CN111562549A - 一种分块并行的大型阵列快速自适应波束形成方法 - Google Patents

一种分块并行的大型阵列快速自适应波束形成方法 Download PDF

Info

Publication number
CN111562549A
CN111562549A CN202010239032.2A CN202010239032A CN111562549A CN 111562549 A CN111562549 A CN 111562549A CN 202010239032 A CN202010239032 A CN 202010239032A CN 111562549 A CN111562549 A CN 111562549A
Authority
CN
China
Prior art keywords
sub
block
array
optimal
mode
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.)
Granted
Application number
CN202010239032.2A
Other languages
English (en)
Other versions
CN111562549B (zh
Inventor
陶海红
鲍俊竹
郭晶晶
任月
陈维佳
朱晨睿
瞿建
曾操
何学辉
廖桂生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202010239032.2A priority Critical patent/CN111562549B/zh
Publication of CN111562549A publication Critical patent/CN111562549A/zh
Application granted granted Critical
Publication of CN111562549B publication Critical patent/CN111562549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种分块并行的大型阵列快速自适应波束形成方法，包括：对相控阵雷达接收的数据重新构造，得到接收数据块；根据粒子群算法搜索最优分块方式；根据搜索得到的最优分块方式或均匀分块方式对所述接收数据块进行分块，得到相应子数据块；对所有子数据块同时并行计算，得到各自对应的协方差矩阵；将阵列导向矢量按照所采用的最优分块方式或均匀分块方式相应地分成若干子导向矢量；根据所述协方差矩阵的逆矩阵和对应的子导向矢，得到每个相应子数据块对应的自适应抗干扰权值；将所述自适应抗干扰权值按照分块方式的顺序组合，得到全阵的自适应抗干扰权值。本发明所提算法可以并行实现、计算速度更快，更适合多核高速芯片进行并行计算，提高实时性，同时算法性能上也得到了改善。

Description

一种分块并行的大型阵列快速自适应波束形成方法
技术领域
本发明属于雷达信号处理技术领域，具体涉及一种分块并行的大型阵 列快速自适应波束形成方法。
背景技术
随着科技的发展，雷达作为一种利用电磁波探测目标的电子设备被广 泛应用。干扰是雷达使用过程中面临的主要问题之一，对于相控阵雷达， 自适应波束形成技术的各种方法对干扰有良好的抑制效果。而如今干扰形 式更加复杂，对雷达的探测能力也有更高的要求，因此相控阵雷达的阵列 规模越来越大，这也使传统的自适应波束形成技术的运算量和运算复杂度 成倍的增加，导致算法收敛速度慢，无法实现对阵列信号的实时处理。
