自适应阵列处理典型算法的内在关系与统一框架

从经典维纳滤波器出发,以自适应干扰对消为纽带,推演出各种自适应阵列处理算法的等效原理。推导出降秩自适应滤波的统一算法结构,并提出线性约束正交投影算法。据此得出自适应阵列处理典型算法的内在关系,提出自适应阵列处理的统一框架,从而把单一约束和多线性约束(甚至静态方向图约束)、满秩和降秩、单级维纳滤波和多级维纳滤波有机统一起来,把对特殊干扰环境(相干干扰环境等)及期望信号特性(高阶累计量、循环平稳性等)下的处理视作预处理,构建起自适应阵列处理的统一理论基础。     

一种新的自适应波束形成技术

提出了一种新的自适应波束形成技术——基于分数低阶矩的自适应波束形成算法。该算法充分利用对称稳定过程的特点,对冲击噪声和干扰有较强的抑制作用,弥补了传统的基于二阶统计量的自适应波束形成器不能应用于冲击噪声和干扰环境的不足。计算机仿真验证了该算法的可行性和有效性。     

加权直接数据域波束形成

为解决直接数据域(direct data domain,DDD)算法波束形成旁瓣电平高的问题,在约束优化的基础上提出了加权DDD波束形成算法.加权算法首先根据波束指向或者预成波束方向给出合适的主瓣宽度,然后在旁瓣区域约束最高旁瓣电平的高度,达到旁瓣抑制的效果.仿真分析了固定旁瓣电平变化主瓣宽度和固定主瓣宽度变化旁瓣电平两种约束优化形式.结果表明,加权DDD波束形成具有良好性能,能在预设主瓣宽度略宽于原波束主瓣宽度时,旁瓣电平能够满足预设要求.     

基于粒子群优化的圆阵列波束形成方法

围绕均匀圆阵列(uniform circular array, UCA)在波束形成中存在的波束主瓣宽、旁瓣电平高的问题,提出了一种基于粒子群优化(particle swarm optimization, PSO)算法的圆阵列波束形成方法。通过对UCA的输出信号进行模式空间变换,将UCA数据转换为虚拟均匀线阵数据形式。利用PSO算法充分挖掘均匀线阵各阵元间数据信息,进行阵元拓展,从而实现阵列阵元数及孔径尺度的增加,实现降低阵列波束主瓣宽度及旁瓣电平的目的。实验结果表明,在适当增加计算复杂度的前提下,利用PSO算法对阵列进行阵元拓展可以显著地提高波束形成质量,且适用于自适应波束形成。     

L-DACS1系统干扰抑制与循环自适应波束形成方法

为了解决L频段数字航空通信系统1(L-band digital aeronautical communication system, L-DACS1)正交频分复用(orthogonal frequency division multiplex, OFDM)接收机遭受测距仪(distance measuring equipment, DME)信号干扰的问题,提出了正交投影干扰抑制与循环自适应波束形成的空域滤波方法。首先,利用正交投影算法抑制DME信号干扰;然后,利用OFDM信号的循环平稳特性,构建循环自相关矩阵,通过奇异值分解得到波束形成的最优权矢量;最后,利用最优权矢量进行空域滤波。仿真研究表明,该方法可以在OFDM期望信号上形成稳定的主波束,同时能够抑制DME信号干扰。且所提方法具有复杂度较低、低信噪比情况下波束形成算法鲁棒的优势。     

基于凸约束下泰勒估计的主瓣干扰抑制算法

针对真实信号协方差矩阵估计难以直接获取及低快拍条件下传统采样协方差矩阵存在较大误差的问题,提出了基于凸约束下泰勒估计的抗主瓣干扰波束形成算法。该算法首先利用凸约束下的泰勒估计法在低快拍数条件下对信号协方差矩阵进行估计。其次利用多信号分类算法进行波达方向估计,筛选主瓣干扰对应特征矢量。而后利用特征投影矩阵法对主瓣干扰进行抑制。最后,通过添加线性约束获得权值矢量进行波束形成。仿真结果显示,在低快拍数条件下,所提算法对信号协方差矩阵具有更高的估计精度,波束形成性能稳健且具有更高的输出信干噪比。     

抑制快速运动宽带干扰的稳健波束形成算法

作者从宽带信号模型出发,通过对扰动干扰方向上空时二维导向矢量的分析,修正了权值训练期间得到的宽带干扰协方差矩阵,并结合对角加载技术,确定空时波束形成器的对角加载量,修正了多线性约束空时自适应波束形成算法的最优权值,推导出一种抑制快速运动宽带干扰的空时波束形成算法,该方法有效地实现宽带干扰的零陷加宽,提高了宽带波束形成算法的稳健性.     

基于最小敏感度的广义线性自适应波束形成算法

常规最小方差无失真响应波束形成器对于非圆信号是次优的,且当训练样本数有限时,其性能有所下降。针对这一问题,提出了基于最小敏感度的广义线性自适应波束形成算法。算法以期望信号和干扰信号的非圆特性为基础,利用最小敏感度准则求得最优权矢量,提高了波束形成器的稳健性。计算机仿真结果表明,算法在低信噪比和小快拍数的情况下也具有较好的性能。     

基于新最速下降算法的自适应波束形成

针对阵列信号处理中自适应波束形成技术的抗干扰问题, 提出一种基于新的最速下降法的波束形成算法。新的最速下降法将多元二次凸优化问题转换为一元二次问题, 通过循环迭代的方式使求出的极值点向高维凸优化问题的极值点逼近, 最终使结果收敛到最优解。将这种算法应用于自适应波束形成, 提高自适应波束形成的收敛速度、抗干扰能力和低快拍下工作的能力。经过仿真验证, 与基于最小均方算法以及改进最小均方算法的波束形成方法进行比较, 所提出的波束形成算法具有抗强干扰、收敛速度快、能在低快拍条件下工作的优点。     

基于广义秩模型的分数低阶协方差波束形成

在广义秩信号模型基础上,设计了一种鲁棒波束自适应波束形成方法。通过引入分数低阶变换来抑制非高斯稳定分布噪声, 提出脉冲噪声环境下能够处理信号失配的鲁棒波束形成器算法,并讨论了分数低阶协方差矩阵的可逆性。由于采用Frobenius范数建立明确的模型来刻画期望阵列响应与数据的协方差矩阵之间的不确定性,因此所提算法具有解析闭合形式解。仿真结果表明：与传统波束形成算法相比,所提算法在脉冲稳定分布噪声和信号失配同时存在的情况时具有更好的鲁棒性。     

一种稳健的自适应波束形成方法

基于线性约束最小方差(linearlyconstrainedminimumvariance,LCMV)波束形成原理,根据贝叶斯估计理论,提出了一种基于加权的波束形成方法。该波束形成方法能够很好地克服LCMV波束形成对期望信号DOA误差特别敏感的弱点。仿真试验表明,该方法性能稳定,对期望信号DOA误差具有很好的稳健性。     

基于对角载入的鲁棒自适应波束形成算法

作为一种梯度自适应波束形成算法,LMS算法因简单有效而得到广泛的应用.但是在存在偏差的情况下,LMS算法的性能较差.针对上述问题,考虑信号方向向量的偏差对LMS算法性能的影响,提出了一种基于对角载入的鲁棒约束LMS算法,并对算法的对角载入因子和收敛性能进行了分析,给出了保证算法收敛的步长取值范围.该算法利用对角载入的特性,可有效的抑制各种偏差所带来的影响,收敛速度快,抗扰动性强,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证阵列输出的信干噪比接近最优值.仿真实验表明,与传统约束LMS算法相比,基于对角载入的鲁棒自适应波束形成算法具有很好的性能.     

基于线性约束最小方差原则的稳健快速自适应脉冲压缩方法

针对线性调频信号在距离单元内的回波采样点与目标点失配, 即采样失配的情况下, 自适应脉冲压缩性能下降的问题, 对快速自适应脉冲压缩(fast adaptive pulse compression, FAPC)方法进行改进, 提出一种基于线性约束最小方差(linearly constrained minimum variance, LCMV)原则的连续分块FAPC (contiguous block FAPC, CFAPC)方法。该方法将自适应波束形成方法类比到自适应脉冲压缩滤波方法中, 首先在最小方差无畸变响应(minimum variance distortionless response, MVDR)原则保持增益的前提下增加零点约束条件, 加宽零点凹口的宽度; 而后对分块的协方差矩阵设置置零条件, 抑制旁瓣能量, 实现在采样失配情况下保持稳健的目的。实验结果表明, 在脉内多普勒频移和采样失配同时存在的情况下, 所提方法可以更好地抑制目标的距离旁瓣, 具有较好的稳健性。     

