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.     

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。     

一种基于周期平稳的鲁棒盲神经网络波束形成器

本文提出了一种鲁棒的盲神经网络波束形成算法。该算法利用信号的周期平稳特性估计阵列的导引矢量,利用LCMV方法抑制噪声干扰,利用对角加载技术增强算法的鲁棒性,利用神经网络的网状计算结构特点便于其实现。理论分析和计算机仿真表明,该算法实现简单,鲁棒性强,易于实时应用。     

一种低旁瓣数字波束形成方法

线性约束最小方差准则(LCMV)在波束形成技术中得到了广泛的应用.但是,很多情况下,它会产生偏高旁瓣.本文基于多线性约束最小方差准则,提出了一种降低旁瓣的波束形成算法.该算法通过搜索技术寻找到已形成波束图的最高旁瓣点,建立对应方向矢量上的增益方程,将其添加到原来的LCMV准则约束条件中,然后利用多线性约束最小方差准则进行权值更新,实现旁瓣的降低.该算法不仅适用于均匀阵列,还适用于非均匀阵列,仿真结果表明了该算法的正确性和有效性.     

基于导向矢量估计的鲁棒自适应波束形成算法

针对在导向矢量存在误差情况下自适应波束形成算法性能严重下降的问题,提出一种基于导向矢量估计的鲁棒自适应波束形成(Steering Vector Estimation Based Robust Adaptive Beamforming,SVE-RAB)算法.算法用导向矢量不确定范围估计真实导向矢量,利用范数约束通过二阶锥规划技术提高波束形成的鲁棒性.算法可在导向矢量存在误差的情况下,对期望信号保持最大增益并有效抑制干扰,且有效提高了波束形成输出的信干噪比(Signal to Interference plus Noise Ratio,SINR).仿真结果验证了算法的有效性和优越性.     

最坏情况下的鲁棒自适应波束形成算法性能分析

研究了最坏情况下的鲁棒自适应波束形成算法,它通过对角加载提高波束对方向矢量误差的鲁棒性.给出了其最优对角加载因子的近似解析达式,揭示了各种因素如何影响最优加载因子.在此基础上,对该算法进行了性能分析,推导出了关于目标功率估计和信号干扰噪声比的近似表达式.计算机仿真验证了本文的分析.     

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.     

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。     

基于改进PSO的对角加载波束形成算法

当协方差矩阵和导向矢量估计存在误差时,Capon波束形成算法性能急剧下降.对角加载能够提升Capon波束形成算法对误差的鲁棒性,但是最优加载因子的确定是当前的难题.提出一种基于改进粒子群优化(IPSO)算法的对角加载波束形成算法,首先将加载因子与协方差矩阵特征值谱联系起来,利用协方差矩阵特征值谱的分布特性确定最优加载因...     

一种空间色噪声环境下的鲁棒自适应波束

该文提出了一种基于对角加载的鲁棒自适应波束形成算法,以提高空间色噪声环境中自适应波束对方向矢量误差的鲁棒性。该算法首先利用噪声协方差矩阵对阵列相关矩阵进行预白化,同时定义了一个与噪声矩阵相对应的椭圆方向矢量模糊集,然后,通过在该模糊集内进行最坏情况性能优化来确定对角加载因子。和现有的通过迭代求解加载因子的方法不同,该文给出了最优加载因子的近似解析表达式,降低了运算量,揭示了哪些因素可以影响最优加载因子,以及如何影响。仿真结果表明,在空间色噪声环境中,该算法具有很好的鲁棒性,并且,给出的加载因子表达式是其真实最优解的一个准确近似。