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。

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。

有源干扰条件下机载MIMO雷达STAP协方差矩阵秩的分析

该文分析了正侧阵机载MIMO雷达杂波加有源干扰协方差矩阵的结构,得到杂波加有源干扰协方差矩阵秩的上界为杂波的秩与有源干扰的秩之和减去有源干扰个数。并由此得到MIMO雷达杂波加有源干扰协方差矩阵非满秩而SIMO雷达杂波加有源干扰协方差矩阵满秩时有源干扰个数的范围。当有源干扰的数目在此范围时,SIMO雷达的理论性能严重下降,而MIMO雷达在理论上仍然有足够的自由度来抑制杂波和有源干扰,从而保证有较好的性能。通过仿真实验验证了上述结论。

基于稳健协方差矩阵的ADS-B压制式干扰抑制

压制式干扰是广播式自动相关监视(automatic dependent surveillance-broadcast,ADS-B)系统面临的最常见且最有威胁的干扰之一。提出基于稳健协方差矩阵估计的ADS-B压制式干扰抑制算法。首先,考虑了ADS-B信号的脉冲特性,将协方差矩阵的求解转化成凸优化问题。然后,利用求解凸优化问题得到的稳健协方差矩阵设计最优权矢量。最后,对观测信号进行空域滤波,完成ADS-B的压制式干扰抑制,并对抑制结果进行性能分析。提供的仿真实验结果也验证了算法的有效性,该方法不需要知道ADS-B信号来向,且在非高斯噪声情况下同样有效。

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。

基于协方差矩阵修正的主瓣干扰抑制优化方法

针对基于阻塞矩阵实现主瓣干扰抑制而导致的波束畸变和探测盲区问题,提出基于协方差矩阵修正的主瓣干扰抑制优化方法。该方法首先通过阻塞矩阵构造协方差修正因子;然后利用修正因子对阻塞矩阵预处理后协方差进行修正,减小协方差矩阵失配;最后采用修正后的协方差实现对主瓣干扰抑制方法优化,减小波束畸变和探测盲区,达到预期的干扰抑制效果和检测效果。数值仿真和数据处理验证表明,该方法通过对阻塞矩阵预处理后协方差矩阵进行修正,优化了基于阻塞矩阵预处理的主瓣干扰抑制方法(干扰阻塞算法),能够对强干扰相邻3°的弱目标实现有效检测,有效降低了干扰阻塞算法形成的"宽凹"或"凸"字形波束对不同方位区间目标检测结果的影响,实现了波束校正,减小了探测盲区。

基于协方差矩阵加权的非理想情况下自适应阵列干扰自由度估计

在均匀线阵条件下,证明了干扰特征值渐近为周期延拓后的干扰空间谱这一性质.据此提出了一种非理想情况下估计干扰自由度,即大干扰特征值个数的方法.该方法首先利用协方差矩阵加权得到非理想情况下的干扰协方差函数和对应的空间谱,然后根据周期延拓后的干扰空间谱估计干扰自由度.仿真结果验证了该方法的有效性.

一种基于协方差矩阵子矩阵的干扰抑制方法

研究如何抑制水面干扰,检测出水下目标是当前水声信号处理领域的研究重点。本文首先对接收数据协方差矩阵进行特征分解,利用每个特征值及其对应的特征向量生成子矩阵,然后根据目标的预估方位分离出目标信号占主导的子矩阵,累加重构协方差矩阵,从而达到抑制干扰的目的,提高输出信干比和目标方位估计准确性。数值仿真结果表明,该干扰抑制方法能够很好地抑制干扰,提取目标信息,检测出感兴趣目标,为后续的目标识别与跟踪创造有利条件。

一般性广义噪声协方差矩阵自适应迭代谱估计

分析了非参数化谱估计方法,分析表明,它们所解决的优化问题都是加权最小二乘(weighted least square,WLS),不同在于如何估计广义噪声协方差矩阵来构建加权矩阵。基于统一框架,提出了一种能同时估计信号频谱和观测噪声的自适应迭代非参数谱估计方法。该方法在每一次迭代时都利用上一次估计结果来逐步逼近真实的广义噪声协方差矩阵。分析和仿真表明,本文方法具有分辨率高,谱泄漏抑制好,并能增强信号协方差矩阵的可逆性和频谱范围选择的随意性等特点。

基于几何方法的结构化协方差矩阵估计

针对雷达在非均匀环境下难以获得足够数量样本估计协方差矩阵,致使干扰抑制性能下降的问题,遵循几何范式,本文提出了两种结构化干扰协方差矩阵(ICM)估计算法。具体而言,算法从一组训练数据出发,考虑不同的协方差矩阵结构信息(Persymmetric或Toeplitz结构),构造了两种结构样本协方差矩阵(SSCMs),通过利用正定矩阵空间特性并施加条件数上限约束,以ICM和SSCMs之间的Frobenius范数作为目标函数建立极小化问题,并对该问题进行转化,最终得到估计器的闭式解。在两种场景下的仿真结果表明了所提算法可更加精确地估计ICM,有效地提高了干扰抑制性能,且在小样本情况下的优化效果更为显著。

