CN108833319A - 一种基于cab算法的自适应遗忘因子cab算法 - Google Patents
一种基于cab算法的自适应遗忘因子cab算法 Download PDFInfo
- Publication number
- CN108833319A CN108833319A CN201810545510.5A CN201810545510A CN108833319A CN 108833319 A CN108833319 A CN 108833319A CN 201810545510 A CN201810545510 A CN 201810545510A CN 108833319 A CN108833319 A CN 108833319A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- cab
- forgetting factor
- value
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于CAB算法的自适应遗忘因子CAB算法,属于通信算法领域;本发明针对CAB算法的缺点对其进行改进,由于存在CFE时CAB算法的性能受到很大影响,存在较大CFE时,已有文献提出的改进算法效果不佳,因此提出一种遗传因子的值是根据循环频率误差的大小自动调节的CAB类算法,即AF‑CAB算法。AF‑CAB算法通过建立估计误差代价函数得到新的估计矩阵,通过不断迭代计算自适应遗忘因子的值,利用快速迭代的方法求出最佳权值。结果表明AF‑CAB算法在抗干扰领域相比于CAB算法、F‑CAB算法具有最佳的性能。
Description
技术领域
本发明涉及通信算法领域,具体涉及一种基于CAB算法的自适应遗忘因子CAB算法。
背景技术
对于已有的CAB类算法,由于多普勒效应、有限采样数据导致sinc窗函数泄漏等因素的影响,很难得到准确的循环频率。而CAB类算法对CFE的存在非常敏感,容易引起CAB类算法性能急剧下降或失效,因此如何消除CFE对CAB算法的影响是现阶段研究CAB算法的重点。
目前已有文献提出了一些改善方法,有学者提出了稳健的CAB算法以改善CFE的影响,但这些改进算法只能应用于CFE较小的场合。也有学者提出了对循环频率进行估计以及将循环频率的估计与子空间拟合相结合的方法,但是利用这些估计循环频率的方法,需要进行长时间的计算以及足够的存储空间,为有效解决CFE引起性能下降的问题,有学者提出了遗忘因子CAB算法,该算法简便易用,无需对循环频率进行估计,若CFE比较小,该算法性能良好,但存在较大CFE时,算法的性能依旧很差。结合已有文献内容提出自适应遗忘因子CAB算法AF-CAB算法,由于存在CFE时CAB算法的性能受到很大影响,存在较大CFE时,已有文献提出的改进算法效果不佳。而AF-CAB算法中遗忘因子的值是根据循环频率误差的大小自动调节。自适应调整的值可以让AF-CAB算法适应各种环境,改善由CFE导致抗干扰效果变差的问题。AF-CAB算法可以很好的改善算法性能下降或失效的问题,同时在CFE较大时,该算法依旧表现良好,具有很强的鲁棒性。
发明内容
本发明的目的在于提供一种基于CAB算法的自适应遗忘因子CAB算法。
本发明针对CAB算法的缺点对其进行改进,由于存在CFE时CAB算法的性能受到很大影响,存在较大CFE时,已有文献提出的改进算法效果不佳。提出一种遗传因子的值是根据循环频率误差的大小自动调节的CAB类算法,即AF-CAB算法。AF-CAB算法通过建立估计误差代价函数得到新的估计矩阵,通过不断迭代计算自适应遗忘因子的值,利用快速迭代的方法求出最佳权值。
本发明是这样实现的:
一种基于CAB算法的自适应遗忘因子CAB算法,围绕传统方法的缺点进行改进,其特征主要包括:根据F-CAB算法中的遗忘因子提出AF-CAB算法;不断迭代计算自适应遗忘因子的值;在各种复杂环境下依旧保持良好的输出SINR和形成令人满意的波束图以保持其抗干扰性。
所述AF-CAB算法:F-CAB算法中遗忘因子λ的值是固定的常数,只对一定范围内的CFE起到改善的作用,AF-CAB算法,λ的值是根据循环频率误差的大小自动调节,通过自适应调节F-CAB算法中遗忘因子的值,让AF-CAB算法适应各种环境。
所述迭代计算自适应遗忘因子的方法:算法通过建立估计误差代价函数得到新的估计矩阵,通过不断迭代计算自适应遗忘因子的值,利用快速迭代的方法求出最佳权值。
