Fast and accurate covariance matrix reconstruction for adaptive beamforming using Gauss-Legendre quadrature

Most of the reconstruction-based robust adaptive beamforming(RAB)algorithms require the covariance matrix reconstruction(CMR)by high-complexity integral computation.A Gauss-Legendre quadrature(GLQ)method with the highest algebraic precision in the interpolation-type quadrature is proposed to reduce the complexity.The interference angular sector in RAB is regarded as the GLQ integral range,and the zeros of the threeorder Legendre orthogonal polynomial is selected as the GLQ nodes.Consequently,the CMR can be efficiently obtained by simple summation with respect to the three GLQ nodes without integral.The new method has significantly reduced the complexity as compared to most state-of-the-art reconstruction-based RAB techniques,and it is able to provide the similar performance close to the optimal.These advantages are verified by numerical simulations.

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。

Frequency-invariant robust adaptive beamforming based on interference covariance matrix reconstruction

Consider the problems of frequency-invariant beampattern optimization and robustness in broadband beamforming.Firstly,a global optimization algorithm,which is based on phase compensation of the array manifolds,is used to construct the frequency-invariant beampattern.Compared with some methods presented recently,the proposed algorithm is not only available to get the global optimal solution,but also simple for physical realization.Meanwhile,a robust adaptive broadband beamforming algorithm is also derived by reconstructing the covariance matrix.The essence of the proposed algorithm is to estimate the space-frequency spectrum using Capon estimator firstly,then integrate over a region separated from the desired signal direction to reconstruct the interference-plus-noise covariance matrix,and finally caleulate the adaptive beamformer weights with the reconstructed matrix.The design of beamformer is formulated as a convex optimization problem to be solved.Simulation results show that the performance of the proposed algorithm is almost always close to the optimal value across a wide range of signal to noise ratios.

基于稀疏线阵协方差矩阵重构的DOA估计方法研究

相比均匀线阵(Uniform Linear Array,ULA),相同阵元数目下稀疏线阵(Sparse Linear Array,SLA)的抗耦合效应更好,阵列孔径更大,到达方向(Direction of Arrival,DOA)估计的自由度(Degrees Of Freedom,DOF)更高,因而近年来得到了广泛的研究。为了可以进行高DOF的DOA估计,学者们开始研究SLA的差分虚拟阵元,差分虚拟阵元对应的协方差矩阵相比原阵元对应的协方差矩阵维度更大,因而估计的DOF更高。当SLA的差分虚拟阵元连续取值时,可以利用已有阵元的接收信息,得到SLA的协方差矩阵,在该矩阵的基础之上构建差分虚拟阵元的协方差矩阵进而进行DOA估计。然而,当SLA的差分虚拟阵元存在孔洞时,即差分虚拟阵元不能连续取值时,不能直接利用重构的协方差矩阵进行DOA估计,需要恢复完全增广协方差矩阵的信息再进行DOA估计。对于该问题,本文基于矢量化后原协方差矩阵和虚拟差分阵协方差矩阵的误差分布情况,并结合完全增广协方差矩阵的低秩特性和半正定特性来构建优化问题。通过求解该问题来恢复维度更高的完全增广协方差矩阵。最后对该矩阵进行奇异值分解,利用多重信号分类(Multiple Signal Classification,MUSIC)算法就可以获得多源的空间谱。本文最后通过数值仿真试验验证了所提算法可以实现高DOF的DOA估计,并且相比于现有算法,本文所提算法对欠定DOA估计的效果更好,多源DOA估计的精度更高,产生的误差更小。

导向矢量失配条件下多约束鲁棒波束形成算法

自适应波束形成随着数字信号处理技术的不断发展,已广泛应用于雷达、语音、医疗等领域。然而,当阵列发生扰动时,将会导致干扰偏离零陷位置,甚至会导致算法完全失效。为了解决现有波束形成算法在发生导向矢量失配和干扰位置扰动时波束形成器性能急剧下降的问题,本文提出了一种导向矢量失配条件下多约束鲁棒波束形成算法。本文参照实际情况引入更多约束,增加了双边范数扰动约束以及二次相似性约束,允许了误差产生的范围。此外,本文确保感兴趣信号(Signal Of Interest,SOI)的到达方向(Direction Of Arrival,DOA)远离干扰导向矢量的所有线性组合的DOA区域,保证了最优导向矢量的DOA位于SOI的角扇形区域。首先,以波束形成器输出最大功率为目标,并结合实际环境下的约束条件,建立了最优导向矢量的数学模型。其次,利用定义的干扰范围重构协方差矩阵,以此来展宽零陷,提高系统的抗干扰性能。最后,先用内点法求得替代变量的解,以此求解针对导向矢量的二次不等式约束问题;随后在约束模型中代入替代变量,用交替方向乘子法迭代求解导向矢量,在每一次的迭代中都会得到显示解。同时,本文还对算法的时间复杂度和收敛性进行了分析。实验结果显示,相较于传统的波束形成算法,所提方法加宽了干扰处零陷,使得波束形成器的抗干扰性能得到了一定的提高,且能够很好地校正失配导向矢量。