基于干扰协方差矩阵重构的恒定束宽鲁棒自适应波束形成

针对宽带波束形成中的恒定束宽波束响应优化设计问题与鲁棒性问题展开研究。首先,提出一种基于相位补偿的恒定束宽全局优化设计方法,通过对阵列流形向量进行相位补偿来设计恒定束宽波束,与现有的一些方法相比,该方法不仅能获得全局最优解,而且物理实现简单。同时,还提出一种基于协方差矩阵重构的鲁棒自适应宽带波束形成算法。该算法采用Capon估计器估计样本数据的空间一频率谱密度函数,然后对期望信号波达方向之外的角度区间进行积分来重构干扰加噪声协方差矩阵,最后利用重构的协方差矩阵设计自适应波束形成器权系数。该波束形成器设计问题被表述成凸优化问题求解。仿真结果表明,在整个输入信噪比范围内,该算法几乎都能获得接近理想值的输出信干噪比。

相干干扰条件下阵列协方差矩阵退化分析

自适应阵列处理在工程上已经获得广泛应用。协方差矩阵在自适应阵列处理中占有重要地位,很多阵列处理算法会用到协方差矩阵求逆,经典理论对协方差矩阵特性有详细分析,但一般都假设信号间为非相干。建立了两个相干信号条件下的阵列模型,以模型为基础推导了两个相干干扰信号条件下阵列协方差矩阵退化情况,并给出结论。在两个相干干扰源条件下对四元GPS调零天线阵列进行仿真,仿真结果验证该结论。结论对从事自适应阵列抗干扰设计和电子对抗的科研人员有一定参考价值。

基于ARIMA模型的未知观测噪声协方差矩阵的卡尔曼滤波技术

针对雷达测量数据中存在的非平稳误差的问题,同时在观测噪声协方差矩阵未知的情况下,提出了应用自回归和滑动平均(ARIMA)模型对非平稳数据进行数据建模,在此基础上推导出观测噪声协方差矩阵的递推公式,并以ARIMA模型中新序列作为状态向量进行卡尔曼滤波与预测。通过仿真实验验证,本文提出的方法可以合理有效地抑制误差,提高预测精度。

低信噪比下重构协方差矩阵的高分辨MUSIC算法

在满足对称分布的海洋噪声场中,为提高低信噪比条件下目标方位估计性能,提出一种重构信号协方差矩阵的MUSIC算法。利用数据协方差矩阵虚部与对称噪声无关的性质,根据协方差矩阵虚部和虚部MUSIC算法的预估角重构出信号协方差矩阵,在此基础上实现MUSIC算法。仿真结果表明,所提算法相比常规MUSIC算法能有效降低对称噪声的影响,提高方位估计性能,并避免双边谱的出现,有更高的分辨率和更低的分辨门限。还研究了协方差矩阵的Toeplitz修正处理对于MUSIC类算法的改善作用。仿真表明,Toeplitz修正处理能显著提高MUSIC类算法的分辨性能。

部分均匀海杂波中基于分组加权的协方差矩阵估计算法

本文主要研究空间部分均匀海杂波背景下协方差矩阵的估计问题。海杂波的空间部分均匀性和假目标干扰的不可避免性导致利用传统算法来估计海杂波协方差矩阵时存在较大的估计误差。为了减小该估计误差,本文对海杂波的参考样本进行分组处理,利用纹理的最大后验估计值作为加权系数,提出了分组加权样本协方差矩阵估计算法。考虑到假目标干扰的存在,利用协方差矩阵之间的差异提出了一致性因子,以确定干扰所在的分组,并剔除干扰。实测数据的实验结果表明,在存在假目标干扰的空间部分均匀海杂波背景下,本文提出的分组加权协方差矩阵估计算法不仅能有效剔除假目标,而且优于不分组算法约3 dB。

基于干扰噪声矩阵估计的稳健Capon波束形成算法

针对常规Capon波束形成算法在期望信号导向矢量不匹配时性能下降,研究了一种基于干扰噪声协方差矩阵估计的稳健波束形成算法。干扰噪声协方差矩阵估计分为干扰信号部分及噪声信号部分,干扰信号部分由干扰信号功率及其导向矢量获得。当噪声为高斯白噪声时,将接收信号协方差矩阵的小特征值求均值,得到噪声信号功率,进而估计出噪声信号部分。将期望信号导向矢量在噪声子空间投影取得最优值,就能获取更为精确的导向矢量。仿真结果表明,阵列能够正确指向期望信号且具有较高的输出信干噪比。

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。

协方差矩阵加权波束形成及应用

在逆波束形成方法的基础上提出一种改进的协方差矩阵加权波束形成方法,它根据阵元的分布情况对阵元接收信号的协方差矩阵进行直接加权,使得环境噪声相关比较强的协方差元素得到抑制,环境噪声相关性比较弱的部分被加强,降低噪声增益,从而达到提高阵增益的目的。文中给出了两种协方差加权方法。并且计算了在各向均匀噪声环境下的阵增益。从阵增益和误差稳定性两个方面与CBF和MVDR方法进行了对比,验证了该方法的正确性。

有限时间网络求解时变复矩阵的逆及抗噪声分析

设计了一个特殊的带有可调激活函数的有限时间递归神经网络求解时变复数矩阵的逆,同时分析了其抗噪声能力.首先,时变复数矩阵逆问题被转化为一个误差矩阵,为了使此误差矩阵收敛到零,提出了一个带有可调激活函数的有限时间递归神经网络,并在此基础上设计了一个带有噪声干扰项的网络;其次,证明了设计网路的有限时间稳定性并估计了收敛时间上界,证明了添加噪声干扰项后的网络误差可以收敛到零;最后,通过两个数值例子展现了方法的有效性、优越性和设计网络在添加多种形式噪声时的强鲁棒性.