发明内容
本发明提供了一种色噪声下基于协方差矩阵重构的波束形成方法,旨在改善在色噪声环境和导向矢量失配下期望信号相消而导致的算法性能下降的问题。
本发明是这样实现的:
色噪声下基于协方差矩阵重构的波束形成方法,所述波束形成方法包括如下步骤:
S1,建立阵列天线接收信号模型;
S2,通过修正采样协方差矩阵的小特征值,进而修正采样协方差距阵;
S3,应用矩阵分解以及空间谱估计理论分别构造干扰信号子空间与另一个信号子空间,并通过交替投影算法来求取两个子空间的交集,求取期望信号导向矢量;
S4,通过修正后的采样协方差矩阵减去期望信号协方差矩阵的方法,对干扰噪声协方矩阵进行重构;最后求取阵列天线权值矢量。
在步骤S1中:
设定M个阵元组成的阵列均匀线阵,设定任意阵元间各向同性并忽略阵元间的互耦作用,阵元间距d为1/2λ,其中λ=c/f,c为光速,f为入射信号的频率;
则当有P+1个远场窄带信号,接收信号模型表示为:
X(t)=as(t)+Bj(t)+n(t).
式中,j(t)为P×1干扰信号,B为干扰信号所对应的M×P维导向矢量矩阵,n(t)为M×1维噪声信号,s(t)为期望信号的大小,a为期望信号的导向矢量;
阵列天线采用的模型为均匀线阵,因此,期望导向矢量表示为:a=[ej2πdsinθ/λ...ej2π(M-1)dsinθ/λ],其中θ为期望信号入射角度;
干扰信号导向矢量矩阵B表示为:B=[b1 b2 ··· bp].,其中i=1,2,···,P,ψ为干扰信号入射角度;
假设期望信号和干扰信号间互不相关,则阵列天线接收信号的协方差矩阵表示为:R=E[X(t)XH(t)]=aRsaH+BRjBH+Rn.;
式中,Rs=E[s(t)sH(t)]为期望信号协方差矩阵,(·)H代表矩阵共轭转置,Rj为干扰信号协方差矩阵,Rn为噪声矩阵;
在步骤S2中,具体包括以下步骤:
S21,对采样协方差矩阵进行矩阵分解,得到如下的表达式:
式中,λ
i(i=1,2,…,M)为采样协方差矩阵
的按照降序排列的特征值,e
i为与之对应的特征向量;E
s=[e
1,e
2,…,e
P+1]为相应的干扰信号子空间,Λ
s=diag[λ
1,…,λ
P+1]为对应的特征值对角阵;E
n=[e
P+2,…,e
M]为噪声子空间,Λ
n=diag[λ
P+2,…,λ
M]为对应的特征值对角阵;
S22,通过大数定律以及中心极限定理估计噪声对应的采样协方差矩阵的小特征值的收敛值,表示为
S23,将采样协方差矩阵中的小特征值用λσ来代替,对采样协方差矩阵进行修正,修正后的采样协方差矩阵表示为:
在的步骤S4中,重构后的干扰噪声协方差矩阵表示为:
式中,R
i+n为干扰噪声协方差矩阵,
为修正后的采样协方差矩阵,
为期望信号功率,a
s为期望信号导向矢量。
步骤S3中,具体包括以下步骤:
S31,通过空间谱估计理论重建另一个信号的子空间,该子空间表示为:
式中,Θ为期望信号来波方向角度区域;
将上式中的积分形式转化为累加形式,表示为:
式中,a(θj)表示角度θj对应的导向矢量,其中θj(j=1,…,J)∈Θ,Θ被均分为J份;
S32,对该子空间进行特征值分解,得到如下的表达式:
式中,γi(i=1,…,M)为Casv的按照降序排列的特征值,vi为对应的特征向量;Vs=[v1,…,vN]为期望信号所在的子空间,其中N为Casv的大特征值个数;N为满足下列不等式约束的最小正整数:
其中,ξ为预先设定的阈值并满足0<ξ<1;
S33,通过交替投影算法来求取两个子空间的交集,进而求取期望信号导向矢量:
期望信号导向矢量位于子空间Vs内,因此,期望信号导向矢量as可以看成是两个子空间的交集,即C0=C1∩C2;
期望信号导向矢量as的两个约束条件C1和C2分别表示为:
C1={as:as=EsαE}
C2={as:as=VsαV}
式中,αE和αV为对应子空间系数矢量;
利用交替投影算法来获取两个子空间的交集,迭代方程可以写成:
式中,迭代初始向量为估计期望信号导向矢量a(θ
p),当L→∞时,a
L+1最终收敛于期望信号导向矢量a
s;其中
并且
满足以下不等式:
式中,eigmax(·)表示求取一个矩阵的最大特征值;因此,求得:
进一步的,依据求得期望信号导向矢量a
s和修正后的采样协方差矩阵
求得取期望信号功率,表示为:
则自适应波束形成器输出的阵列天线权值矢量表示为:
本发明的有益效果是:通过对采样协方差矩阵的小特征值的修正,来弥补色噪声导致采样协方差矩阵的小特征值扰动对算法性能的影响,其次利用空间交替投影算法估计期望信号导向矢量,进而求取干扰噪声协方差矩阵,最后应用重构后的干扰噪声协方差矩阵来求取阵列权值。在角度失配和大期望信号功率情况下,本发明的方法能够准确地估计出干扰噪声协方差矩阵和期望信号导向矢量,相比其他重构协方差矩阵方法来讲,本发明算法具有稳健性更好的优点。并且本发明的算法所需的先验信息更少,只需知道期望信号来波角度范围和天线阵型即可。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实际应用中,干扰噪声协方差矩阵R
i+n不能直接求出,而是一般利用采样协方差矩阵
代替。但是由于阵列接收数据中含有期望信号,当期望信号功率较大时,小角度的导向矢量失配都会导致期望信号相消现象,进而导致波束形成器性能下降。而当阵列接收的噪声为色噪声时,从采样协方差矩阵特征值的角度出发,色噪声会导致小特征值发生扰动,从而导致波束形成器性能下降。
本发明总的发明构思:通过对采样协方差矩阵的小特征值的修正,来弥补色噪声导致采样协方差矩阵的小特征值扰动对算法性能的影响,其次利用空间交替投影算法估计期望信号导向矢量,进而求取干扰噪声协方差矩阵,最后应用重构后的干扰噪声协方差矩阵来求取阵列权值。
色噪声下基于协方差矩阵重构的波束形成方法,所述波束形成方法包括如下步骤:
S1,建立阵列天线接收信号模型;
S2,通过修正采样协方差矩阵的小特征值,进而修正采样协方差距阵;
S3,应用矩阵分解以及空间谱估计理论分别构造干扰信号子空间与另一个信号子空间,并通过交替投影算法来求取两个子空间的交集,求取期望信号导向矢量;
S4,通过修正后的采样协方差矩阵减去期望信号协方差矩阵的方法,对干扰噪声协方矩阵进行重构;最后求取阵列天线权值矢量。
在步骤S1中:
设定M个阵元组成的阵列均匀线阵,设定任意阵元间各向同性并忽略阵元间的互耦作用,阵元间距d为1/2λ,其中λ=c/f,c为光速,f为入射信号的频率;
则当有P+1个远场窄带信号,接收信号模型表示为:
X(t)=as(t)+Bj(t)+n(t). (1)
式中,j(t)为P×1干扰信号,B为干扰信号所对应的M×P维导向矢量矩阵,n(t)为M×1维噪声信号,s(t)为期望信号的大小,a为期望信号的导向矢量。
阵列天线采用的模型为均匀线阵,因此,期望导向矢量表示为:a=[ej2πdsinθ/λ…ej2 π(M-1)dsinθ/λ],其中θ为期望信号入射角度;
干扰信号导向矢量矩阵B表示为:
B=[b1 b2 ··· bp]. (2)
式中,bi为第i个干扰信号所对应的导向矢量bi=[ej2πdsinψ/λ…ej2π(M-1)dsinψ/λ],其中i=1,2,···,P,ψ为干扰信号入射角度。
假设期望信号和干扰信号间互不相关,则阵列天线接收信号的协方差矩阵表示为:
R=E[X(t)XH(t)]=aRsaH+BRjBH+Rn. (3)
