基于导向矢量估计的鲁棒波束形成

针对标准Capon波束形成器中真实导向矢量与期望导向矢量存在误差时,其性能会急剧下降的问题,提出了基于加权空间平滑与导向矢量估计相结合的鲁棒波束形成算法。该算法利用加权空间平滑方法,对子阵进行特殊的划分,根据子阵间自相关矩阵与互相关矩阵权重差异,采用嵌套的方式获得加权矩阵,继而得到更加精确的协方差矩阵,接着,使用不确定范围约束期望导向矢量来获得真实导向矢量。仿真结果表明,和传统的自适应波束形成算法相比较,本文算法在面对协方差矩阵中含有期望信号以及角度失配问题时,鲁棒性得到明显提升。

基于协方差矩阵锥化和导向矢量估计的鲁棒自适应波束形成算法

当数据中含有期望信号时,自适应波束形成对以导向矢量失配为代表的失配误差非常敏感,其性能急剧下降,这一情况在同时存在移动干扰时将更为严重。针对移动干扰和模型误差同时存在的情况,提出了一种基于协方差矩阵锥化和导向矢量估计的鲁棒自适应波束形成算法。该算法首先对协方差矩阵加权来增强协方差矩阵,然后利用增强后的协方差矩阵估计实际导向矢量,最后用增强协方差矩阵和估计后的导向矢量进行波束形成。仿真结果表明,所提算法在展宽零陷的同时也具有一定的抗模型误差能力,且提高了波束形成器对移动干扰和模型误差的鲁棒性。

一种导向矢量双层估计的稳健波束形成算法

针对自适应波束形成器在出现期望信号导向矢量失配和阵列流形误差时,性能急剧下降的问题,提出一种稳健的波束形成算法。该算法首先利用期望信号大致方位区间上的导向矢量构建一个线性空间,将期望信号导向矢量初步估计为该线性空间基向量的线性组合,再利用不确定集优化方法对初步估计的导向矢量进行校正,算法无需迭代求解,计算量较小。仿真结果表明该算法显著提高了波束形成器在导向矢量失配和阵列流形误差下的稳健性,输出性能优于目前的方法。

基于导向矢量双层估计和协方差矩阵重构的稳健波束形成算法

针对干扰加噪声协方差矩阵(INCM)重构过程中Capon功率谱(CPS)估计分辨率低的问题,该文提出两种稳健自适应波束形成(RAB)算法。该算法首先通过搜索CPS的峰值确定积分区间,然后对各区间积分所得的协方差矩阵进行特征值分解。通过合理设置判定门限确定区间内所含的入射信源数量,并将较大特征值所对应的特征向量作为信源导向矢量(SV)的初步估计。而后通过最大化估计功率的方法,在初步估计SV的正交空间内搜索其与真实SV之间的误差。该算法1利用最小特征值所对应的特征向量,向初步估计的SV中添加正交比例梯度,得到双层估计的SV。与算法1不同,算法2通过求解2次优化(QP)问题得到修正的SV。最后通过重构INCM获得阵列最优权值矢量。通过计算机仿真实验,验证了所提算法有效解决了CPS估计分辨率低的问题,较其他算法综合性能更优,具备更高的稳健性。

基于小快拍场景的联合校正稳健波束形成算法

针对传统的自适应波束形成算法在目标导向矢量失配及接收数据的协方差矩阵存在误差时,性能急剧下降的问题,提出了一种基于小快拍场景的联合协方差矩阵重构,及导向矢量优化的稳健波束形成算法。对不确定集约束求解得到干扰导向矢量,根据稀疏干扰来向的导向矢量近似正交,求出干扰导向矢量对应的干扰功率,从而完成协方差矩阵重构;对期望信号来向及其邻域进行权值求解,对加权后的数据特征分解,利用多信号分类(Multiple Signal Classification, MUSIC)谱估计算法对信号区域积分得到信号协方差矩阵,将其主特征值近似为期望信号的导向矢量完成重新估计。仿真结果表明,在无误差时,算法输出信干噪比(Signal to Interference Plus Noise Ratio, SINR)接近理论最优;在多种误差环境下输出性能随信噪比(Signal to Noise Ratio, SNR)的变化均具有较好的稳健性,并且在信号来向可精准形成波束;在小快拍时可以较快收敛至理论最优值。

