基于特征值分解的稳健波束形成技术

Capon 自适应波束形成中,导向矢量误差和协方差矩阵的估计误差均会导致波束形成器的性能下降。针对这一现象,提出一种基于特征值分解的稳健波束形成技术,即在将估计的协方差矩阵特征值分解后,直接对影响波束形成器稳健性能的噪声小特征值进行算术平均处理,以获得接近于理想波束形成器的稳健性能。同时根据试验仿真,给出了用于区分干扰和噪声特征值的门限计算公式,为准确构建特征子空间提供了思路。分析结果表明,与传统的对角加载方法相比,该方法能够达到同样的改善性能,在实际运用中更加直接和有效。     

一种加载量迭代搜索的稳健波束形成

当阵列的导向矢量并不精确已知时,自适应波束形成有较大的性能损失.为提高波束形成的稳健性,对角加载成为一种常用的方式.但困扰这类方法的核心问题是合适的加载量如何确定.粗估导向矢量经对角加载后得到修正的导向矢量,如果加载量合适,则修正后的导向矢量接近真实导向矢量,即与噪声子空间的正交性变好.基于以上分析,构造修正导向矢量向信号子空间和噪声子空间投影的加权代价函数来评价加载量的合适与否,进而提出一种迭代搜索合适加载量的方法.计算机仿真验证了方法的有效性,与同类方法对比显示其优越性.     

基于稳健最小二乘的鲁棒波束形成

为解决Capon波束形成器在存在导向矢量失配时的性能急剧下降问题,提出了一种结合广义旁瓣对消器和稳健最小二乘的鲁棒波束形成算法.该算法利用广义旁瓣对消器原理将Capon波束形成器转化为最小二乘问题,然后在数据协方差矩阵误差的范数约束下将其转化为二阶锥规划问题,并利用高效内点法得到最优解.所提出的算法经推导证明属于对角加载类.仿真分析表明,该算法在导向矢量失配和快拍不足时仍具有较好的性能.     

改进的双约束稳健Capon波束形成算法

传统双约束稳健Capon波束形成算法采用牛顿迭代法求解最优加载量,存在计算精度低且运算量大的问题。该文提出一种改进的双约束稳健Capon波束形成(DCRCB)算法,该算法对信号协方差矩阵进行重构,基于期望信号导向矢量在噪声子空间的投影最优,将重构后的干扰加噪声协方差矩阵投影到噪声子空间,得到基于噪声子空间的双约束算法模型。该算法中通过模约束的辅助约束作用,将改进的双约束算法模型转化为单约束问题,最终解得最优对角加载量的解析表达式。仿真结果表明改进算法能通过调整主瓣宽度优化波束旁瓣,有效提高了抗矢量偏差的鲁棒性,同时降低了运算量。     

四元数域干扰加噪声协方差矩阵重构鲁棒自适应波束形成

基于电磁矢量传感器阵列的四元数Capon波束形成器较传统的复数域Capon波束形成器有更好的性能。但是该方法在存在指向误差和极化失配的情况下性能急剧下降,甚至会出现信号相消现象。本文将协方差矩阵重构方法推广于四元数Capon波束形成中,通过利用Q-Capon的极化-角度谱估计得到干扰和噪声的功率来对干扰加噪声协方差矩阵进行重构,避免了对角加载方法中对对角加载因子的求解,而且能够有效克服指向误差与极化失配带来的性能下降。计算机仿真表明,该方法相较于其他四元数域的方法有着更好的性能。      

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。     

正交模约束的稳健波束形成算法

Capon波束形成算法在导向矢量存在误差或是在较少快拍数或高信噪比情况下,都会使波束产生严重的畸变。为了提高波束的稳健性,该文提出了一种正交模约束的稳健波束形成算法(OCCB),并通过二次求导得到阵列权值的具体数学表达式。该算法在Capon算法的基础上,增加对阵列权值和噪声子空间的正交模约束,实现了在不影响信号和干扰特征值的同时,完成对噪声特征值的加载,减小噪声特征值的扩散程度。分析了部分对角加载对期望信号、干扰和噪声的影响。该算法在导向矢量存在误差、采样快拍数较少和高信噪比情况下,都可使波束具有更低的旁瓣和更加准确的主瓣指向,同时对干扰能进行较好的抑制,仿真结果证实了方法的有效性。     