所述抗干扰性:算法可以通过不断迭代计算自适应遗忘因子的值,实时纠正信号中因为存在CFE导致的循环相关矩阵估计不准确引起的算法性能变化的问题,真正实现了信号的盲处理;具有极好的通用性,甚至可以推广移植到SCORE类算法。
所述迭代计算,主要包括如下步骤:
步骤1:建立估计误差代价函数为:
e(n)=y(n)-z(n) (1-1)
其中,y(n)=wHx(n),w和c分别为Rxu的左右奇异值,αs为期望信号的循环频率;
步骤2:基于MMSE准则的性能函数:
ξ=E{|e(n)|2} (1-2)
E{}表示取统计平均;故可将式(1-2)转换为求取无约束最佳值的问题:
Maxξ=E{|e(n)|2} (1-3)
步骤3:由式(1-1)、(1-2)、(1-3)得到:
由于ξ为λ的二次函数,通过ξ对λ的梯度为零,一定可以求出其最小值;使ξ取最小值的应满足方程:
步骤4:对式(1-5)进行化解运算可得:
从而得到λ满足的代价方程为:
步骤5:将λ得到新的估计矩阵即:
步骤6,利用快速迭代的方法求出权值:
本算法与传统相关算法相比具有以下特点:
1、F-CAB算法能够在较小的CFE范围内降低CAB算法对CFE的敏感性,但当CFE较大时,CAB算法的性能依旧没有得到有效改善。而AF-CAB算法,该算法可以通过不断迭代计算自适应遗忘因子的值,实时纠正信号中因为存在CFE导致的循环相关矩阵估计不准确引起的算法性能变化的问题,真正实现了信号的盲处理。
2、AF-CAB算法,可以在各种复杂环境下依旧保持良好的输出SINR和形成令人满意的波束图,最终完成抗干扰的目的,并且AF-CAB算法还具有极好的通用性,甚至可以推广移植到SCORE类算法。
附图说明
图1是AF-CAB算法SINR变化图以及自适应波束图;
图2是各算法在循环频率估计变化图以及自适应波束图;
图3是各算法在循环频率估计变化图以及自适应波束图;
图4是各算法在循环频率估计变化图以及自适应波束图;
图5是误差e随快拍数的变化图。
具体实施方式
下面结合附图对本发明做进一步描述。
实施例1:
一种基于CAB算法的自适应遗忘因子CAB算法,围绕传统方法的缺点进行改进,其特征主要包括:根据F-CAB算法中的遗忘因子提出AF-CAB算法;不断迭代计算自适应遗忘因子的值;在各种复杂环境下依旧保持良好的输出SINR和形成令人满意的波束图以保持其抗干扰性。
所述AF-CAB算法:F-CAB算法中遗忘因子λ的值是固定的常数,只对一定范围内的CFE起到改善的作用,AF-CAB算法,λ的值是根据循环频率误差的大小自动调节,通过自适应调节F-CAB算法中遗忘因子的值,让AF-CAB算法适应各种环境。
所述迭代计算自适应遗忘因子的方法:算法通过建立估计误差代价函数得到新的估计矩阵,通过不断迭代计算自适应遗忘因子的值,利用快速迭代的方法求出最佳权值。
所述抗干扰性:算法可以通过不断迭代计算自适应遗忘因子的值,实时纠正信号中因为存在CFE导致的循环相关矩阵估计不准确引起的算法性能变化的问题,真正实现了信号的盲处理;具有极好的通用性,甚至可以推广移植到SCORE类算法。
所述迭代计算,主要包括如下步骤:
步骤1:建立估计误差代价函数为:
e(n)=y(n)-z(n) (1-1)
其中,y(n)=wHx(n),w和c分别为Rxu的左右奇异值,αs为期望信号的循环频率;
步骤2:基于MMSE准则的性能函数:
ξ=E{|e(n)|2} (1-2)
E{}表示取统计平均;故可将式(1-2)转换为求取无约束最佳值的问题:
Maxξ=E{|e(n)|2} (1-3)
步骤3:由式(1-1)、(1-2)、(1-3)得到:
由于ξ为λ的二次函数,通过ξ对λ的梯度为零,一定可以求出其最小值;使ξ取最小值的应满足方程:
步骤4:对式(1-5)进行化解运算可得:
从而得到λ满足的代价方程为:
步骤5:将λ得到新的估计矩阵即:
步骤6,利用快速迭代的方法求出权值:
实施例2:
下面结合算法具体步骤以及附图仿真结果对本算法所提进行进一步详细说明。以下实施例用于说明本申请,但不用来限制本申请的范围。
F-CAB算法中遗忘因子λ的值是固定的常数,只对一定范围内的CFE起到改善的作用,而本书中将提出的AF-CAB算法,λ的值是根据循环频率误差的大小自动调节。自适应调整λ的值可以让AF-CAB算法适应各种环境,改善由CFE导致抗干扰效果变差的问题。下面详细分析AF-CAB算法的计算过程。
(1)建立估计误差代价函数为:
e(n)=y(n)-z(n) (1-1)