卫星通信中高鲁棒性自适应波束赋形算法

在卫星通信中,采用自适应波束赋形技术能极大提升导航接收机的抗干扰性能,然而,传统自适应波束赋形算法对模型失配极为敏感.针对传统自适应波束赋形算法在期望信号导向矢量和协方差矩阵失配时,输出性能急剧下降的问题,本文提出了一种高鲁棒性自适应波束赋形算法.该算法首先估计期望信号的输入信噪比(SNR),再根据SNR构造投影矩阵来估计期望信号导向矢量和干扰信号导向矢量;接着,基于不确定集优化方法再次校正期望信号导向矢量和干扰信号导向矢量;最后,估计信号功率并重构干扰加噪声协方差矩阵.仿真结果表明,相比于协方差矩阵重构波束赋形算法,本文算法具有更优异的输出信干噪比(SINR)性能,当SNR为10.0 dB并存在期望信号波达方向(DOA)估计失配时,本文算法的输出SINR增益可达1.9 dB;当存在波前扰动失真时,输出SINR增益约1.5 dB;当存在局部相干散射时,输出SINR增益约1.6 dB.

基于协方差矩阵估计的稳健Capon波束形成算法

常规Capon波束形成器性能对模型误差或失配非常敏感,尤其是当期望信号包含在训练数据中,导向矢量失配将引起性能急剧下降。为解决这一问题,提出了一种采用干扰噪声协方差矩阵和导向矢量联合估计的稳健波束形成算法。该方法通过对Capon空间谱在非目标信号的方位区域内的积分,实现对干扰噪声协方差矩阵的估计,解决数据协方差矩阵包含有目标信号时引起信号自相消问题;其次为了克服导向矢量失配的影响,通过最大化输出功率,并增加二次型约束防止估计的导向矢量接近于干扰导向矢量,实现对导向矢量的估计。仿真实验表明:该算法能获得近似最优的输出信干噪比,与现有算法相比稳健性更强。

基于改进广义线性组合的稳健波束形成算法

针对传统波束形成算法在导向矢量失配和协方差矩阵估计存在误差情况下,出现波束形成性能下降的问题,提出一种基于改进广义线性组合的自适应稳健波束形成算法。该算法首先对接收信号作奇异谱分解进行降噪,然后构造与接收信号快拍数相关的对角加载系数函数,结合降噪处理后的数据构造广义对角加载协方差矩阵,最后基于空域积分和子空间投影思想,估计期望信号的实际导向矢量,并结合新生成协方差矩阵进行波束形成。仿真分析结果表明,在存在期望信号角度估计失准导致导向矢量失配,以及样本数较少造成协方差矩阵估计存在误差时,所提算法能保持较好的输出信干噪比,验证了该算法的稳健性。

稳健自适应波束形成算法综述

标准Capon波束形成器(SCB)通过最小化波束输出功率,同时约束期望信号无失真输出以达到最大化输出信干噪比,但标准Capon波束对模型失配误差非常敏感,如来波方向估计误差、阵列扰动、目标运动等因素引起导向矢量误差,短快拍数据会引起协方差矩阵估计不准确。这些失配会引起波束形成输出信干噪比性能下降。为了提高Capon波束形成算法的鲁棒性,提出诸多稳健自适应波束形成算法,主要解决方案是对期望信号导向矢量和干扰加噪声的协方差矩阵进行修正。介绍标准Capon波束形成的信号模型及误差对其输出信干噪比的影响;从影响自适应波束形成性能的两个因素即协方差矩阵和期望信号导向矢量,对稳健自适应波束形成典型算法进行综述;对几种典型稳健自适应波束形成算法进行了仿真实验,结果表明所提算法的有效性,并对研究方向进行了展望。