基于聚焦信号子空间估计导向矢量的干扰声源抑制方法

针对最小方差无失真响应（Minimum Variance Distortionless Response,MVDR）波束形成器对导向矢量失配较敏感的问题,本文提出了一种有效的干扰声源抑制方法 .该方法首先将语音信号的频带划分为多个子带,通过聚焦信号子空间方法估计各子带的声源到达方向（Direction of Arrival,DOA）,并采用统计直方图估计各声源的初始DOA;其次,为了减小导向矢量失配,利用声源的空间稀疏性,通过Capon功率构建目标声源导向矢量估计的代价函数,约束目标声源导向矢量远离干扰声源空间;最后,根据估计的导向矢量,估计干扰声源加噪声协方差矩阵,以获得MVDR波束形成器的权重.基于TIMIT语料库的实验结果证明,提出的干扰声源抑制方法的输出信干噪比（SINR）及语音质量感知评价（PESQ）优于参考方法,具有更佳的抗导向矢量失配性能.     

对角加载对信号源数检测性能的改善

对角加载技术可抑制小特征值对自适应权值的影响来加速自适应波束形成器的收敛性以及抑制导向矢量误差的影响避免信号相消,该技术通常用于稳健的波束形成算法.基于对角加载技术,本文提出了一种信号源数目判定的改进方法,通过对角加载数据协方差阵,可以平滑小快拍数和空间色噪声时的噪声特征值分散程度从而减轻其对信号源数目估计的影响,证明了该估计器的强一致性,分析了加载量对信号源数目估计的影响.最后通过仿真以及实测数据比较了本文方法和已有方法的性能,验证了所提方法的有效性.     

基于导向矢量估计的鲁棒波束形成

针对标准Capon波束形成器中真实导向矢量与期望导向矢量存在误差时,其性能会急剧下降的问题,提出了基于加权空间平滑与导向矢量估计相结合的鲁棒波束形成算法。该算法利用加权空间平滑方法,对子阵进行特殊的划分,根据子阵间自相关矩阵与互相关矩阵权重差异,采用嵌套的方式获得加权矩阵,继而得到更加精确的协方差矩阵,接着,使用不确定范围约束期望导向矢量来获得真实导向矢量。仿真结果表明,和传统的自适应波束形成算法相比较,本文算法在面对协方差矩阵中含有期望信号以及角度失配问题时,鲁棒性得到明显提升。     

Single-trial subspace-based approach for VEP extraction

A signal subspace approach for extracting visual evoked potentials (VEPs) from the background electroencephalogram (EEG) colored noise without the need for a prewhitening stage is proposed. Linear estimation of the clean signal is performed by minimizing signal distortion while maintaining the residual noise energy below some given threshold. The generalized eigendecomposition of the covariance matrices of a VEP signal and brain background EEG noise is used to transform them jointly to diagonal matrices. The generalized subspace is then decomposed into signal subspace and noise subspace. Enhancement is performed by nulling the components in the noise subspace and retaining the components in the signal subspace. The performance of the proposed algorithm is tested with simulated and real data, and compared with the recently proposed signal subspace techniques. With the simulated data, the algorithms are used to estimate the latencies of P(100), P(200), and P(300) of VEP signals corrupted by additive colored noise at different values of SNR. With the real data, the VEP signals are collected at Selayang Hospital, Kuala Lumpur, Malaysia, and the capability of the proposed algorithm in detecting the latency of P(100) is obtained and compared with other subspace techniques. The ensemble averaging technique is used as a baseline for this comparison. The results indicated significant improvement by the proposed technique in terms of better accuracy and less failure rate.     

