波束形成算法指向误差时的稳健性研究

为有效克服期望信号方向存在指向误差而导致的阵列流形向量失配的问题,提出了一种基于支持向量回归机的波束形成方法.该方法在分析线性约束最小方差波束形成器的基础上,将支持向量机的损失函数引入到线性约束最小方差波束形成器的最优化问题中,从而使基于结构风险最小化原理的支持向量回归机算法与波束形成算法相结合.通过MATLAB仿真实验,在没有失配的理想情况和期望信号存在方向向量失配的情况下,选取不同的支持向量机参数以及信噪比,分析对2种损失函数的基于支持向量机的波束形成算法.仿真实验结果表明,该算法在期望信号方向存在指向误差时,依然能够保持较好的系统输出信噪比,具有一定的稳健性.     

鲁棒RLS波束形成算法

分析了多径传播环境下,信号方向向量的偏差和采样样本数目的变化对自适应波束形成算法性能的影响,提出了一种鲁棒RLS波束形成算法·该算法具有收敛速度快,抗扰动性强,误差小的特点·采用鲁棒RLS波束形成算法不但降低了波束形成器对于信号方向向量的偏差的敏感程度,而且可以保证阵列输出的信干噪比(SINR)接近最优值,仿真实验验证了所提算法的有效性·实验结果表明即使在强扰动或偏差存在的情况下,采用鲁棒RLS算法可使系统具有良好的SINR,而且可以改善加权向量的归一化偏差·     

一种基于Bayesian方法的鲁棒自适应波束形成算法

由于在实际环境中,期望信号的阵列响应与实际阵列响应之间存在偏差,使得现存的一些自适应波束形成算法的性能下降.针对上述问题,基于Bayesian方法提出了鲁棒自适应波束形成算法,并且给出其递推形式.该算法利用接收到的采样信号对实际信号方向向量进行估计,降低了信号到来方向的不确定性,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证输出阵列的信干噪比接近最优值.采用递推方法来计算逆矩阵,大大地降低了计算的复杂度,能够满足实时处理的要求.仿真实验表明,与传统自适应波束形成算法相比,所提鲁棒自适应波束形成算法具有更好的性能.     

采用幅度响应约束的鲁棒自适应波束形成算法

针对大导向矢量失配误差造成传统自适应波束形成算法鲁棒性下降的问题,提出采用幅度响应约束的鲁棒自适应波束形成算法。该算法首先对接收数据协方差矩阵失配进行建模优化,然后根据已知的多径相干信号大致来波方向信息对波束主瓣进行幅度响应约束,并利用所提引理将优化问题转化为迭代二阶锥规划问题,最后对权矢量直接进行求解获得最佳值。仿真结果表明:该算法能够针对多径相干信号形成多波束主瓣,自由控制波束主瓣宽度和纹波水平。当期望信号的方向偏差达到3.5°、输入信干噪比在-5~10dB范围内变化时,该算法的阵列输出信干噪比优于不确定集类算法0~6dB,对大导向矢量失配误差鲁棒性更高。     

稳健自适应波束形成算法

<正>自适应波束形成是阵列信号处理的核心内容,目前已广泛应用于雷达、声纳、麦克风阵列、无线通信、导航、地震学、射电天文、生物医学等许多国民经济和军事应用领域。在实际应用中,自适应波束形成器性能恶化的一个重要原因是期望信号阵列响应的真实值与假定值之间存在一定的失配误差。传统的自适应波束形成器对这些失配误差非常敏感,即使很小的失配误差也可能导致自适应波束形成器性能的严重下降。在模型失配条件下,仍能自适应地调整波束形成器     

一种基于次元分析技术的鲁棒波束形成算法

针对实际应用中先验知识存在偏差的问题,基于权向量长度恒定的常规线性约束波束形成算法,提出一种权向量长度恒定的最差情况性能优化波束形成算法.分析了神经次元分析(MCA)学习规则与该波束形成优化问题在数学描述上的相似性,利用神经MCA学习规则实现鲁棒自适应波束形成.仿真结果表明,与基于线性约束的波束形成算法相比,该算法具有更强的信号跟踪能力和干扰抑制能力,并且对信号方向向量的偏差具有更强的鲁棒性.     

适用于任意阵列的鲁棒波束形成算法

针对期望信号来波角度误差和干扰快速变化导致的导向矢量失配问题,本文提出了一种新型的零陷展宽鲁棒自适应波束形成算法.该算法重构接收信号的协方差矩阵,根据大致的期望信号角度约束平顶主瓣波束,提出了迭代算法来解决经过上述处理步骤后得到的非凸的优化问题.仿真显示,本文提出的算法相比于传统算法对来波角度误差及干扰快速变化拥有更好的鲁棒性,且该算法适用于任意阵列.      

基于收缩方法的稳健自适应波束形成算法

针对有限采样数据样本中含有期望信号时自适应波束形成器性能下降的问题,提出了一种不需要任何参数设定的稳健自适应波束形成算法.该算法利用收缩方法得到一个增强的协方差矩阵估计值,替代传统的采样协方差矩阵,提高了算法的性能.为了克服信号导向矢量存在误差时对波束形成器性能的影响,对算法进行进一步的扩充,使其既能改善小快拍时协方差矩阵的估计值又能克服期望信号导向矢量的失配.仿真结果表明:该方法不仅能够改善小快拍情况下波束形成器的性能,而且还能克服期望信号导向矢量失配带来的不利影响.     

一种基于对角载入的鲁棒MVDR波束形成算法

当信号方向向量精确已知时,传统最小方差无畸变响应(MVDR)波束形成算法具有较好的分辨率和抗干扰能力.在实际通信环境中,由于外部环境、天线阵列以及采样协方差矩阵的估计误差等因素的影响,导致传统MVDR波束形成算法的性能急剧下降.针对这一问题,本文提出了一种新的基于对角载入的鲁棒MVDR波束形成算法.该算法考虑信号方向向量的偏差对MVDR算法性能的影响,并在最大允许偏差范围内导出最优的权重向量,有效地抑制了偏差对输出性能的影响,具有很强的鲁棒性,从而能够适应复杂的通信环境;同时该算法采用递推算法避免矩阵求逆,降低了计算复杂度,便于工程实现.仿真实验表明,与传统MVDR算法相比,所提算法具有更好的输出性能。     

一种鲁棒回归支持向量机及其学习算法

为了提高支持向量机的泛化能力，给出了一个鲁棒损失函数，利用它建立了鲁棒支持向量机，并利用对偶原理推导出其对偶优化问题的形式，在此基础上设计了局部梯度算法，在这种算法中每次迭代只改变两个优化变量的值。随后分析了算法的收敛性条件，给出了学习步长的选择依据，最后用一个仿真实例来说明所提出的支持向量机的学习性能，比标准支持向量机具有更好的鲁棒性。