基于LCMV的IQRD-SMI自适应数字波束形成算法

指出QR分解采样矩阵求逆算法(QRD-SMI算法)是一种较流行的自适应数字波束形成算法,但其需要前向和后向代入才能得到自适应权向量w,从而导致其实时性和并行性能欠佳.在QRD-SMI算法的基础上,采用逆QR分解方法,提出了一种不需要前向和后向代入而能全速/并行得到实时权向量w的一种逆QR分解SMI算法(IQRD-SMI算法),给出其易于硬件并行实现的Systolic阵结构.该算法能克服QRD-SMI算法并行性和实时性欠佳的缺点,能做到真正意义上的实时并行权向量抽取.仿真结果和分析验证了该算法的有效性和实时性.     

一种自适应调零阵的LCMV算法

详细推导了基于功率倒置阵列的线性约束最小方差(LCMV)算法及其递推公式,避免了矩阵求逆的复杂运算。然后在Matlab环境里构建了仿真模型来模拟实际的接收环境和复现阵列接收到的信号,对均匀线阵和圆阵都做了仿真,并得到了相应的阵列波束图,为自适应天线的实用设计提供了参考和依据。仿真结果表明:该算法收敛速度快、易于实现,利用LCMV算法作为自适应算法的功率倒置阵列抗干扰方案适合在强干扰的环境下工作,干扰越强,其对应的零陷越深。     

基于蚁群算法的子阵级自适应多波束形成

在大型阵列信号处理中,可以在子阵级进行数字波束扫描形成多波束,降低硬件成本和系统复杂度,其中子阵划分的优劣直接决定信号处理的性能.针对子阵级多波束形成的问题,提出了一种基于蚁群算法的子阵划分最优策略,该策略将蚂蚁的迁移路径作为子阵划分方案,以峰值旁瓣电平为优化目标进行迭代搜索,使得子阵级自适应形成多波束方向图的旁瓣性能...     

自适应宽带稳健波束形成及神经网络算法

针对被动跟踪系统中阵处理的要求，建立了适应宽带稳健波束形成设计方法，用神经网络算法实现了自适应宽带波束形成，从理论上解决了自适应阵观察方向上的稳健设计问题，抛弃了自适应阵的时延补偿器，将正则网络应用于自适应宽带波束形成，解决了阵处理中求二次约束解的非线性规划问题，并能在毫微秒时间内收敛，不仅保持了二次约束自适应波束形成的干扰抵消能力，而且克服了软约束带来的阵指向性两端上的现象，所建立的阵处理器能抵消干扰达40dB以上，工作带宽达到2个倍频程。     

智能天线的自适应波束形成算法的研究

智能天线是未来移动通信的关键技术，阐述了智能天线的基本原理，对自适应波束形成算法进行了分类，讨论了各种算法的适用条件和性能，最后分析了智能天线算法分集及其应用。     

基于改进粒子群算法的自适应波束形成

基于最小均方误差准则,将自适应波束形成的权值求解问题表示为多目标优化模型,利用提出的改进粒子群优化算法,获得了阵列最优权值向量.改进粒子群优化算法中引入动态邻域拓扑结构,自适应调整粒子的领域搜索范围,避免粒子陷入局部最优.仿真结果表明:所提算法的收敛速度优于传统算法.     

一种基于神经网络的快速盲波束形成算法

定义了一种新的映射关系,有效地简化了应用径向基函数神经网络(RBFNN)实现波束形成时训练数据的产生.采用两个网络并行处理的方法提高了网络收敛速度,通过后续处理逼近维纳解.仿真实验表明,该算法的信号跟踪能力与最小方差无畸变响应(MVDR)算法的跟踪能力十分接近.但由于该算法结合了神经网络容错能力强的特点和并行计算的结构优势,比MVDR算法更有效地提高了运行速度,并且对系统误差具有更强的鲁棒性.     

基于特征结构提取的盲自适应波束形成算法

在所有盲自适应波束形成算法中,ＳＣＯＲＥ无疑是一种出色的算法,然后,求解过程中所需进行的奇异值分解而导致的巨大运算量令人无法忍受。本文把它归结为一类特征结构的提取问题,提出了一个合适的代价函数,通过对代价函数取极小可以提取所需要的最大特征值,从而将运算量大大降低,计算机仿真验证了这种方法的正确性。     

一种新的自适应波束形成优化算法

结合信号处理技术引入了哈密顿优化算法,将哈密顿算法(HA)作为解决电控寄生天线(ESPAR)的自适应波束形成技术非线性问题的工具.将描述粒子运动的哈密顿方程用来解决优化问题,势能作为波束形成的代价函数,动能由动量代替,研究结果表明,该算法为寻求代价函数的全局最小值提供了一个更大的可能性.仿真结果也说明了采用哈密顿算法的ESPAR天线能够灵活地驾驭其主波束和零陷.     

基于自适应波束形成算法的正六边形面阵的提出与实现

在自适应阵列天线波束形成系统中,平面相控阵栅格排列方式一般有两种：矩形栅格排列和三角形栅格排列。由于矩形栅格组成的天线阵,阵元数量较多,阵元间距小,导致天线成本高,不利于辐射单元的安装。针对上述情况,提出一种采用等边三角形栅格排列的正六边形相控阵天线结构,来有效的减少平面相控阵天线的阵元数目,增加阵元间距。     

一种基于GSC框架波束域快速稳健自适应波束形成算法

GSC框架是自适应波束形成降秩算法的统一模型,一般通过构造降秩矩阵来降低算法的运算量,但是降秩矩阵大多通过特征分解来获得,给算法带来了大量额外的运算量。针对此问题,提出了一种波束域的快速稳健自适应波束形成算法,通过转换矩阵将输入信号从高维度的阵元域转换到低维度的波束域,然后在波束域运用子空间类算法,用信号子空间来构造阻塞矩阵、降秩矩阵和映射矩阵,既降低了计算量,又解决了基于GSC框架的自适应算法在信噪比较高时由于期望信号相消导致性能严重下降的问题。仿真结果证明了提出的算法有很好的波束形成性能,验证了算法的有效性。     

基于TS201S的MQRD-SMI ADBF多处理器系统

为了解决在自适应波束形成系统中需要大量的矩阵运算而导致系统实时性能欠佳的问题,提出了一种并行性能较好的混合QR分解SMI算法(MQRD-SMI),给出算法易于DSP实现的一种高速Systolic阵结构,研制岀一种采用多片TS201S并行实现接收ADBF的实验系统.实验结果验证了算法和系统的有效性和实时性.     

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.      

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.     

基于动量衰减哈密顿算法的波束形成技术研究

智能天线的非线性优化问题中求解代价函数最佳解的算法主要有基于梯度的算法(GBA)和随机搜索算法(RA).GBA算法收敛速度快,但有时会陷入一个局部最小值;RA算法不会陷入局部最小值,但收敛速度慢.研究及仿真结果表明,将哈密顿算法应用到该问题的求解中,能较好地解决GBA和RA存在的冲突问题,采用哈密顿算法的电控寄生天线,能够更灵活地使主波束对准期望用户波达方向,并在干扰方向形成更深的零陷.     

线性阵列上的一种新的并行排序算法

首先介绍了分治方式的并行处理方法,并以超立方网络上的并行排序为例说明了这种方法的应用．然后在此基础上,给出了作者在线性阵列上发现的一种新的并行排序算法．     

插入归并算法及其脉动阵列实现

介绍了插入归算法的原理。并通过该算法的脉动阵列实现,阐述了超大规模集成电路阵列处理器的实现过程。介绍了映射法实现阵列处理器的三个步骤,即：（１）从算法导出局部数据相依图（ＤＧ）;（２）从ＤＧ 导出信号流图（ＳＦＧ）;（３）将ＳＦＧ 映射到阵列处理器（ＡＰ）。ＡＰ 可以是脉动（ｓｙｓｔｏｌｉｃ）阵列、波前（ｗ ａｖｅｆｒｏｎｔ）阵列、多指令多数据流（Ｍ ＩＭ Ｄ）阵列或单指令数据流（ＳＩＭ Ｄ）阵列。