低信噪比下相干信号的DOA估计的白噪声滤除方法

在波达方向估计中,“相干”和“信噪比”一直引人关注。相干会使多重信号分类等算法失效,究其原因就是信源协方差矩阵的秩亏缺。低信噪比使阵列协方差矩阵的主次特征值区分困难,造成信号和噪声的子空间划分错误。针对相干,人们往往都是从“解相干”的角度出发,通过各种手段使信源的协方差矩阵能够满秩,但并未对秩亏缺特性加以利用。基于此,本文给出了一种在低信噪比下对相干源的波达方向估计的噪声消除方法,在仅有加性白噪声的环境下,利用相干信号协方差矩阵不能满秩的特点,通过求解方程组,用求的值代替估计的协方差矩阵的相关对角元素（即对角加载处理）,置换被噪声污染的对角元素,进而可以滤除掉白噪声的影响。仿真结果证实了方法的有效性。      

有色噪声下GNSS空时抗干扰算法的性能分析和改进

在全球卫星导航(GNSS)阵列天线抗干扰理论中,系统噪声通常被视为理想白噪声(AWGN).但在实际工程中发现系统噪声通常是有色噪声且会影响空时自适应处理(STAP)算法的性能.该文首先推导得出了有色噪声功率谱与空时抗干扰后卫星导航信号相关峰的理论关系,然后通过仿真实验验证了该理论关系的正确性,同时分析了噪声功率谱的等效...     

一种基于矩阵三对角化分解的DOA估计算法

针对DOA（Direction of Arrival）估计在低信噪比的情况下估计性能下降的问题, 根据阵列协方差矩阵共轭对称的特点,采用基于Givens变换的三对角化分解方法对协方 差矩阵进行三对角化,同时利用盖氏(Gerschgorin)圆递推方法准确估计信号子空间的秩, 然后再对三对角 矩阵进行对角化,估计出噪声子空间,利用噪声子空间与导向矢量正交实现波达方向估计, 改善了低信噪比背景下估计的误差性能和稳健性。计算机仿真证明了算法的有效性 。     

宽带子阵域特征空间稳健对角减载波束形成

针对宽带子阵域自适应波束形成器在实际使用中稳健性下降、对弱信号的检测能力受信噪比限制的问题,提出了一种宽带子阵域特征空间稳健对角减载自适应波束形成方法.首先提出利用子阵域特征空间投影法修正导引向量并得到球形不确定集的估计,再利用RCB（Robust Capon Beamformer）算法得到约束条件下的最优权值.另一方面,利用子阵域互谱密度矩阵的最小特征值作为子阵域非相关噪声功率的估计并进行对角减载,以最优权值对减载矩阵波束形成得到子带波束输出,对每个窄子带重复上述处理,再将结果非相干叠加即可得到本文方法的最终结果.理论及实验分析表明方法能提高自适应波束形成器的稳健性及输出信噪比.     

基于信号子空间的语音增强方法

基于子空间的语音增强算法不同于基于信号处理和统计估计的经典语音增强算法,其核心思想就是将带噪语音信号映射到信号子空间和噪声子空间中,并在信号子空间中估计原始信号。本文提出的算法是以线性代数和矩阵分析为基础,利用对语音信号和噪声协方差矩阵同时对角变换的条件,对混有加性白噪声和粉红噪声的语音信号进行增强处理。经过实验分析及与传统的语音增强算法相比较,语音失真较小,增强效果较好,能够在极大限度地抑制背景噪声的同时减少频谱失真和残余噪声。     

Source enumeration method by combining diagonal loading andconstructing second-order statistics

A source enumeration method based on diagonal loading of eigenvalues and constructing second-order statistics is proposed, for the case that the antenna array observed signals are overlapped with spatial colored noise, and the number of antennas compared with the number of snapshots meet the requirement of general asymptotic regime. Firstly, the sample covariance matrix of the observed signals is obtained, the eigenvalues of the sample covariance matrix can be acquired by eigenvalue decompositio...