基于干扰加噪声协方差矩阵重建的稳健自适应波束形成算法研究

针对自适应波束形成中的期望信号“自消”问题,就近年来提出的期望信号预减除类方法展开研究。该类方法首先使用波达方向(DOA)估计技术得到期望信号的波达方向;然后从协方差矩阵中估计干扰加噪声协方差矩阵,来消除采样信号期望信号分量对算法的影响,避免产生期望信号“自消”问题,进一步修正假定的期望信号导向矢量来估计真实导向矢量;最后计算得到权矢量。理论分析给出了4种代表性方法的原理和算法的复杂度,并通过数值仿真验证,仿真结果表明,当存在阵列扰动的情况下,协方差适配重建方法在低信噪比(SNR)下获得更佳的性能。当存在指向误差的情况下,子空间重建方法在很大的输入信噪比范围内受的影响最小。文中总结了这些方法的综合性能优缺点,对于该类方法实际应用有一定指导意义。

四元数域干扰加噪声协方差矩阵重构鲁棒自适应波束形成

基于电磁矢量传感器阵列的四元数Capon波束形成器较传统的复数域Capon波束形成器有更好的性能。但是该方法在存在指向误差和极化失配的情况下性能急剧下降,甚至会出现信号相消现象。本文将协方差矩阵重构方法推广于四元数Capon波束形成中,通过利用Q-Capon的极化-角度谱估计得到干扰和噪声的功率来对干扰加噪声协方差矩阵进行重构,避免了对角加载方法中对对角加载因子的求解,而且能够有效克服指向误差与极化失配带来的性能下降。计算机仿真表明,该方法相较于其他四元数域的方法有着更好的性能。

基于先验信息的协方差矩阵重构抗干扰算法

针对样本数较少情况下信号和干扰同时存在时,采样协方差矩阵包含目标信号引起信号自消,无法替代真实干扰噪声协方差矩阵的问题,提出了一种重构干扰噪声协方差矩阵的自适应波束形成方法,利用空间谱重构出与期望信号无关的干扰噪声协方差矩阵,提高协方差矩阵的准确度,依据重构的协方差矩阵结合阻塞矩阵完成主瓣干扰的抑制处理。仿真结果表明,所提方法相比于基于采样协方差矩阵方法,提高了输出信干噪比,更接近于最优值。

一种双层协方差矩阵重构的稳健波束形成算法

针对采样协方差矩阵中含有信号分量和信号导向矢量失配造成的自适应波束形成器性能下降的问题,提出了一种导向矢量矫正和双层干扰加噪声协方差矩阵重构的稳健波束形成算法。首先,通过子空间投影方法去除接收数据中的干扰和噪声分量来进一步矫正信号导向矢量;然后,利用Capon功率谱初步重构干扰加噪声协方差矩阵;接着,利用干扰子空间的正交性和多重信号分类(Multiple Signal Classification,MUSIC)功率谱进一步精确重构干扰加噪声协方差矩阵;最后,计算出最优权值矢量。仿真结果表明,所提算法在大角度失配和低快拍数条件下具有较好的稳健性。

稳健协方差矩阵重构波束形成算法

针对信号导向向量失配以及接收数据协方差矩阵存在误差会导致传统的自适应波束形成器产生能损失的问题,提出了一种基于干扰加噪声协方差矩阵重构的稳健波束形成算法。该算法通过对信源来波角度范围进行Capon谱估计得出重构信源协方差矩阵,并通过特征分解以及子空间性质得出信源的导向向量,然后利用重构所得信源导向向量计算出信源功率以及噪声功率,从而得到重构干扰加噪声协方差矩阵,进而得出最优加权向量。仿真表明,该算法具有良好的稳健性,在快拍数较低的情况下,仍能保持良好的性能。

基于ADBF的多通道SAR抗干扰样本选择方法

针对多通道SAR抗干扰问题,可以利用空域自由度通过自适应波束形成技术达到增强期望信号、抑制干扰的目的。在波束形成过程中,计算各阵元的最优权矢量时,需要通过选取干扰和噪声的数据样本估算干扰加噪声协方差矩阵。若选择的数据样本中掺杂目标信号,则目标信号将会被误判为干扰并被抑制。针对多通道SAR抗干扰过程中需要注意的样本选择问题,通过消除方位向频域中主杂波宽度内的目标分量,得到干扰加噪声数据样本,继而计算协方差矩阵,并进行波束形成。通过实测数据成像结果及干噪比和信噪比指标验证了提出的自适应样本选择方法的有效性。与直接样本选择方法相比,自适应样本选择方法在信噪比上提高了近8 dB,干噪比下降了近6 dB,说明了该方法有效地保留了目标信号,抑制了干扰信号。

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。

利用稀疏贝叶斯推理估计干扰导向矢量和功率的稳健自适应波束形成方法

现有稳健自适应波束形成(Robust adaptive beamforming,RAB)方法对快拍数有较高要求,可用快拍数的不足可能会使RAB方法无效。稀疏贝叶斯推理(Sparse Bayesian Inference,SBI)从贝叶斯的角度,通过对信号的稀疏先验假设来利用稀疏信息,在建模稀疏信号方面具有较好的灵活性,可以提高解的稀疏性,即使在样本数较低的情况下也能取得很好的估计效果。本文使用SBI估计干扰信号的导向矢量和功率,提出了一种新颖的基于干扰加噪声协方差矩阵(Interference plus Noise Covariance Matrix,INCM)重建的RAB方法。所提方法利用SBI在建模稀疏信号方面的优越性,通过准确重建出INCM,实现高输出SINR。仿真结果表明,本文提出的方法在比较宽的输入SNR范围内和少量快拍情况下都实现了较好的性能。

基于SAMV-SML的主瓣干扰抑制算法

针对主瓣干扰下自适应波束形成出现的波束畸变和主瓣偏移等问题,提出基于随机最大似然稀疏渐进最小方差(Sparse Asymptotic Minimum Variance Stochastic Maximum Likelihood,SAMV-SML)的主瓣干扰抑制算法。利用SAMV-SML算法准确地估计目标方位和功率,重构旁瓣干扰噪声协方差矩阵,避免将期望信号引入权矢量,并根据估计的主瓣干扰方位和期望方位,利用相关系数判断主瓣干扰特征矢量,构造特征投影预处理矩阵,实现多主瓣干扰抑制。仿真实验表明该算法能够实现波束保形,达到更快的收敛速度和更高的输出信干噪比。此外,还验证了该算法具备处理相干主瓣干扰的能力。

推广形式传输控制协议流量控制方程的方差稳定性

给定计算机网络中的传输控制协议(transmission control protocol,TCP)流量控制算法,如何确定其稳定域,是网络设计中的一个重要问题.由于网络上控制算法受大量随机因素影响,这相当于对一个由随机微分/差分方程描述的控制系统进行稳定性分析.目前已有研究大多直接对系统方程取期望,转为讨论期望的稳定性,而简单忽略受控TCP流的随机震荡.本文意在指出这种随机震荡给稳定性带来的不可忽视的影响.本文以TCP/RED(含早期随机检测的TCP流)系统为例,首先,从系统的随机微分方程出发,通过在平衡点处线性化,将系统化为含加乘混合噪声的多维线性时不变系统.然后,给出了分别对应时间连续与离散情况的推广的TCP流量控制方程,即含多噪声源的一次时不变随机微分/差分方程组.接着,对此推广形式,推导了其协方差矩阵所满足的矩阵方程,并在此基础上,得到了协方差矩阵极限渐近稳定的充要条件以及此极限的计算公式.在工程设计中,此条件可以作为系统稳定与否的一个替代判据,方差极限公式可用来估计系统的运动范围.最后,将一般公式应用到具体例子上,展示了考虑方差稳定性后系统稳定域的变化.进一步,仿照确定性系统中的处理方法,本文结论还可推广到非线性系统及时变系统.

稳健的二级嵌套阵列自适应波束形成算法

针对信号模型失配情形下的二级嵌套阵列波束形成问题,提出一种基于干扰-噪声协方差矩阵高效重构和半定规划的稳健自适应波束形成算法.该算法首先利用接收信号的对角增长曲线模型,并结合无需空域搜索的ESPRIT方法,精确重构虚拟阵列的干扰-噪声协方差矩阵;其次,利用干扰-噪声协方差矩阵和少量先验信息构造稳健自适应波束形成中的优化问题,有效减小了传统最小方差无失真响应波束形成器在非理想信号环境中的性能损失;最后,采用半定松弛方法得到该优化问题的近似表达形式,即半定规划问题,并借助凸优化工具包求解.仿真结果表明,在不同的输入信噪比和采样快拍数情形下,该算法与现有算法相比,具有更高的输出信干噪比.

一种空域-极化域联合稳健自适应波束形成算法

为有效提高阵列对来波方向误差和极化参数误差的鲁棒性,提出一种空域-极化域联合稳健自适应波束形成算法,首先在每个干扰信号来波方向-极化角区间上重构干扰噪声协方差矩阵,然后在期望信号来波方向-极化角区间上估计其导向矢量,设计空域-极化域联合稳健波束加权。通过仿真实验可发现,所提算法对由来波方向角度误差和极化参数误差所引起的导向矢量失配具有很好的鲁棒性。

基于特征值分解的稳健波束形成技术

Capon自适应波束形成中,导向矢量误差和协方差矩阵的估计误差均会导致波束形成器的性能下降。针对这一现象,提出一种基于特征值分解的稳健波束形成技术,即在将估计的协方差矩阵特征值分解后,直接对影响波束形成器稳健性能的噪声小特征值进行算术平均处理,以获得接近于理想波束形成器的稳健性能。同时根据试验仿真,给出了用于区分干扰和噪声特征值的门限计算公式,为准确构建特征子空间提供了思路。分析结果表明,与传统的对角加载方法相比,该方法能够达到同样的改善性能,在实际运用中更加直接和有效。