为了解决上面的问题，现有技术提出了一些方法。文献1(Adaptive arraybeamforming based on an efficient technique.IEEE Trans.AP-44,1996(8):1094-1101)公开了一种分块并行的波束形成算法 (ERLS)；文献2(Sub-array RLS adaptivealgorithm.IEEE Electronics letters,1999,35(13):1061-1062)公开了一种异步的基于RLS的分块并行算法； 文献3(Subarray Adaptive Array Beamforming Algorithm Basedon LCMV.Asia pacific microwave conference proceedings,2005,3:1964-1966.)公开了一种分 块并行的波束形成算法(LCMV)，是通过闭环的方式，迭代多次得到的自适 应抗干扰权值；文献4(Rapid convergence rate in adaptive radar[J]IEEE Trans on AES，1973，2：237—252.)公开了一种采样协方差矩阵求逆(SMI)算法， 其是采用最大信干噪比准则的一种开环的算法。
然而，文献1提出的方法其波束形成性能受分块形式的影响，而且当 最大子权矢量的维数比较大时，ERLS的运算量很大；文献2提出的方法每 次迭代更新一次权重系数需要比ERLS多M-2个节拍(M为分块的块数)， 迭代处理效率低；文献3提出的方法在某些干扰分布情况下，算法收敛速 度较慢，从而大大限制了它的应用场合；文献4提出的方法在阵元数目较 多时，算法运算量较大，无法在短时间内完成抗干扰权值计算。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种分块并行的 大型阵列快速自适应波束形成方法。本发明要解决的技术问题通过以下技 术方案实现：
一种分块并行的大型阵列快速自适应波束形成方法，包括：
步骤1：对相控阵雷达接收的数据重新构造，得到接收数据块；
步骤2：根据粒子群算法搜索最优分块方式；
步骤3：根据搜索得到的最优分块方式或均匀分块方式对所述接收数据 块进行分块，得到相应子数据块；
步骤4：对所有子数据块同时并行计算，得到各自对应的协方差矩阵；
步骤5：将阵列导向矢量按照所采用的最优分块方式或均匀分块方式相 应地分成若干子导向矢量；
步骤6：根据所述协方差矩阵的逆矩阵和对应的子导向矢量，得到每个 子数据块对应的自适应抗干扰权值；
步骤7：将所述自适应抗干扰权值按照分块方式的顺序组合，得到全阵 的自适应抗干扰权值。
在本发明的一个实施例中，步骤1包括：
将阵列接收的数据的所有阵元按列展开成一个列向量，每一个阵元对 应一个接收数据行向量的形式，重新构造为接收数据块。
在本发明的一个实施例中，步骤2包括：
(2a)根据所述粒子群算法编码方式初始化种群，以生成初始状态；
(2b)根据适应度函数初始化种群最优位置；
(2c)根据所述种群最优位置更新粒子速度；
(2d)根据所述粒子速度更新粒子位置；
(2e)根据所述适应度函数计算粒子的适应度函数值以更新所述种群最 优位置；
(2f)重复步骤(2b)～(2e)直至迭代次数达到预设最大迭代次数或者得到 最优解；
(2g)根据所述种群最优位置确定最优分块方式。
在本发明的一个实施例中，所述适应度函数的计算公式为：
Fitness＝MSRL；
Figure BDA0002431934210000031
其中，Fitness表示适应度函数，MSRL表示自适应抗干扰权值的方向图 的主副比，Pmax_sll(θ)表示方向图最大旁瓣值，Pmax(θ)表示方向图主瓣峰值； θ表示不同方向。
在本发明的一个实施例中，所述粒子速度的计算公式为：
Figure BDA0002431934210000032
其中，vin表示第i个个体的第n维速度，vin＝(vi1,vi2,…，viD)表示第i个个 体的速度，n＝1,2,…,D，k表示当前进化的代数，pbestin＝(pi1,pi2,…,piD) 表示第i个粒子当前搜索到的个体最优位置，pin第i个粒子当前搜索到的 个体最优位置第n维坐标，gbestn＝(g1,g2,…,gD)表示整个种群当前搜索 到的全局最优位置，gn表示全局最优位置的第n维坐标，r1和r2是大小在 0～1范围内的随机数，ω表示惯性因子，c1和c2表示加速常数，c1表示个体学习因子，c2表示全局学习因子。
在本发明的一个实施例中，所述粒子位置的计算公式为
Figure BDA0002431934210000042
在本发明的一个实施例中，所述协方差矩阵的计算公式为：