基于容积卡尔曼滤波的约束恒模波束形成算法

提出一种基于容积卡尔曼滤波的线性约束恒模波束形成算法。首先使用伪观测法将恒模代价函数和约束条件写成状态观测方程,之后利用容积卡尔曼滤波算法来求解以上非线性滤波问题。所提方法能够避免常规算法对模型的近似处理和特征值分散效应对波束形成器输出性能的影响,因此对干扰和噪声有更强的抑制能力。仿真结果表明,本算法相比随机梯度法和递归最小二乘法具有更快的收敛速度和更高的输出信干噪比,在非平稳环境下,能够迅速调整权值收敛到最优解。     

基于集员共轭梯度的约束自适应波束成形算法

针对传统波束成形计算复杂度过大的问题,提出一种基于集员共轭梯度的约束自适应波束成形算法。运用共轭梯度算法原理,在期望信号功率保留的约束条件下使输出方差最小,得到权重向量,避免计算输入信号的协方差逆矩阵,有效达到收敛。集员方法运用时变边界约束条件,实行数据选择性更新,减少计算复杂度。该算法运用集员方法和共轭梯度,避免重复计算,得到有效的权重向量,保证良好的收敛性能。又对算法进行计算复杂度和收敛性能分析。仿真结果表明,与其他传统算法相比,该算法在保证良好的收敛性能的同时,大大减少了计算复杂度。     

改进的树型WSN分布式LCMV波束形成方法

针对减少树型无线传感器网络(wireless sensor network, WSN)中分布式线性约束最小方差(linearly constrained minimum variance, LCMV)波束形成器计算量问题,提出基于Householder多级维纳滤波器(Householder multistage Wiener filter, HMSWF)的分布式LCMV波束形成器方法。该方法通过有效引入HMSWF技术避免本地协方差矩阵估计及求逆运算,能以更少的计算量获得分布式LCMV波束形成器相同的输出性能。计算机仿真结果验证了算法的优良性能。     

实测数据的降秩空时自适应处理方法

针对全空时自适应处理协方差矩阵估计和计算复杂问题,介绍了在直接处理器结构上基于主分量法和互谱法的两种降秩空时自适应处理方法,这两种方法利用杂波和干扰的低秩属性,应用采样数据来构造降维转换矩阵。对Mountain Top计划进行了详细描述,对从Mountain Top计划测得的数据应用上述两种降秩方法对其进行了分析。仿真实验表明了这两种方法的可行性,减少了计算量,并提高了有效可测收敛性。     

用权系数迭代的自适应波束形成器抑制干扰

针对RFI(radio frequency interference)在高频地波雷达中不同距离元的分布特点,在比较现阶段不同波束形成器的基础上,提出一种应用基于权系数迭代法的自适应波束形成器来抑制RFI干扰的方法。该波束形成器的初始权向量是用MVDR(minimum variance distortionless response)算法来获得,而其后迭代法中的权向量是基于LCMV(linearly constrained minimum variance beamforming)算法在上一次权系数的基础上得到的。其中两算法中的协方差矩阵都是由不含雷达回波信号的远距离元阵列快拍来构成,从而增加天线阵的自由度。最后通过对实际雷达数据的处理,验证了该方法的可行性。     

Efficient parallel adaptive array beamforming algorithm

For a large-scale adaptive array, the heavy computational load and the high-rate data transmission are two challenges in the implementation of an adaptive digital beamforming system. An efficient parallel digital beamforming (DBF) algorithm based on the least mean square algorithm (PLMS) is proposed. An appropriate method is found to partition the least mean square (LMS) algorithm into a number of operational modules, which can be easily executed in a distributed-parallel-processing fashion. As a result, the proposed PLMS algorithm provides an effective solution that can alleviate the bottleneck of high-rate data transmission and reduce the computational cost. PLMS requires less computational load than that of the conventional parallel algorithms based on the recursive least square (RLS) algorithm, as well as it is easier to be implemented to do real time adaptive array processing. Moreover, low sidelobe of the beam pattern is obtained by constraining the static steering vector with Tschebyscheff coefficients. Finally, a scheme of the PLMS algorithm using distributed-parallel-processing system is also proposed. The simulation results demonstrate that the PLMS algorithm has the same interference cancellation performance as that of the conventional LMS algorithm. Moreover, the PLMS algorithm can obtain the same good beamforming performance, regardless how the algorithm is partitioned. It is expected that the proposed algorithm will be used in a large-scale adaptive array system to deal with real time adaptive digital beamforming processing.