其中,y(n)=wHx(n),w和c分别为Rxu的左右奇异值,Rxu为信号x(n)和u(n)的互相关函数,其中αs为期望信号的循环频率。n为当前时刻,n0为起始时刻,τ=n-n0为时间差。x(n)为输入函数,y(n)为输出函数,z(n)为对需要信号的估计函数。wH与cH表示其共轭转置。
(2)基于MMSE准则的性能函数
ξ=E{|e(n)|2} (1-2)
E{}表示取统计平均。故可将式(1-2)转换为求取无约束最佳值的问题
Maxξ=E{|e(n)|2} (1-3)
(3)由式(1-1)、(1-2)、(1-3)得到
由于ξ为λ的二次函数,通过ξ对λ的梯度为零,一定可以求出其最小值。使ξ取最小值的应满足方程
(4)对式(1-5)进行化解运算可得,
Re表示取实部,从而得到λ满足的代价方程为:
(5)将λ得到新的估计矩阵即
(6)利用快速迭代的方法求出权值wCAB(n):
实验中我们采用具有16个阵元,间距为半波长的均匀直线阵,每次仿真的快拍数都取为1000次。设有两个BPSK窄带信号入射到阵列,噪声为高斯白噪声,其中入射角度为20o的是期望信号,SNR为10dB;另一个是入射角度为60o的干扰信号,INR为10dB。定义为估计得到的循环频率值,Δα为估计误差。假设在实验过程中当不存在CFE时,则其中fc为期望信号的载波频率。如图1所示,当估计值误差Δα=-0.02fc时,SINR随快拍数的变化以及在最大SINR情况下的自适应波束图。我们已知,当CFE存在时,CAB算法的性能急剧下降或者失效,随之生成的波束图也将发生严重畸变。以CAB算法为基础推广得到的CCAB算法和RCAB算法也将面临着相同的性能下降问题;由此我们进行了多组实验,设置估计的循环频率分别为2fc、1.980fc、2.020fc,对应的Δα分别为0fc、-0.02fc、0.02fc。分析仿真得到的实验结果,由图2,3,4可知,若CFE为零,时CAB算法、F-CAB算法和AF-CAB算法输出的最大SINR基本相同,收敛速度也基本一样,同时都能形成良好的波束图,此时这三种算法的性能基本相当。和时,此时的CAB算法已经处于失效状态,AF-CAB算法仍具有比较好的性能,从图中也可以看出AF-CAB算法输出的最大SINR明显高于F-CAB算法,并且形成的波束图对旁瓣增益的压制效果更好,公式(1-1)为判断AF-CAB算法的性能提供了理论基础,通过误差e判断求出的自适应遗忘因子是否为最佳,由图5可知,随着快拍数的增加,误差e逐渐降低,直至接近于0。误差接近于0的过程,也是求出的自适应遗忘因子在接近于最佳值时刻,由此验证了AF-CAB算法的理论正确性。仿真结果表明AF-CAB算法在抗干扰领域相比于CAB算法、F-CAB算法具有最佳的性能。
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。
Claims (5)
1.一种基于CAB算法的自适应遗忘因子CAB算法,围绕传统方法的缺点进行改进,其特征主要包括:根据F-CAB算法中的遗忘因子提出AF-CAB算法;不断迭代计算自适应遗忘因子的值;在各种复杂环境下依旧保持良好的输出SINR和形成令人满意的波束图以保持其抗干扰性。
2.根据权利要求1基于CAB算法的自适应遗忘因子CAB算法,其特征在于,所述AF-CAB算法:F-CAB算法中遗忘因子λ的值是固定的常数,只对一定范围内的CFE起到改善的作用,AF-CAB算法,λ的值是根据循环频率误差的大小自动调节,通过自适应调节F-CAB算法中遗忘因子的值,让AF-CAB算法适应各种环境。
3.根据权利要求1所述的基于CAB算法的自适应遗忘因子CAB算法,其特征在于,所述迭代计算自适应遗忘因子的方法:算法通过建立估计误差代价函数得到新的估计矩阵,通过不断迭代计算自适应遗忘因子的值,利用快速迭代的方法求出最佳权值。
4.根据权利要求1所述的基于CAB算法的自适应遗忘因子CAB算法,其特征在于,所述抗干扰性:算法可以通过不断迭代计算自适应遗忘因子的值,实时纠正信号中因为存在CFE导致的循环相关矩阵估计不准确引起的算法性能变化的问题,真正实现了信号的盲处理;具有极好的通用性,甚至可以推广移植到SCORE类算法。
5.根据权利要求3所述的基于CAB算法的自适应遗忘因子CAB算法,其特征在于,所述迭代计算,主要包括如下步骤:
步骤1:建立估计误差代价函数为:
e(n)=y(n)-z(n) (1-1)
其中,y(n)=wHx(n),w和c分别为Rxu的左右奇异值,αs为期望信号的循环频率;
步骤2:基于MMSE准则的性能函数:
ξ=E{|e(n)|2} (1-2)
E{}表示取统计平均;故可将式(1-2)转换为求取无约束最佳值的问题:
Maxξ=E{|e(n)|2} (1-3)
步骤3:由式(1-1)、(1-2)、(1-3)得到:
由于ξ为λ的二次函数,通过ξ对λ的梯度为零,一定可以求出其最小值;使ξ取最小值的应满足方程:
步骤4:对式(1-5)进行化解运算可得:
从而得到λ满足的代价方程为:
步骤5:将λ得到新的估计矩阵即:
步骤6,利用快速迭代的方法求出权值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810545510.5A CN108833319A (zh) | 2018-05-25 | 2018-05-25 | 一种基于cab算法的自适应遗忘因子cab算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810545510.5A CN108833319A (zh) | 2018-05-25 | 2018-05-25 | 一种基于cab算法的自适应遗忘因子cab算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108833319A true CN108833319A (zh) | 2018-11-16 |
Family
ID=64145609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810545510.5A Pending CN108833319A (zh) | 2018-05-25 | 2018-05-25 | 一种基于cab算法的自适应遗忘因子cab算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108833319A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013129896A1 (en) * | 2012-03-02 | 2013-09-06 | Samsung Electronics Co., Ltd. | Apparatus and method for controlling adaptive beamforming gain in wireless communication system |
CN104345321A (zh) * | 2014-11-03 | 2015-02-11 | 西安烽火电子科技有限责任公司 | 一种卫星导航接收机用空时自适应抗干扰方法 |
CN104777491A (zh) * | 2015-04-22 | 2015-07-15 | 北京北斗星通导航技术股份有限公司 | 一种盲波束宽带干扰抑制方法及装置 |
CN106603144A (zh) * | 2016-12-01 | 2017-04-26 | 深圳大学 | 用于机载卫星导航平台的循环平稳波束形成方法及系统 |
-
2018
- 2018-05-25 CN CN201810545510.5A patent/CN108833319A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013129896A1 (en) * | 2012-03-02 | 2013-09-06 | Samsung Electronics Co., Ltd. | Apparatus and method for controlling adaptive beamforming gain in wireless communication system |
CN104345321A (zh) * | 2014-11-03 | 2015-02-11 | 西安烽火电子科技有限责任公司 | 一种卫星导航接收机用空时自适应抗干扰方法 |
CN104777491A (zh) * | 2015-04-22 | 2015-07-15 | 北京北斗星通导航技术股份有限公司 | 一种盲波束宽带干扰抑制方法及装置 |
CN106603144A (zh) * | 2016-12-01 | 2017-04-26 | 深圳大学 | 用于机载卫星导航平台的循环平稳波束形成方法及系统 |
Non-Patent Citations (2)
Title |
---|
熊超: "基于信号循环平稳性的智能天线数字波束形成技术研究", 《硕士论文》 * |
