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。     

一种基于导向矢量约束的恒模盲波束形成算法

针对阵列信号波达角(direction of arrival,DOA)先验信息已知的情况,利用信号的恒模特性,在卡尔曼滤波(Kalman filter,KF)结构下,提出一种附加阵列导向矢量约束的自适应波束形成算法.对约束情况下的卡尔曼滤波目标函数运用拉格朗日乘子法,求得约束条件下的最优估计表达式,并将其推广到无迹卡尔曼滤波(unscented Kalman filter,UKF)算法中,通过约束迭代算法对阵列估计信号的导向角施加约束,实现约束UKF自适应波束形成算法的最优权值分配.仿真过程中,用所提算法与约束恒模迭代最小二乘算法和约束最小方差迭代最小二乘算法作对比,表明表明,该算法在收敛速度、信噪比、稳健性、跟踪性能方面具有较好的性能.     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。     

基于支持向量机的鲁棒波束形成

针对传统的最优波束形成对基阵的微小扰动非常敏感,使得最优波束形成器在导向向量存在误差时性能下降。为了改善最优波束形成器的鲁棒性,在对基于结构风险最小化原理的支持向量机(Support Vector Machine,SVM)算法分析的基础上,通过纳入附加的不等式约束来修改传统的线性约束最小方差价值函数,提出基于支持向量机的鲁棒波束形成方法。同时,为了减轻二次规划技术所带来的高计算成本,凸优化过程采用迭代重加权最小二乘算法来实现。与传统的最优波束形成算法相比,新方法能够提高最优波束形成对误差的鲁棒性。数值仿真实验表明:在无失配的理想情形和有失配的实际情形下,基于支持向量机的波束形成算法在期望信号阵列响应误差方面增加了鲁棒性,特别是在高信噪比或干扰信号数目较多的情况下,取得了满意的效果,为提高波束形成器的鲁棒性提供了一种新的有效途径。     

基于最陡下降的最优稳健宽带波束形成算法

针对导向矢量失配问题,提出一种基于最陡下降法的最优宽带稳健波束形成算法.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,利用最陡下降法求解最优角加载量,并推导出真实的导向矢量.同时将真实导向矢量和角加载协方差矩阵相结合,求解最优加权值.仿真结果验证了该算法的稳健性.     

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。     

二阶锥规划在噪声源稳健定位识别中的应用

针对噪声源高分辨定位识别方法在失配条件下性能严重退化的问题,提出了稳健矢量阵MVDR聚焦波束形成方法.该方法在已有高分辨聚焦算法的基础之上,通过对矢量阵近场权向量的模强加不等式约束,进而利用二阶锥规划求解最优权及空间谱,明显改善了矢量阵MVDR聚焦处理器的稳健性.优化后的高稳健性聚焦处理器在失配条件下可以获得更大的动态...     

均匀直线阵下通用信号模型稳健波束形成算法

针对非相干散射信号源稳健波束形成问题,提出了一种均匀直线阵下通用信号模型稳健波束形成算法．该算法通过引入数据共轭重排理论,利用定义的两个转换矩阵,重新构造信号协方差矩阵,给出了最优权矢量的实值闭式表达式,减少了算法的计算复杂度．仿真分析了期望信号信噪比、指向误差、快拍数及失配约束参数对输出信干噪比的影响．仿真实验表明,通过对接收数据的共轭重排再利用,提高了算法在快拍数有限、存在有用信号失配及其他失配等非理想条件下的输出性能．     

联合协方差矩阵重构和ADMM的鲁棒波束形成

为解决传统波束形成器在干扰位置发生扰动和导向矢量失配时,造成自适应权重的不匹配,从而导致算法性能急剧下降,甚至期望信号相消的问题,提出一种联合协方差矩阵重构和交替方向乘子法(Alternating direction method of multipliers, ADMM)的鲁棒波束形成方法。对此,首先基于波束形成器最大输出功率准则,设计了求解最优导向矢量的优化模型。接着,根据Capon算法空间功率谱函数,利用定义的干扰范围对协方差矩阵进行重构,以展宽零陷并增强系统抗运动干扰能力。最后,关于导向矢量的二次不等式约束问题,本质为估计导向矢量和期望导向矢量间的差异,该方法利用ADMM对该二次规划问题进行迭代求解,并在每次迭代中获得导向矢量的具体解。另外,也分析了算法的复杂度。实验结果表明：对比现有的波束形成算法,在干扰处加宽了零陷,提高了波束的抗干扰性;结合复杂度也证明了其计算速度优于现有的算法,并且能够很好地校正失配导向矢量。本方法也为求解二次不等式约束问题和提高波束形成算法性能提供了一种思路和途径。     

迭代寻优的稳健波束形成

针对导向矢量失配程度较大时,常见稳健波束形成算法性能下降问题,提出了一种迭代搜索最优导向矢量的稳健波束形成算法。首先利用修正后的导向矢量构造使波束输出功率最大的目标函数,分别从干扰抑制和噪声抑制2个方面推导了新导向矢量应满足的约束条件。给出了利用矩阵滤波思想构造约束条件的方法并分析其合理性。针对优化问题难以求解的问题,提出了一种迭代寻优的搜索方法,将每次迭代转化为求解一次二阶锥规划问题。仿真分析表明,相比于常见稳健波束形成算法,该算法有更高的抗导向矢量失配的稳健性,且需要的先验信息更容易获取。     

改进的粒子群优化算法下的MIMO雷达稳健波束形成

在进行阵列自适应波束形成时,由于阵元导向矢量失配现象的存在,严重影响了常规最优波束形成的性能。考虑阵元的导向矢量误差,运用改进的粒子群优化算法对阵元的导向矢量进行纠正,使其误差达到最小,得到了一种适用于多输入多输出雷达的新的稳健波束形成方法。与现有的应用于MIMO雷达的稳健波束形成方法相比,在导向矢量误差较大或者误差随机变化的情况下新方法具有更高的输出信号干噪比,且其性能一直保持了较高的稳定性。数值仿真结果验证了新方法相比已有算法具有更好的鲁棒性和更高的输出性能。     

基于径向基函数神经网络的波束形成算法

提出一种基于径向基函数(RBF)神经网络的波束形成算法。针对最小方差无失真响应(MVDR)算法,由接收信号的协方差矩阵计算其权矢量;将协方差矩阵以列向量的形式输入RBF神经网络,对其加以训练,使之逼近MVDR算法的权矢量;将训练好的RBF神经网络用于波束形成中,对不同角度的接收信号,RBF神经网络可自适应地输出相应权矢量。仿真结果表明,基于RBF神经网络的波束形成算法能快速逼近任意波束算法的权矢量,波束赋形效果良好,与已有波束形成算法相比,可降低算法复杂度,减少计算量。