drawback of diagonal loading techniques is that it is not clear how to get the optimum value of diagonal loading level based on the recognized level of uncertainty constraint. In this paper, an alternative realization of the robust adaptive linearly constrained minimum variance beamforming with ellipsoidal uncertainty constraint on the steering vector is developed. The diagonal loading technique is integrated into the adaptive update schemes by means of optimum variable loading technique which provides loading-on-demand mechanism rather than fixed, continuous or ad hoc loading. We additionally enrich the proposed robust adaptive beamformers by imposing a cooperative quadratic constraint on the weight vector norm to overcome noise enhancement at low SNR. Several numerical simulations with DOA mismatch, moving jamming, and mutual coupling are carried out to explore the performance of the proposed schemes and compare their performance with other traditional and robust beamformers     

基于投影对消处理技术的稳健自适应波束形成

针对传统自适应波束形成算法中目标波达方向(Direction of Arrival,DOA)估计不准确引起的波束形成性能下降问题,提出了一种采用投影对消矩阵的稳健自适应波束形成算法.首先,寻找与估计波达方向有最大相关性的特征矢量作为目标信号特征矢量,然后构建对消矩阵消除协方差矩阵中的信号分量,最后通过增加零点约束实现干扰抑制.与传统对角加载类稳健波束形成算法相比,所提算法不受对角加载因子的影响,且在信干噪比较大时仍然具有良好的抗干扰性能.仿真对比实验验证了所提算法的有效性.     

最差性能最优通用信号模型稳健波束形成算法

针对空间分布散射信号源的稳健波束形成问题,提出了一种新的通用信号模型稳健波束形成算法,不仅得到了封闭形式的最优加权矢量,而且获得了最优的性能改善.其中分析了与传统对角加载的关系,给出了最优加载量的计算方法,并得出具有最优负加载的解才可以获得最优的性能改善.最后的仿真分析验证了所提出算法的正确性和有效性,而且发现最优加权矢量只取决于给定的接收数据和未知的失配量,与失配约束参数的选择无关,而失配约束参数只是参与最优权计算的辅助参数.     

一种稳健自适应多波束形成算法

在快拍数较少且多个输入期望信号功率差异较大的情况下,针对多数自适应多波束形成算法难以同时保持强弱期望信号波束稳健性的问题,文中联合子空间变换技术以及对角加载技术对协方差矩阵进行重构,提出了一种基于协方差矩阵重构的稳健自适应多波束形成算法。该算法不仅能够在快拍数较少且多个期望信号功率差异较大情况下同时保持各波束主波束无畸变,而且能够保持各波束零陷的稳健性。最后,通过波束图对比仿真实验分析验证了重构协方差矩阵对强弱期望信号波束主瓣与零陷稳健性的提升,并且通过输出信干噪比对比实验证明了文中提出的自适应多波束形成算法抗干扰性能更优。      

基于BMP及CMR的抗主瓣干扰算法研究

瓣干扰算法。通过分析阻塞矩阵预处理后数据特征值的变化情况,修正预处理导致的过处理现象,从而重构协方差矩阵,该算法适用于阻塞矩阵预处理导致的自由度损失的情况,能够解决由于预处理导致的主瓣波峰偏移等失真问题,同时算法复杂度较低。该算法最大的优点是当采样快拍包含目标信号时,其抗干扰性能较好,快拍敏感度相比常规的波束保形方法更低,经实测数据验证,结果显示出该算法的优越性。     

一种改进的稳健自适应波束形成算法

当快拍数较小时,自适应波束形成算法的性能将会降低,而对角加载算法是提高这类自适应波束形成算法稳健性的简单而有效的方法,但是至今没有一种比较有效的方法来确定对角加载值。本文提出了一种确定加载值的方法,这种方法在加载值和协方差矩阵的估计误差之间建立联系,它能够根据阵列的输出数据动态的调整加载值。计算机仿真证实了该算法的有效性。     

MIMO雷达稳健的发射波束形成算法

针对发射导向矢量存在未知误差的问题,该文提出了一种MIMO雷达稳健的发射波束形成算法(Robust Transmitting Beamforming, RTB)。该算法在稳健的接收波束形成算法的基础上,以最大化最差情况输出信干噪比为优化准则,对发射导向矢量误差做稳健的发射波束形成。RTB算法属于对角加载方法。仿真结果表明,相比于已有算法,RTB算法的稳健性更好、计算复杂度更低、收敛速度更快。     

频率不变约束的角加载稳健宽带波束形成算法

应用角加载技术能够提高波束形成算法稳健性,但是角加载量确定却是一个难解决问题。文中提出了一种基于频率不变约束的可变角加载最优稳健波束形成算法(Frequency Invariance Constraints-Variable Diagonal Loading,FIC-VDL)。该算法基于宽带波束形成的时域模型,根据多频点约束下导向矢量的不确定范围,利用频率不变约束因子将多频点变为参考频点约束来求解最优角加载量,并推导出真实的导向矢量。该方法能够改善宽带波束形成器在期望方向的频率不变特性,同时降低系统计算复杂度。计算机仿真结果验证了所提算法的稳健性。