基于协方差矩阵优化重构的稳健波束形成算法

针对一般自适应波束形成器在模型失配误差存在时性能下降严重的问题,提出一种基于干扰加噪声协方差矩阵优化重构的稳健波束形成算法。该算法通过稀疏重构的方法剔除样本协方差矩阵中的期望信号分量;利用子空间扩展知识建立导向矢量不确定集约束,优化干扰加噪声协方差矩阵;基于最大化阵列输出功率准则建立导向矢量误差优化模型,通过循环迭代的方法得出最优加权矢量;理论分析及仿真实验结果表明:该算法在目标来波方向误差和阵元位置误差存在时具有稳健性。

基于稀疏时频分解的盲波束形成算法

针对现有盲波束形成算法通用性差,所需采样数据量大等问题,该文提出一种基于稀疏时频分解的盲波束形成算法。算法首先将传统的短时傅里叶变换转化为稀疏重构问题,利用交替分裂Bregman算法进行迭代求解。然后利用对各阵元的接收信号进行稀疏时频分解的结果,结合聚类和不确定集方法,实现导向矢量的最优估计。最后利用MVDR算法获得最优权矢量。该算法无需利用信号统计特性,实现了高效的盲波束形成。仿真实验结果表明,该算法所需数据量小,迭代步骤易于工程实现,较现有盲波束形成算法输出性能更优,适用范围更广。

基于协方差矩阵重构稳健波束形成算法

提出了一种新的基于协方差矩阵重构的稳健算法。该算法基于最小化输出期望信号空间倒谱,利用多项式拟合估计期望信号的导向矢量;从数据协方差矩阵中减去期望信号部分,得到干扰加噪声协方差矩阵,通过修正方法实现对干扰加噪声协方差矩阵的准确估计,解决了低信噪比时由于信号子空间发生缠绕,导致协方差矩阵估计存在较大误差的问题;理论分析与仿真实验表明了该算法的有效性和稳健性。

基于干扰矩阵重构的稳健自适应波束形成算法

针对较高信噪比下自适应波束形成性能退化问题,提出了一种基于干扰噪声协方差矩阵重构的新型稳健自适应波束形成算法。利用空间谱估计方法重构出不含期望信号的干扰噪声协方差矩阵,保证了高信噪比时波束形成器的输出增益;并基于信号子空间与干扰子空间的正交性建立了期望信号导向矢量估计的约束条件,以求解出近似最优的权值矢量。理论分析和仿真结果表明,当存在随机指向误差和局部散射时,该算法在较大输入信噪比范围内的性能仍接近最优,较现有算法稳健性更强。

基于协方差矩阵重构的稳健波束形成算法

当期望信号导向矢量失配以及采样协方差矩阵中包含期望信号时,传统自适应波束形成器性能会下降。对此问题,提出了一种基于协方差矩阵重构的稳健波束形成算法。该算法首先通过对期望信号和干扰的大致来波方向范围进行积分以估计出导向矢量,然后利用主模式抑制去除信号间多余的相干性,并重构出最终的协方差矩阵。仿真实验表明,该算法提高了期望信号导向矢量失配时的稳健性,降低了对快拍数的敏感性。

基于干扰加噪声协方差矩阵重构的稳健自适应波束形成

在自适应波束形成中,由于期望信号(SOI)导向矢量(SV)的误差、采样点数较少、训练数据中存在期望信号成分等原因,造成波束形成的性能严重下降。针对以上问题,提出了一种稳健波束形成方法。首先利用MUSIC算法和参数估计来重构不包含SOI的干扰噪声协方差矩阵,再通过利用相关系数来估计出期望信号导向矢量。仿真结果表明,该算法可以处理较大的方向误差,并且信噪比(SNR)在较大的范围内都可以得到比传统方法更佳的性能。

采用序列二次规划求解的稳健波束形成新算法

利用尽可能少的先验信息进行导向矢量估计的稳健波束形成方法利用半正定松弛算法求解,面临可能存在性能损失、计算复杂度高的问题,针对该问题提出一种采用序列二次规划求解的新算法.首先利用一阶泰勒级数将原始模型线性近似为凸优化问题,然后对该子凸优化问题进行迭代求解.此外,还考虑了协方差矩阵失配问题,提出最坏情况性能最优的序列二次规划算法提高序列二次规划算法的性能.理论分析和仿真实验表明,序列二次规划算法收敛速度较快,收敛点逼近原始问题最优解,与现有半正定松弛算法相比,能够有效降低计算量,该算法在小参数值时即可有效改进序列二次规划算法的性能.

