一种用于波束形成技术的神经次元分析算法

基于自稳定次元分析学习规则,提出一种添加了惩罚项的次元分析(MCA)学习规则.分析了该学习规则的稳定性和收敛性,用于自适应波束形成技术的实现.采用带有约束条件的功率优化波束形成原理,利用白噪声敏感度控制和干扰的先验知识,提高了波束形成算法的鲁棒性.仿真实验表明,与用于实现鲁棒约束波束形成技术的FMCA学习规则相比,MCA学习规则具有更强的稳定性,能更有效地用于干扰抑制和实时信号跟踪.     

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.      

四元数域主特征空间投影鲁棒自适应波束形成

针对常规四元数域波束形成器在模型误差条件下的性能退化问题,提出基于拉伸三极子双平行阵列的四元数域主特征空间投影鲁棒自适应波束形成方法.相比现有四元数域最劣态最优化鲁棒波束形成器,该方法无需求解具有高计算复杂度的凸优化问题,且不涉及用户参数的优化设置,更易于实现.仿真结果表明,所提出的波束形成器可有效克服信号相消问题,能够以较低的计算成本获取优于四元数域最劣态最优化鲁棒自适应波束形成器的性能,且其优势在高信噪比和短快拍条件下尤为显著.      

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.     

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.     

非线性约束条件下的二次优化R-CAB算法

为了解决R—CAB算法的方向图零陷不深或无法对准干扰信号方向的问题,在非线性约束条件下,通过二次优化鲁棒周期自适应波束形成算法的的权向量,调整了方向图零陷的位置和深度,改善了输出SINR。优化算法的输出SINR对导引向量随机误差具有稳健性,对期望信号的功率变化表现出不敏感特性,具有很好的的理论价值以及应用前景。理论分析与计算机仿真试验都证明了算法的有效性。     

RBF神经网络的一种鲁棒学习算法

用定标鲁棒代价函数代替传统的二次型指标，并结合改进的遗传算法，搜索近最优径向基函数神经网络（ＲＢＦＮＮ）的结构和参数。实验结果表明该训练方法比其他方法具有更强的鲁棒性，可提高ＲＢＦＮＮ的泛化能力，自动消除数据中的噪声，再现训练数据中的潜在规律。     

一种双重约束的稳健自适应波束形成算法

针对最差情况下最优性能波束形成算法(WCB)仅具备对导向矢量误差稳健性的问题,提出了一种双重约束稳健自适应波束形成算法(DCRAB),在WCB的基础上增加了一个协方差矩阵误差约束条件,因而在理论上同时具备对导向矢量误差和协方差矩阵误差的稳健性.经过多次严格条件的释放,将非凸的DCRAB问题转化为凸的二阶锥规划问题(SOCP),最后可采用与WCB相似的方法求解.数值仿真结果表明DCRAB在输出SINR,DOA误差、有限采样点和方向图增益等方面都优于WCB和其他一些经典算法.     

基于最差情况性能优化的稳健盲波束形成算法

针对在实际通信应用中存在导向向量偏差的情况下,阵列输出的信干噪比SINR性能急剧下降的问题,提出了稳健受限LSCMA算法,并对其输出性能进行了理论分析.该算法利用后验概率密度函数估计信号导向向量,并增加权向量的二次型约束,降低了信号波达方向的不确定性,提高了对信号导向向量偏差的稳健性,使阵列输出的信干噪比SINR接近最...     

基于均匀圆阵的稳健迭代波束形成算法

针对导向矢量偏差和转换误差导致传统波束形成器的性能下降及均匀圆阵不具有范德蒙结构的问题,提出了一种基于均匀圆阵的稳健迭代波束形成算法.该算法利用相位模式转换技术推导出虚拟自相关矩阵,并把导向矢量限定于确定的椭圆集合中.从最差性能优化的设计思想出发,构造基于均匀圆阵的二阶凸规划的代价函数,再利用拉格朗日乘子法求得权重矢量的闭式解表达式且能够准确求出优化解中的对角载入值.仿真结果表明:所提算法能够提高系统的稳健性,改善了阵列的输出性能.     

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。     

智能天线中的波束形成算法

首先介绍了智能天线的发展和研究现状，智能天线能够自适应地跟踪用户信号，抑制干扰，增加通信容量，提高频谱复用率，在第三代移动通信系统中占有重要地位.作为智能天线的核心技术之一，波束形成算法引起了众多学者的广泛关注。着重讨论了智能天线中波束形成的各种算法，根据算法对信号处理方式的不同，把它分为三大类,并对其中比较典型的算法进行了讨论。最后，对波束形成算法中的一类比较重要的盲波束形成算法进行了分类介绍。