秦博雅: "基于低复杂度自适应信号处理的波束成形技术研究", 《博士论文》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Greenberg | Modified LMS algorithms for speech processing with an adaptive noise canceller | |
Chen et al. | Recursive least squares constant modulus algorithm for blind adaptive array | |
CN107947761B (zh) | 基于最小均方四阶的变阈值比例更新自适应滤波方法 | |
CN111885624B (zh) | 一种基于深度学习的信号噪底估计方法 | |
Martinek et al. | Use of adaptive filtering for noise reduction in communications systems | |
US9548064B2 (en) | Noise estimation apparatus of obtaining suitable estimated value about sub-band noise power and noise estimating method | |
Zarifi et al. | Robust blind multiuser detection based on the worst-case performance optimization of the MMSE receiver | |
US20090059780A1 (en) | Method and apparatus for self-tuning precoder | |
CN109639333A (zh) | 一种基于有效重构协方差矩阵的波束形成方法 | |
CN103984676A (zh) | 一种基于协方差矩阵重构的正交投影自适应波束形成方法 | |
El-Keyi et al. | Robust adaptive beamforming based on the Kalman filter | |
CN104952459B (zh) | 一种基于分布式一致性和mvdr波束形成的分布式语音增强方法 | |
CN106093920B (zh) | 一种基于对角加载的自适应波束形成算法 | |
CN114172490A (zh) | 一种基于Ekblom范数的鲁棒自适应噪声消除方法 | |
El-Laham et al. | Efficient adaptive multiple importance sampling | |
Liu et al. | Multiple constrained $\ell_2 $-norm minimization algorithm for adaptive beamforming | |
Gong et al. | Modified narrowband active noise control system with frequency mismatch tolerance | |
CN108833319A (zh) | 一种基于cab算法的自适应遗忘因子cab算法 | |
Varlamov et al. | Research of the Hybrid Filter Bank Frequency Equalizer Transfer Function Coefficients Estimation Quality | |
CN108983144B (zh) | 改进维纳滤波器及基于该滤波器进行目标方位的估计方法 | |
CN109581849A (zh) | 一种同轴全息重建方法及系统 | |
CN112054829B (zh) | 一种具有固定相位中心特性的天线组阵信号合成方法 | |
CN112201269A (zh) | 基于改进噪声估计的mmse-lsa语音增强方法 | |
So et al. | An improvement to the explicit time delay estimator | |
CN114172770B (zh) | 量子根树机制演化极限学习机的调制信号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |