稳健自适应波束形成器设计与仿真

针对自适应波束形成器在进行对角加载时存在选取对角加载值的不可靠问题,设计了一种稳健的自适应波束形成器。通过采用收缩方法(Shrinkage Method)获得了对协方差矩阵更精确的估计,以代替标准Capon波束形成器(SCB)中的采样协方差矩阵。与传统自适应波束形成器相比,能够根据给定数据完全自主的计算出对角加载值而不需要指定任何用户参数,有效的抑制干扰信号,改善输出信噪比,且具有良好的波束保形能力和较快的收敛速度,特别是在快拍数较少的情况下具有很好的性能。计算机仿真验证了设计方法的正确性和有效性。     

基于EMD的单通道信源数估计方法

为了获取单通道接收信号的信源数目,针对普通信源数估计方法不能直接用于单通道接收信号的问题,提出了基于经验模态分解(empirical mode decomposition, EMD)的信源数估计方法。将单通道信号通过EMD处理,得到多个固有模态函数(intrinsic-mode function, IMF),据此构造数据协方差矩阵。对所构造的协方差矩阵进行特征值分解,采用基于信息论的AIC和MDL准则估计信源数。为进一步提高算法估计性能,引入对角加载技术对矩阵特征值进行平滑处理。仿真实验结果表面,本文提出的方法能够适用于单通道信源数估计,对角加载技术能够显著提高算法检测性能。     

一种预处理的恒模波束形成算法

传统恒模波束形成算法在干扰信号功率大于期望信号功率情况下会出现干扰捕获现象。针对这一问题,提出一种预处理波束形成算法。预处理波束形成算法利用天线接收的数据矩阵的协方差矩阵构造新的协方差矩阵,使新的协方差矩阵关于期望信号的对角最小化,并用新的协方差矩阵的最小特征值对应的特征向量作为权值的初始值,此算法能够准确地捕获到期望信号并抑制干扰信号。通过仿真证实了算法的有效性。     

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。     

基于FPGA的逆QR分解SMI算法的并行实现方法

在讨论了逆QR分解(逆正交三角分解)SM(I采样矩阵求逆)自适应波束形成算法的基础上,研究了逆QR分解SMI算法的Systolic阵列(脉动阵列)并行实现结构,分析了组成Systolic阵列的各PE(处理单元)单元的基本运算模块的实现,并给出了逆QR分解SMI算法基于Systolic阵列结构的FPGA(现场可编程门阵列)并行实现方法,提出了系统整体的设计与构架。     

基于矩阵对角加载与泄漏迭代的广义最小平均p范数波束形成方法

在简要介绍稳定分布统计特性的基础上,依据泄漏梯度下降原理、矩阵对角加载方法,通过对最小平均p范数加以改进,提出了一种稳定分布噪声下基于矩阵对角加载与泄漏迭代的广义最小平均p范数波束形成方法,并探讨了算法性能。     

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。     

频域宽带波束形成器设计

研究无线网络传感器,采用宽带信号波束技术,为了使宽带信号在整个频段内保持稳健的波束,以及克服快拍数有限对空间谱估计带来的不利影响,采用频域波束形成算法形成宽带波束,利用对角加载技术补偿所估计的空间谱,并通过矩阵求逆定理推导出对角加载值的取值范围.最后的仿真结果表明通过选择合适的对角加载值可以克服快拍数目不足带来的影响,从而实现具有较高阵列增益的稳健宽带波束,有效地完成对信号的空域处理,提高了传输性能.     

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。     

基于子空间逼近的特征空间波束形成算法

特征空间波束形成（ESB）算法为了得到信号子空间需要对采样协方差矩阵进行特征值分解,运算量十分巨大,这大大限制了其应用。为了减低ESB算法的运算量,利用有理子空间逼近的原理,提出一种不需要估计信号源个数的快速ESB算法。该方法利用一个介于信号和噪声特征值之间的分界值将特征空间分成两个子空间,并用矩阵幂乘和此分界值的有理式逼近这两个子空间的投影矩阵,将此投影矩阵代入到ESB算法的权值求解式中,在不降低性能的前提下,可大大提高波束形成的运算速度。计算机仿真验证了该算法的有效性,并分析了分界值取值方法的不同对子空间划分及波束形成性能的影响。     

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。     

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。     

一种基于排序QR分解和Adaboost分类器的盲水印算法

本文提出了一种基于顺序QR分解和Adaboost分类器的智能水印算法。对顺序QR分解并提取R矩阵的对角线元素来构造样本特征向量并嵌入水印。在水印提取过程中,利用Adaboost分类器对待检测的样本向量进行分类。实验结果表明,本文提出的方法不仅能够抵抗诸如噪声、滤波和压缩的类噪声攻击,也可以抵抗类似裁剪和旋转的几何失真。     

基于2DSVD的多变量时间序列半监督分类

目前时间序列半监督分类研究主要集中在单变量时间序列,由于多变量时间序列（MTS）变量之间存在复杂关系,MTS的半监督分类研究比较少.针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性.在10个MTS数据集上的实验结果表明,该方法的分类性能显著地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法.     

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。     

Mutual neighbors and diagonal loading-based sparse locally linear embedding

In this study, a new Locally Linear Embedding (LLE) algorithm is proposed. Common LLE includes three steps. First, neighbors of each data point are determined. Second, each data point is linearly modeled using its neighbors and a similarity graph matrix is constructed. Third, embedded data are extracted using the graph matrix. In this study, for each data point mutual neighborhood conception and loading its covariance matrix diagonally are used to calculate the linear modeling coefficients. Two data points will be named mutual neighbors, if each of them is in the neighborhood of the other. Diagonal loading of the neighboring covariance matrix is applied to avoid its singularity and also to diminish the effect of noise in the reconstruction coefficients. Simulation results demonstrate the performance of applying mutual neighborhood conception and diagonal loading and their combination. Also, the results of applying the mutual neighborhood on Laplacian Eigenmap (LEM) demonstrate the good performance of the proposed neighbor selection method. Our proposed method improves recognition rate on Persian handwritten digits and face image databases.     

多变量传递函数矩阵辨识的二级QR分解快速递推算法

提出一种多变量传递函数矩阵辨识的二级QR分解算法,避免了子系统辨识方法 对可测数据的重复处理;在不扩大维数的条件下,获得使总体损失函数最小的估计值.该算法 与HOUSEHOLDER变换的快速递推算法结合,不仅大大地减少了辨识所需的运算量,而且 可减少LS算法中增益矩阵计算的误差积累和传递，提高辨识精度.     

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.     

基于综合误差的对角负载稳健波束合成器*

在稳健的波束合成器中,采用对角负载的校正方法能有效克服误差影响。与传统的对角负载稳健波束合成器相比,新算法一方面综合考虑多种误差影响,建立相应数学模型;另一方面,在求解最优对角负载值时,对协方差矩阵进行了预处理,消除了部分误差影响,从而使对角负载校正方法更加有效。计算机仿真证明了新算法的有效性。