基于二次重构的稳健波束形成算法

针对稳健自适应波束形成器应对阵列失配的不足,提出一种利用正交投影重构阵列接收信号后,再使用积分重新构造协方差矩阵的算法。首先利用低分辨功率谱对干扰所在方位区间构造干扰相关矩阵,再对该矩阵进行奇异值分解或者特征分解得到干扰导向矢量子空间,在接收数据的同时,直接利用导向矢量的正交性将快拍中的期望信号去除,得到重构阵列接收信号;然后得到初步协方差矩阵,接着利用该矩阵和Capon功率谱对干扰所在区间积分构造最终的干扰协方差矩阵;利用类似的步骤得到期望协方差矩阵,并求得该矩阵的信号子空间,选取信号子空间中合适的特征向量作为估计的期望信号导向矢量;最后,利用上述结果计算最优权值。仿真结果表明,当存在阵列失配时,文中提出的算法比传统算法的输出性能更好。

一种基于协方差矩阵重构的波束形成算法

针对Capon波束形成在误差条件下敏感性问题,提出一种基于协方差矩阵重构的鲁棒波束形成算法。算法将信号集中出现的空域划分为干扰区域和信号区域,接着将两个区域划分为若干相互独立不重叠的部分,对干扰区域积分,构造出干扰协方差矩阵;再利用采样协方差矩阵特征分解后的最小特征值重构出噪声协方差矩阵;最后对期望信号导向矢量误差进行环不确定集建模,并在期望信号导向矢量环不确定集上进行Capon谱积分来估计期望信号协方差矩阵,根据其主特征矢量获取期望信号导向矢量。仿真表明,与传统鲁棒波束形成算法相比,此方法在不同快拍数以及输入信噪比条件下,性能更加优异且稳定,同时计算量较小。

基于双层协方差矩阵重构的稳健波束形成算法

针对协方差矩阵含目标信号分量及目标导向矢量失配情况下,传统自适应波束形成器性能急剧下降的问题,提出了干扰加噪声协方差矩阵双层重构的稳健波束形成算法。首先,利用稀疏重构的方法预估干扰加噪声协方差矩阵,通过估计干扰导向矢量及干扰功率对干扰加噪声协方差矩阵进行优化校正;然后,基于子空间理论建立导向矢量约束误差优化模型,利用迭代方法对凸优化模型进行求解,得到最优权值向量。仿真结果表明:所提算法显著提高了波束形成器在目标导向矢量约束误差及阵列误差情况下的稳健性,低快拍条件下表现较好,输出性能优于仿真对比算法。

基于协方差矩阵双层重构的稳健自适应单脉冲测角

常规自适应单脉冲方法在主瓣干扰下会引起自适应波束形成性能恶化并导致其单脉冲比曲线严重失真,影响被动雷达的测角精度与跟踪性能。针对此问题,提出了一种适用于平面阵的基于协方差矩阵双层重构的稳健自适应单脉冲测角方法。首先,利用Capon功率谱通过稀疏重构法初步估计出干扰加噪声协方差矩阵,通过干扰导向矢量估计完成对协方差矩阵的优化校正以提高自适应波束形成性能;然后,基于线性约束最小方差(Linearly Constrained Minimum Variance,LCMV)准则对方位角和俯仰角进行联合线性约束以避免单脉冲比曲线在主瓣干扰下严重失真;最后,根据自适应单脉冲比值求出目标与波束指向之间的偏转角以实现目标测角。与常规方法相比,所提方法在干扰抑制能力与测角精度上都有显著提升。