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.     

基于最差性能最优的稳健宽带恒定束宽波束形成

针对存在指向误差时传统宽带波束形成器性能下降的问题,提出一种基于最差性能最优的稳健宽带恒定束宽自适应波束形成算法.该算法首先利用空间响应变化约束,实现宽带恒定束宽;然后在约束边界上推导最差性能最优方法的等式约束表达式,并利用拉格朗日乘子法求解最优权矢量;最后给出了拉格朗日乘子的取值范围.仿真实验和理论分析表明:该算法在实现恒定束宽的同时具有较高的阵列输出性能和较好的稳健性;另外,该算法的参数选取方法较为简单,避免了传统最差性能最优方法中的广义特征值分解、牛顿迭代及二阶锥规划求解等,计算量较低.     

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。     

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.     

基于可变对角加载的稳健空时波束形成算法

针对对角加载方法中加载量难以确定的问题,提出了基于可变对角加载的稳健空时波束形成算法.该算法在宽带信号模型基础上,分解空时宽带波束形成的约束方程,针对多频点约束,推导出空时二维导向矢量真值,得到空时结构可变对角加载波束形成算法的最优权矢量,并给出加载量求解方程,准确地计算出空时波束形成器的对角加载量.仿真结果验证了该算法的稳健性.     

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.     

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.     

半盲算法在自适应波束形成中的应用

文章介绍了半盲算法在自适应波束形成中的应用,根据半盲算法的原理,先运用基于子空间的正交投影波束形成方法确定初始权值,目的是得到次优权值,再用最小二乘恒模算法(LSC-MA)进行迭代。通过计算机对三种自适应波束形成算法的仿真对比,证明了半盲算法收敛稳定,可抑制干扰,恢复期望信号,从而也证实了该算法的可行性,有效性。     

4阶量算法在盲波束形成上的应用

对波束形成算法性能进行了比较,考虑盲波束形成算法具有不需要阵列流形、到来方向、训练序列以及干扰和噪声的自相关矩阵等先验知识的特点,设计了基于4阶累积量盲波束形成器·由于直接利用入射信号的高阶量统计信息,不仅可以有效地消除高斯噪声的影响,而且可以消除加性非高斯噪声的影响·仿真实验结果证明,与最小方差无畸变响应的波束形成器(MVDR)相比,作者所提出算法适用于多径传播环境,具有收敛速度快,对信噪比的变化有更好的鲁棒性等特点·     

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。     

一种新的宽带波束形成算法

基于对角加载思想,针对宽带信号空时处理结构,将空时接收协方差矩阵进行特征值分解,并利用矩阵求逆定理推导出空时结构对角加载值的范围,得到空时结构对角加载波束形成算法的优化方程以及最优权向量的解.仿真结果表明,算法有效地对协方差矩阵估计进行了修正,增强了空时波束形成算法的鲁棒性.     

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.     

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。