Figure BDA0002431934210000043
其中，xp(t)表示第p个子数据块，p＝1,2，…，P，P表示子数据块个数。
在本发明的一个实施例中，所述子导向矢量为：
a(θ0)＝[a1(θ0),a2(θ0),…,aP(θ0)]；
其中，ap(θ0)表示第p个子数据块对应的子导向矢量。
在本发明的一个实施例中，所述子数据块对应的自适应抗干扰权值表 达式为：
Figure BDA0002431934210000044
其中，wp表示子数据块对应的自适应抗干扰权值，μp是任意非零常数，
Figure BDA0002431934210000045
表示第p个子数据块协方差矩阵的逆矩阵。
在本发明的一个实施例中，所述自适应抗干扰权值的表达式为：
Figure BDA0002431934210000046
其中，wpn表示第p个子数据块得到的抗干扰权值中第n个权系数，n＝1,2,…,Mp。
本发明的有益效果：
1、本发明提供的大型阵列快速自适应波束形成方法通过分块降低了算 法计算过程中矩阵的维度，大大降低了协方差矩阵和协方差矩阵求逆计算 过程的运算量；
2、本发明提供的大型阵列快速自适应波束形成方法采用开环的计算方 式，算法收敛速度更快，更适合高速芯片进行并行计算；
3、本发明提供的大型阵列快速自适应波束形成方法使用更少的快拍就 可以达到常规SMI算法的相同性能，进一步减少运算量；
4、本发明提供的大型阵列快速自适应波束形成方法在快拍数相同的情 况下，得到的自适应抗干扰权值对应的方向图有更低的主副比、输出信干 噪比以及更精确的波束指向，抗干扰性能得到明显提升；
5、本发明提供的大型阵列快速自适应波束形成方法通过粒子群算法寻 找到更优的分块方式，可以进一步降低方向图的主副比，提高抗干扰性能。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种分块并行的大型阵列快速自适应波束 形成方法流程示意图；
图2是本发明实施例提供的通过粒子群算法搜索最优分块方式的流程 示意图；
图3是本发明实施例提供的粒子群算法的粒子位置编码方式的示意图；
图4是本发明实施例提供的快拍数为1000时常规SMI和分块并行SMI 算法权值对应的方向图；
图5是本发明实施例提供的常规SMI和分块并行SMI算法权值对应的 方向图主副比随快拍数变化图；
图6是本发明实施例提供的采用非均匀的最优分块方式和均匀分块方 式得到的自适应抗干扰权值对应的方向图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施 方式不限于此。
实施例一
请参见图1，图1是本发明实施例提供的一种分块并行的大型阵列快速 自适应波束形成方法流程示意图，包括：
步骤1：对相控阵雷达接收的数据重新构造，得到接收数据块；
进一步地，对相控阵雷达接收的数据，按照所有阵元按列展开成一个 列向量，每一个阵元对应一个接收数据行向量的形式，重新构造为接收数 据块。对于线阵可省略步骤1。
具体地，步骤1包括：
若对于N个阵元以半波长为间隔均匀分布构成的Nc行、Nr列平面阵， 其中Nc×Nr＝N，N是阵元总数，阵列每个阵元采样后接收数据的快拍数 表示为L，则总的接收数据可表示为Nc×Nr×L，对每个快拍Nc×Nr个阵 元的接收数据按列展开，可得到长度为N的列向量，所有快拍的接收数据 都按列展开后，可得到规模大小为N×L的接收数据块x(t),t＝1,2,…,L。
步骤2：根据粒子群算法搜索最优分块方式；
进一步地，结合粒子群算法，对固定的目标和干扰信号方向，以不同 分块方式得到的抗干扰权值对应方向图的主副比作为适应度函数值，搜索 接收数据块的最优分块方式；根据多次粒子群算法的结果的平均值确定最 终的最优分块方式。
请参见图2，图2是本发明实施例提供的通过粒子群算法搜索最优分块 方式的流程示意图，具体包括：
(2a)根据所述粒子群算法编码方式初始化种群，以生成初始状态；
具体地，请参见图3，图3是本发明实施例提供的粒子群算法的粒子位 置编码方式的示意图；当确定将数据块划分成规模不同P个子数据块之后， 当确定将数据块划分成规模不同的P块之后，只需在N个阵元的N-1个阵 元间隔位置中，选择D个间隔位置作为分块间隔位置，D个分块间隔位置 序号记为m1,m2,…,mD，其中D＝P-1，间隔位置确定后，将N个阵元接收 到的数据划分成P个不同规模的子数据块，选择的间隔位置不同，P个子数 据块的规模也不同，即对应的阵元数目不同。D也是本方法使用粒子群算 法搜索空间的维数通过搜索，得到最优的个体位置就是当前粒子群算法搜 索到的最优分块方式。
假设种群大小为M，以xi＝(xi1,xi2,…，xiN)作为种群中第i个粒子在D 维空间中的位置，i＝1,2,…,M。对粒子初始化时，随机生成D个大小为从 1～(N-1)的不重复整数，代表间隔位置，作为粒子的位置，总共生成M组， 用来初始化种群中所有个体。
(2b)根据适应度函数初始化种群最优位置；
进一步地，此处求解的问题是寻找最好的阵元间隔，使主副比最大， 则选取的适应度函数如下式：
Fitness＝MSRL
自适应抗干扰权值的方向图的主副比(MSRL)由下式表示：
Figure BDA0002431934210000081
其中，Pmax_sll(θ)是方向图最大旁瓣值，Pmax(θ)是方向图主瓣峰值，大 小表示为方向图最高旁瓣比主瓣低多少dB，θ表示不同方向。大的主副比 说明有较低的旁瓣，低旁瓣有助于识别主瓣，提高测向精度，因此，工程 上追求更高的主副比。
在初始化种群中每个个体后，每个个体代表的子阵间隔位置也就得以 确定，即可以确定每个子数据块的规模，进而可以得到全阵的方向图，以 方向图的主副比作为种群中每个个体的适应度函数值f(xi),i＝1,2,…,M。种 群中最大适应度函数值来初始化种群最优值f(gbest)，对应的粒子位置来初 始化种群最优位置gbest。
(2c)根据所述种群最优位置更新粒子速度；
进一步地，结合个体最优解和全局最优解，根据下式更新种群中所有 粒子的飞行速度:
Figure BDA0002431934210000082
其中，vin表示第i个个体的第n维速度，vin＝(vi1,vi2,…，viD)作为第i 个个体的速度，n＝1,2,…,D，k表示当前进化的代数，k小于最大迭代次数， 以pbestin＝(pi1,pi2,…,piD)作为第i个粒子当前搜索到的个体最优位置第n 维坐标，pin第i个粒子当前搜索到的个体最优位置第n维坐标，以 gbestn＝(g1,g2,…,gD)作为整个种群当前搜索到的全局最优位置，r1和r2是 大小在0～1范围内的随机数，ω是值为非负的惯性因子，c1和c2是加速常数，c1是个体学习因子，c2是全局学习因子。若更新后的飞行速度大于设定的最 大飞行速度，则以最大飞行速度作为更新后的粒子飞行速度。
(2d)根据所述粒子速度更新粒子位置；
具体地，结合更新之后的飞行速度，根据下式更新粒子位置：
Figure BDA0002431934210000091
其中，xin表示第i个粒子的第n维坐标，上标k表示代数。
设置粒子位置更新条件：每个粒子的所代表的m-1个间隔位置大小， 最大不超过N-1，最小不小于1，且m-1个间隔位置大小应从小到大排列， 不能出现相等的情况，若满足条件，则以新的位置更新粒子，否则不更新 粒子。
(2e)根据所述适应度函数计算粒子的适应度函数值以更新所述种群最 优位置；
进一步地，粒子更新结束后，根据适应度函数计算函数值，若函数值 大于该粒子个体的历史最优值，以当前位置作为当前个体的最优位置，并 更新个体的局部最优解；若函数值大于整个种群的历史最优值，以当前位 置作为整个种群的最优位置，并更新种群的全局最优解。
(2f)重复步骤(2b)～(2e)直至迭代次数达到预设最大迭代次数或者得到 最优解；
具体地，通过设定最大迭代次数或最优解标准作为搜索结束条件，若 达到最大迭代次数或搜索得到的结果，则停止搜索。
(2g)根据所述种群最优位置确定最优分块方式。
粒子群算法的搜索结果可能陷入局部最优解，最终得到的结果不一定是 最好的结果，因此，进行多次遗传算法，找出出现次数较多的几种结果， 对每种结果对应的分块规模分别做100次Monte-Carlo实验求方向图主副比， 并对所有主副比结果求均值，以统计意义下波束主副比均值最大的分块规 模作为优化后的分块规模。
当阵列阵型以及分块数目确定后，只需要根据任意一种目标、干扰位置 情况进行一次步骤2即可，得到的最优分块方式也适用与其他目标、干扰 位置情况。
本实施例通过分块降低了算法计算过程中矩阵的维度，大大降低了协 方差矩阵和协方差矩阵求逆计算过程的运算量；并采用开环的计算方式， 算法收敛速度更快，更适合高速芯片进行并行计算；进一步地，通过粒子 群算法寻找到更优的分块方式，可以进一步降低方向图的主副比，提高抗 干扰性能。
步骤3：根据搜索得到的最优分块方式或均匀分块方式对所述接收数据 块进行分块，得到相应子数据块；
具体地，根据步骤2确定的阵元间隔位置m1,m2,…,mD，将接收数据块 X(t)分成P个子数据块，表示为：
x(t)＝[x1(t)，x2(t)，…，xP(t)]
其中，xp(t)是第p个子数据块，p＝1,2,…,P,包含的Mp×L数据，Mp是每个子数据块包含的阵元个数，
Figure BDA0002431934210000101
步骤4：对所有子数据块同时并行计算，得到各自对应的协方差矩阵；
具体地，对步骤3得到的每一个子数据块都按照下式求协方差矩阵：
Figure BDA0002431934210000102
得到的协方差矩阵表示为
Figure BDA0002431934210000103
P表示子数据块个数。
步骤5：将阵列导向矢量按照所采用的最优分块方式或均匀分块方式相 应地分成若干子导向矢量。
所述子导向矢量为：
a(θ0)＝[a1(θ0),a2(θ0),…,ap(θ0)，…,aP(θ0)]；
ap(θ0)表示第p个子数据块对应的子导向矢量，表示为ap(θ0)p＝1,2,…,P；
步骤6：根据所述协方差矩阵的逆矩阵和对应的子导向矢量，得到每个 子数据块对应的自适应抗干扰权值；
具体地，对每个数据块的协方差矩阵
Figure BDA0002431934210000111
求逆，得到协方差矩阵的逆 矩阵
Figure BDA0002431934210000112
当子数据块的协方差矩阵逆矩阵及其对应的子导向矢量确定后，通过 下式可以计算得到每一个数据块对应阵元的权值：
Figure BDA0002431934210000113
其中，wp表示子数据块对应的自适应抗干扰权值，μp是任意非零常数，
Figure BDA0002431934210000114
表示第p个子数据块协方差矩阵的逆矩阵。
步骤7：将所述自适应抗干扰权值按照分块方式的顺序组合，得到全阵 的自适应抗干扰权值。
具体地，每个子数据块的自适应抗干扰权值计算完成后，将结果按照 步骤3分块的顺序组合，合成全阵的自适应抗干扰权值，全阵的自适应抗 干扰权值如下式所示：
Figure BDA0002431934210000115
其中，wpn表示第p个子数据块得到的抗干扰权值中第n个权系数， n＝1,2,…,Mp。
本实施例提供的大型阵列快速自适应波束形成方法使用更少的快拍便 可以达到常规SMI算法的相同性能，进一步减少运算量；并在快拍数相同 的情况下，得到的自适应抗干扰权值对应的方向图有更低的主副比、输出 信干噪比以及更精确的波束指向，抗干扰性能得到明显提升。
本实施例提供的大型阵列快速自适应波束形成方法结合分块并行技术， 对常规SMI算法进行改进，以开环的方式对接收数据块均匀分块，或采用 智能算法搜索到的非均匀最优分块方式分块，得到子数据块后分别进行计 算抗干扰权值，将每个数据块得到的权值组成全阵自适应抗干扰权值，算 法收敛需要的接收数据快拍数更少，计算量大幅度减少，同时，可以并行 计算，进一步提高计算效率，在工程上可以得到很好的应用。
实施例二
下面通过仿真实验来对本发明的效果作进一步说明。
实验条件：实验采用32个全向阵元等距放置的线阵，阵元间隔为λ2， 目标信号信噪比0dB，两个干扰信号干噪比均为30dB，目标信号和干扰信 号相互独立。快拍数1000。分块并行SMI算法的分块数目为4，每个子数 据块对应8个阵元接收的数据
仿真实验1：
实验内容：对比常规SMI算法与分块并行SMI算法的方向图，以及快 拍数在50～5000范围内，以50作为步长改变，每个快拍数进行200次 Monte-Carlo实验，对比两种方法方向图主副比随快拍数变化图。
仿真结果：如图4、5所示，图4是本发明实施例提供的快拍数为1000 时常规SMI和分块并行SMI算法权值对应的方向图；图5是本发明实施例 提供的常规SMI和分块并行SMI算法权值对应的方向图主副比随快拍数变 化图。
仿真结果：
从图4中可以看出分块并行SMI算法得到的方向图相较常规SMI算法 得到的方向图，有更低的旁瓣，更高的主副比，在较少快拍数的情况下， 分块并行SMI算法性能明显优于常规SMI算法。从图5可以看出，在快拍 数为300次时，分块并行SMI算法得到的抗干扰权值对应的方向图的主副 比收敛达到稳定值，约13dB，而常规SMI算法在快拍数达到2000之前仍 未收敛，远小于分块并行SMI算法的主副比。
仿真实验2：
实验内容：对比分块并行SMI算法的均匀分块和非均匀分块的方向图。
仿真结果：如图6所示，图6是本发明实施例提供的采用非均匀的最 优分块方式和均匀分块方式得到的自适应抗干扰权值对应的方向图。从图6 中可以看出，分别按照非均匀最优分块方式和均匀分块方式对接收数据进 行非均匀分块和均匀分块，非均匀分块并行SMI算法对应方向图的最大副 瓣比均匀分块并行SMI算法权值对应方向图的最大副瓣低3dB左右，因此 可以通过粒子群算法寻找最优分块方式，以此进行非均匀分块并行SMI算法，可以得到有更高方向图主副比的自适应抗干扰权值。
综上，本发明对常规SMI算法改进后，提高了抗干扰性能，得到的分 块并行SMI算法与常规SMI算法比较，第一，对接收数据分块之后降低了 矩阵计算时的维度，大大降低了协方差矩阵和协方差矩阵求逆过程的运算 量，第二，在使用更少的快拍就可以达到常规SMI算法的相同性能，进一 步减少运算量，第三，本发明在快拍数相同的情况下，得到的自适应抗干 扰权值对应的方向图有更低的主副比、输出信干噪比以及更精确的波束指 向，抗干扰性能得到明显提升，第四，通过粒子群算法寻找到更优的分块 方式，可以进一步提高方向图的主副比，提高抗干扰性能。通过以上仿真， 验证了本发明的有效性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明， 不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简 单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种分块并行的大型阵列快速自适应波束形成方法，其特征在于，包括：
步骤1：对相控阵雷达接收的数据重新构造，得到接收数据块；
步骤2：根据粒子群算法搜索最优分块方式；
步骤3：根据搜索得到的最优分块方式或均匀分块方式对所述接收数据块进行分块，得到相应子数据块；
步骤4：对所有子数据块同时并行计算，得到各自对应的协方差矩阵；
步骤5：将阵列导向矢量按照所采用的最优分块方式或均匀分块方式相应地分成若干子导向矢量；
步骤6：根据所述协方差矩阵的逆矩阵和对应的子导向矢量，得到每个子数据块对应的自适应抗干扰权值；
步骤7：将所述自适应抗干扰权值按照分块方式的顺序组合，得到全阵的自适应抗干扰权值。
2.根据权利要求1所述的大型阵列快速自适应波束形成方法，其特征在于，步骤1包括：
将阵列接收的数据的所有阵元按列展开成一个列向量，每一个阵元对应一个接收数据行向量的形式，重新构造为接收数据块。
3.根据权利要求1所述的大型阵列快速自适应波束形成方法，其特征在于，步骤2包括：
(2a)根据所述粒子群算法编码方式初始化种群，以生成初始状态；
(2b)根据适应度函数初始化种群最优位置；
(2c)根据所述种群最优位置更新粒子速度；
(2d)根据所述粒子速度更新粒子位置；
(2e)根据所述适应度函数计算粒子的适应度函数值以更新所述种群最优位置；
(2f)重复步骤(2b)～(2e)直至迭代次数达到预设最大迭代次数或者得到最优解；
(2g)根据所述种群最优位置确定最优分块方式。
4.根据权利要求3所述的大型阵列快速自适应波束形成方法，其特征在于，所述适应度函数的计算公式为：
Fitness＝MSRL；
Figure FDA0002431934200000021
其中，Fitness表示适应度函数，MSRL表示自适应抗干扰权值的方向图的主副比，Pmax_sll(θ)表示方向图最大旁瓣值，Pmax(θ)表示方向图主瓣峰值；θ表示不同方向。
5.根据权利要求3所述的大型阵列快速自适应波束形成方法，其特征在于，所述粒子速度的计算公式为：
Figure FDA0002431934200000022
其中，vin表示第i个个体的第n维速度，vi＝(vi1,vi2,…，viD)表示第i个个体的速度，n＝1,2,…,D，D表示粒子群算法搜索空间的维数，k表示当前进化的代数，pbesti＝(pi1,pi2,…,piD)表示第i个粒子当前搜索到的个体最优位置，pin第i个粒子当前搜索到的个体最优位置第n维坐标，gbesti＝(g1,g2,…,gD)表示整个种群当前搜索到的全局最优位置，gn表示全局最优位置的第n维坐标，r1和r2是大小在0～1范围内的随机数，ω表示惯性因子，c1和c2表示加速常数，c1表示个体学习因子，c2表示全局学习因子。
6.根据权利要求5所述的大型阵列快速自适应波束形成方法，其特征在于，所述粒子位置的计算公式为
Figure FDA0002431934200000031
其中，xin表示第i个粒子的第n维坐标，上标k表示代数。
7.根据权利要求1所述的大型阵列快速自适应波束形成方法，其特征在于，所述协方差矩阵的计算公式为：
Figure FDA0002431934200000032
其中，xp(t)表示第p个子数据块，p＝1,2，…，P，P表示子数据块个数。
8.根据权利要求1所述的大型阵列快速自适应波束形成方法，其特征在于，所述子导向矢量为：
a(θ0)＝[a1(θ0),a2(θ0),…,ap(θ0)，…,aP(θ0)]；
其中，ap(θ0)表示第p个子数据块对应的子导向矢量。
9.根据权利要求1所述的大型阵列快速自适应波束形成方法，其特征在于，所述子数据块对应的自适应抗干扰权值表达式为：
Figure FDA0002431934200000033
其中，wp表示子数据块对应的自适应抗干扰权值，μp是任意非零常数，
Figure FDA0002431934200000034
表示第p个子数据块协方差矩阵的逆矩阵。
10.根据权利要求1所述的大型阵列快速自适应波束形成方法，其特征在于，所述自适应抗干扰权值的表达式为：
Figure FDA0002431934200000035
其中，wpn表示第p个子数据块得到的抗干扰权值中第n个权系数，n＝1，2，…，Mp。
CN202010239032.2A 2020-03-30 2020-03-30 一种分块并行的大型阵列快速自适应波束形成方法 Active CN111562549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010239032.2A CN111562549B (zh) 2020-03-30 2020-03-30 一种分块并行的大型阵列快速自适应波束形成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010239032.2A CN111562549B (zh) 2020-03-30 2020-03-30 一种分块并行的大型阵列快速自适应波束形成方法

Publications (2)

Publication Number Publication Date
CN111562549A true CN111562549A (zh) 2020-08-21
CN111562549B CN111562549B (zh) 2023-05-30

Family

ID=72070337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010239032.2A Active CN111562549B (zh) 2020-03-30 2020-03-30 一种分块并行的大型阵列快速自适应波束形成方法

Country Status (1)

Country Link
CN (1) CN111562549B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100134342A1 (en) * 2007-04-17 2010-06-03 Thales Method for Cleaning Signals for Centralized Antijamming
CN109143275A (zh) * 2018-07-30 2019-01-04 中国电子科技集团公司第五十四研究所 一种基于粒子群的小型化阵列天线抗干扰实现方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100134342A1 (en) * 2007-04-17 2010-06-03 Thales Method for Cleaning Signals for Centralized Antijamming
CN109143275A (zh) * 2018-07-30 2019-01-04 中国电子科技集团公司第五十四研究所 一种基于粒子群的小型化阵列天线抗干扰实现方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙学军等: "基于粒子群优化的数字波束形成算法", 《电讯技术》 *

Also Published As

Publication number Publication date
CN111562549B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN106443663B (zh) 一种用于相控阵雷达降维四通道和差波束测角的方法
CN111224706B (zh) 一种基于混合自适应粒子群算法的面多波束赋形方法
CN110244273B (zh) 一种基于均匀分布式阵列的目标角度估计方法
CN109298383A (zh) 一种基于变分贝叶斯推断的互质阵波达方向角估计方法
CN109635240A (zh) 大规模数字阵列零陷展宽自适应波束形成方法
CN113311397B (zh) 基于卷积神经网络的大型阵列快速自适应抗干扰方法
CN113376569B (zh) 基于最大似然的嵌套阵稀疏表示波达方向估计方法
CN108120953A (zh) 一种基于波达方向估计的无线电定位方法
CN111487594A (zh) 一种基于粒子群优化的圆阵列波束形成方法
CN108872930A (zh) 扩展孔径二维联合对角化doa估计方法
CN112699735A (zh) 基于深度学习的近场源定位方法
CN112327292B (zh) 一种二维稀疏阵列doa估计方法
CN113759303A (zh) 一种基于粒子群算法的无网格波达角估计方法
CN111551908B (zh) 降低相控阵系统阵元激活算法复杂度的方法
CN111830495A (zh) 一种基于凸优化学习的机载雷达自适应波束形成算法
CN111562549B (zh) 一种分块并行的大型阵列快速自适应波束形成方法
CN113341371B (zh) 一种基于l阵和二维esprit算法的doa估计方法
CN108520195B (zh) 一种基于引力搜索算法的music谱峰搜索方法
CN113126021B (zh) 一种基于三平行线阵的单快拍二维doa估计方法
CN115146544A (zh) 一种采用知识和数据混合驱动的阵列天线设计方法
CN113093111A (zh) 基于压缩感知和遗传算法的均匀圆阵解调二维相干信号方法及系统
CN111913153A (zh) 基于子阵结构的mimo雷达快速多波束形成方法
Akkar et al. Concentric Circular Array for DOAs estimation of coherent sources with ESPRIT algorithm
CN111830460B (zh) 基于序贯music的doa估计方法
CN114910879B (zh) 一种双基地mimo雷达测向方法

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
GR01 Patent grant
GR01 Patent grant