式中,Rs=E[s(t)sH(t)]为期望信号协方差矩阵,(·)H代表矩阵共轭转置,Rj为干扰信号协方差矩阵,Rn为噪声矩阵。
在实际中,式(3)中的协方差矩阵无法获得。而是由采样协方差矩阵代替,采样协方差矩阵表示为:
传统的MVDR波束形成器能够保证期望信号方向上无失真接收而干扰方向上干扰被抑制,约束函数可以表示为:
利用拉格朗日乘子法可以求解出波束形成器的自适应阵列权值,表示为
在步骤S2中,具体包括以下步骤:
S21,对采样协方差矩阵进行矩阵分解,得到如下的表达式:
式中,λ
i(i=1,2,…,M)为采样协方差矩阵
的按照降序排列的特征值,e
i为与之对应的特征向量;E
s=[e
1,e
2,…,e
P+1]为相应的干扰信号子空间,Λ
s=diag[λ
1,…,λ
P+1]为对应的特征值对角阵;E
n=[e
P+2,…,e
M]为噪声子空间,Λ
n=diag[λ
P+2,…,λ
M]为对应的特征值对角阵;
S22,通过大数定律以及中心极限定理估计噪声对应的采样协方差矩阵的小特征值的收敛值,表示为
S23,将采样协方差矩阵中的小特征值用λσ来代替,对采样协方差矩阵进行修正,修正后的采样协方差矩阵表示为:
在实际应用中,干扰个数、对应的导向矢量以及功率通常情况下未知,并且噪声的功率也不可知,因此本发明通过求取期望信号功率的方法,间接地对干扰噪声协方差矩阵重构。
在的步骤S4中,重构后的干扰噪声协方差矩阵表示为:
式中,R
i+n为干扰噪声协方差矩阵,
为修正后的采样协方差矩阵,
为期望信号功率,a
s为期望信号导向矢量。
步骤S3中,具体包括以下步骤:
从式(9),显然可以看出,期望信号导向矢量位于干扰信号子空间内,即as∈Es。而期望信号导向矢量又位于另一个新的子空间内。
S31,通过空间谱估计理论重建另一个信号的子空间,该子空间表示为:
式中,Θ为期望信号来波方向角度区域;
将(2)式中的积分形式转化为累加形式,表示为:
式中,a(θj)表示角度θj对应的导向矢量,其中θj(j=1,…,J)∈Θ,Θ被均分为J份;
S32,对(12)式进行特征值分解,得到如下的表达式:
式中,γi(i=1,…,M)为Casv的按照降序排列的特征值,vi为对应的特征向量;Vs=[v1,…,vN]为期望信号所在的子空间,其中N为Casv的大特征值个数;N为满足下列不等式约束的最小正整数:
其中,ξ为预先设定的阈值并满足0<ξ<1;
S33,通过交替投影算法来求取两个子空间的交集,进而求取期望信号导向矢量:
期望信号导向矢量位于子空间Vs内,因此,期望信号导向矢量as可以看成是两个子空间的交集,即C0=C1∩C2;
期望信号导向矢量as的两个约束条件C1和C2分别表示为:
C1={as:as=EsαE} (15)
C2={as:as=VsαV} (16)
式中,αE和αV为对应子空间系数矢量;
利用交替投影算法来获取两个子空间的交集,迭代方程可以写成:
式中,迭代初始向量为估计期望信号导向矢量a(θ
p),当L→∞时,a
L+1最终收敛于期望信号导向矢量a
s;其中
并且
满足以下不等式:
式中,eigmax(·)表示求取一个矩阵的最大特征值;因此,求得:
进一步的,依据求得期望信号导向矢量a
s和修正后的采样协方差矩阵
求得取期望信号功率,表示为:
因此,根据式(1),重构Ri+n;
则自适应波束形成器输出的阵列天线权值矢量表示为:
本发明的效果可通过以下仿真说明:
仿真条件与内容:
1、角度失配下的波束形成算法性能分析
实验中采用的阵型为M=10,阵元间距半波长的均匀线阵。假设期望信号来波方向为θs=0°,估计的期望信号来波方向为θp=3°,期望信号来波方向角度区域为[θp-Δθ2,θp+Δθ2],其中Δθ=8°,信噪比SNR为10dB。三个窄带干扰信号的来向分别假设为30°、-45°和50°,干噪比INR为40dB。下面的实验均采用100次Monte-Carlo仿真。
为了说明本发明算法性能的优越性,分别对以下算法进行了比较:本发明提出的算法、MVDR算法、对角加载算法、最差性能最优算法以及协方差阵与导向矢量估计算法。其中对角加载算法的加载量选取
其中
为各阵列通道的噪声平均功率。最差性能最优算法设定的范数边界ε=3。
图2是几种算法在白噪声失配角为5°时的波束图。从图中可以看出,传统的MVDR算法和对角加载算法在期望信号方向上形成了零陷,即产生了期望信号相消的现象。最差性能最优算法和协方差阵与导向矢量估计算法虽然未在期望信号方向上形成零陷,但是主波束形成方向偏离期望信号方向,造成接收期望信号失真。而本发明提出的算法不仅能够在期望方向上形成较好的主波束,而且旁瓣增益水平较低。
图3给出了以上几种算法在不同的采样快拍数下的输出SINR。从图中可以看出,传统的MVDR算法收敛于-20dB左右,这是由于算法在导向矢量失配下存在着严重的期望信号相消问题,导致算法的性能严重下降。对角加载算法和最差性能最优算法最终收敛于-5dB左右,说明这两种算法在角度失配下相比传统的MVDR算法,性能上得到很大的提升,协方差阵与导向矢量估计算法性能收敛于15dB,而本发明提出的算法在性能上略优于协方差阵与导向矢量估计算法。因此,在角度失配下本发明提出的算法具有一定的性能优势。
从以上仿真中可以看出,本发明提出的算法在角度失配情况下的性能具有一定的优势,算法的稳健性较好。为了进一步说明算法色噪声环境下的输出性能的优越性,进行了如下的仿真。仿真针对色噪声环境和角度失配两种情况下从算法的输出SINR、稳健性等进行分析说明。
2、低快拍数和色噪声环境下的波束形成器的性能分析
本次仿真中输入信号噪声选取非均匀色噪声,噪声协方差阵Rn取任意对角元素不等的对角阵,即保证阵元间接收的噪声功率不同。本次仿真中增加了以及基于有色载入的抗干扰算法同本发明提出的算法的对比。其他仿真参数同实验一相同。
图4是角度失配和色噪声下几种算法的输出波束图对比。从波束图中可以看出,在色噪声环境下,几种算法均能够在干扰方向上形成零陷,传统的MVDR算法、LSMI算法、协方差阵与导向矢量估计算法和以及基于有色载入的抗干扰算法在期望方向上形成了零陷,并且旁瓣增益水平较高,而最差性能最优算法虽然未在期望信号上形成零陷,但是其主波束角度偏离期望信号方向,造成期望信号失真。而本发明提出的算法在色噪声和角度失配下,不仅能够在期望信号上形成较为准确的主波束,而且旁瓣增益水平较低。
图5是几种算法的输出SINR对比图,从图中可以看出,在色噪声环境下,本发明提出的算法的输出SINR最终稳定收敛于15dB左右,其它几种算法的输出SINR明显低于本发明所提出的算法。因此可以得出本发明所提的算法在色噪声环境和角度失配下算法的性能相比其他算法具有优越性,算法的稳健性更好。
为了进一步说明本发明所提算法的有效性,对不同的输出SNR算法的输出SINR进行了仿真测试。图6是几种算法的输出SINR随着输入SNR的变化,从图中可以得到,本发明提出的算法输出SINR随着输入SNR呈线性变化关系,并且算法的输出SINR相比其他算法线性性能最好,协方差阵与导向矢量估计算法输出SINR与输入SNR也近似呈线性变化,但是输出SINR性能差于本发明所提出的算法,其他几种算法在低SNR下,输出SINR差距不大,但是在高SNR下,算法的性能严重下降,主要还是由于期望信号相消和色噪声导致算法性能的严重下降。因此本次仿真再次验证了本发明算法在色噪声和角度失配下算法的输出SINR较高,算法的稳健性较好。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。