联合神经网络和对角加载的GNSS中断定位算法

GNSS/INS组合导航系统可以为移动载体提供长时间、高精度的导航信息,然而当载体处于恶劣环境中,无法获得滤波量测向量,导致导航定位结果迅速发散.为应对这一问题,越来越多的学者利用人工神经网络辅助组合导航系统直接进行信息融合.但惯性导航系统(inertial navigation system,INS)本身特性使得上一时间训练好的网络模型存在误差,中断时刻INS误差仍不断累积,因此提出了一种GNSS中断时的智能定位算法.该算法利用反向传播(back propagation,BP)神经网络训练得到滤波量测向量,再通过对角加载重构量测噪声协方差矩阵,对卡尔曼滤波(Kalman filter,KF)进行更新.所提方法减弱了神经网络训练误差对组合导航算法的影响,从而可以在GNSS信号长时间中断情况下,导航系统仍拥有较为可靠的导航性能.

基于互质阵列的协方差矩阵重构算法

针对基于互质阵列波达方向(direction of arrival, DOA)估计方法对连续虚拟阵元得到的样本协方差矩阵信息利用率不高的问题,提出一种基于互质阵列的协方差矩阵重构算法。该算法利用最大连续虚拟均匀线阵协方差矩阵的每一行元素进行Toeplitz矩阵重构,再对这些矩阵加权求和获得新的满秩协方差矩阵,提高对接收数据的利用率并消除噪声贡献对DOA估计结果的影响。理论分析和仿真结果表明,该算法能实现欠定DOA估计,在低信噪比、小快拍数、入射角度间隔小条件下有良好的角度估计精度。

基于广义斜投影的雷达抗主瓣干扰方法

针对雷达抗主瓣干扰问题,提出一种基于广义斜投影的空极联合抗主瓣干扰方法。以非完备电磁传感器建立均匀圆阵极化敏感阵列信号接收模型;提出基于重构数据协方差矩阵的改进多重信号分类算法,以提升信号相干、低信噪比条件下的参数估计效果;提出基于相关性最大准则的极化参数估计方法,无需谱峰搜索,以减少运算复杂度;利用多线性约束最小方差准则设计广义斜投影滤波器,抑制主瓣干扰。实验结果表明:与同类极化估计算法对比,在0~40dB信噪比区间内极化参数估计的误差小于同类算法,且拥有更低的运算量;滤波后的波形特征明显,能够完全滤除干扰信号,并且保留期望信号的幅度、相位信息。

联合协方差矩阵重构和ADMM的鲁棒波束形成

为解决传统波束形成器在干扰位置发生扰动和导向矢量失配时,造成自适应权重的不匹配,从而导致算法性能急剧下降,甚至期望信号相消的问题,提出一种联合协方差矩阵重构和交替方向乘子法(Alternating direction method of multipliers,ADMM)的鲁棒波束形成方法。对此,首先基于波束形成器最大输出功率准则,设计了求解最优导向矢量的优化模型。接着,根据Capon算法空间功率谱函数,利用定义的干扰范围对协方差矩阵进行重构,以展宽零陷并增强系统抗运动干扰能力。最后,关于导向矢量的二次不等式约束问题,本质为估计导向矢量和期望导向矢量间的差异,该方法利用ADMM对该二次规划问题进行迭代求解,并在每次迭代中获得导向矢量的具体解。另外,也分析了算法的复杂度。实验结果表明:对比现有的波束形成算法,在干扰处加宽了零陷,提高了波束的抗干扰性;结合复杂度也证明了其计算速度优于现有的算法,并且能够很好地校正失配导向矢量。本方法也为求解二次不等式约束问题和提高波束形成算法性能提供了一种思路和途径。

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。

基于矩阵重构的高频地波雷达电离层杂波抑制

高频地波雷达(HFSWRs)回波数据受Es层电离层杂波污染,严重影响雷达探测性能。为解决该问题,利用协方差矩阵重构结合特征分解法对杂波进行抑制。该方法通过划分一阶谱区,将排除一阶谱区信号的区域进行积分获得重构电离层干扰-噪声协方差矩阵,接着改进特征分解法处理重构协方差矩阵,对电离层杂波进行抑制。OSMAR-S雷达实测数据处理结果表明,单侧和双侧Es层电离层杂波处理后信噪比分别至少提升15.1和19.7 dB,海洋雷达理论探测距离至少提高15 km,该方法对电离层杂波可以有效的抑制,信噪比得到有效的改善。

一种联合修正的稳健Capon波束形成算法

Capon波束形成算法在导向矢量失配与协方差矩阵中含有期望信号的情况下输出信号干扰噪声比(SINR)会大幅下降。针对这一现象,提出一种联合修正的稳健Capon波束形成算法。基于导向矢量与噪声空间的正交性,对估计的期望信号导向矢量进行修正。再基于对残余噪声消除和对干扰功率的估计构造投影矩阵,消除接收信号中的期望信号,修正协方差矩阵。结果表明,该算法相较于其他算法有较高的输出信干噪比,对于导向矢量失配不敏感,具有较高的稳健性。

基于子带分解的宽带自适应波束形成算法改进

该文针对在目标快速运动或者本船快速机动情况下,最小方差无失真响应(minimum variance distortionless response,MVDR)在少快拍下无法获得满秩和稳定的协方差矩阵的问题,提出一种基于子带分解的宽带自适应波束形成方法,该方法能够在单快拍数据条件下,获得满秩的协方差矩阵。相对于时域解析信号的MVDR算法,基于子带分解的宽带信号处理方式具有更小的相位误差,波束形成结果更精准。针对其在阵元失效情况下性能急剧下降的问题,对比分析了采用基于数据的协方差矩阵重构方法、对角加载方法、阵元隔离方法在阵元失效情况下的性能。仿真分析结果表明,基于数据的协方差矩阵重构方法,在阵元失效的情况下,具有相对较低的旁瓣高度。海试数据处理结果表明,改进的宽带自适应波束形成算法可在频域单次快拍数据条件下完成波达方向(direction of arrival,DOA)估计,且具有较高的DOA估计精度、方位分辨能力和弱目标检测能力。

低快照数下多目标DOA估计方法

针对低快照数和较低信噪比条件下多信号到达方向(DOA)估计性能下降问题,提出了基于深度学习的离格DOA估计方法。选择具有特殊结构的非均匀阵列以提高阵列自由度,将样本协方差矩阵建模为真实协方差矩阵的噪声版本,利用堆叠降噪自动编码器(SDAE)重构出新协方差矩阵,最后结合超分辨率算法实现DOA估计。仿真结果表明:在低快照数为10及较低信噪比2 dB情况下,数据先采用SDAE进行处理再进行DOA估计,多目标DOA估计准确率能达到92.06%,相对于传统方法及深度神经网络(DNN)分别提高了55.39%,25.025%。

基于协方差矩阵重构的改进型MUSIC算法

针对经典MUSIC算法在信源相干条件下算法性能失效问题,提出一种基于数据协方差矩阵二次重构并对噪声子空间进行加权处理的改进型MUSIC算法。首先对接收到的数据协方差矩阵进行重构处理,然后根据特征值分解得到噪声特征值的最大值与最小值的比值关系,使用合适的加权系数得到新的噪声子空间并推导得到改进后的空间谱函数,最后结合谱峰搜索完成对信源目标的DOA估计。仿真结果表明,改进型MUSIC算法有效消除了信号的相干性,不造成阵列孔径损失,在低信噪比、小快拍数以及信号入射间隔较小的情况下,能有效估计出相干信号的波达方向。

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。

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。

Reciprocity evaluation based adaptive CCM reconstruction in FDD multi-antenna systems

In view of the difficulty of obtaining downlink channel state information,partial reciprocity based channel covariance matrix(CCM)reconstruction has attracted a lot of attention in frequency division duplex(FDD)multi-antenna systems.Taking both the impact of CCM reconstruction on system performance and design complexity,we investigate an adaptive CCM reconstruction in this paper.Specifically,to effectively evaluate the validity of the reciprocity,we firstly analyze the characteristics of the partial reciprocity and define a reciprocity evaluation criterion.Then,we propose a partial antenna based angular power spectrum(APS)estimating algorithm to further reduce the complexity of the CCM reconstruction.Finally,simulation results demonstrate the superiority of our proposed schemes.

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。

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。