CN112202483A - 波束形成方法及装置、电子设备、存储介质 - Google Patents
波束形成方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112202483A CN112202483A CN202011087353.1A CN202011087353A CN112202483A CN 112202483 A CN112202483 A CN 112202483A CN 202011087353 A CN202011087353 A CN 202011087353A CN 112202483 A CN112202483 A CN 112202483A
- Authority
- CN
- China
- Prior art keywords
- optimization model
- weight vector
- optimal weight
- establishing
- array
- 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
Links
Images
Classifications
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0891—Space-time diversity
- H04B7/0897—Space-time diversity using beamforming per multi-path, e.g. to cope with different directions of arrival [DOA] at different multi-paths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
- Radio Transmission System (AREA)
Abstract
本申请提供一种波束形成方法及装置、电子设备、存储介质。该方法包括:接收阵列信号;根据所述阵列信号和预设的期望方向,建立波束优化模型;采用粒子群算法求解所述波束优化模型,得到最优权向量;根据所述最优权向量,得到波束形成输出结果。该方法对阵列的响应误差具有较强的鲁棒性,并且解决了因通过解析方法直接求解带约束条件的代价函数易产生病态解的问题。
Description
技术领域
本申请涉及信号处理领域,特别涉及一种波束形成方法及装置、电子设备、存储介质。
背景技术
波束形成是阵列信号处理的重要组成部分,它在雷达、声呐以及无线通信等领域得到了广泛应用。随着优化算法的发展,最优波束形成能够根据接收数据不断更新加权向量,使波束形成器具有较好的方位分辨力和较强的干扰抑制能力,但当存在任意信号阵列响应误差等情况下,自适应波束形成的性能将会明显下降。因此如何提高在非理想情况下波束形成技术的鲁棒性成为如今重要的研究问题。
发明内容
本申请实施例提供一种波束形成方法,对阵列的响应误差具有较强的鲁棒性。
本申请提供了一种波束形成方法,所述方法包括:
接收阵列信号;
根据所述阵列信号和预设的期望方向,建立波束优化模型;
采用粒子群算法求解所述波束优化模型,得到最优权向量;
根据所述最优权向量,得到波束形成输出结果。
在一实施例中,所述根据所述阵列信号和预设的期望方向,建立波束优化模型,包括:
根据所述阵列信号和预设的期望方向,建立标准SVR优化模型;
根据所述标准SVR优化模型,建立所述波束优化模型。
在一实施例中,所述根据所述阵列信号和预设的期望方向,建立标准SVR优化模型,包括:
根据所述阵列信号和预设的期望方向,基于对角加载波束形成算法和支持向量机算法,建立标准SVR优化模型。
在一实施例中,所述根据所述标准SVR优化模型,建立所述波束优化模型,包括:
将所述标准SVR优化模型在实变量条件下进行改写;
引入正松弛变量,建立所述波束优化模型。
在一实施例中,所述采用粒子群算法求解所述波束优化模型,得到最优权向量,包括:
确定最优权向量的搜索空间;
在所述搜索空间内,采用粒子群算法求解所述波束优化模型,得到最优权向量。
在一实施例中,所述在所述搜索空间内,采用粒子群算法求解所述波束优化模型,得到最优权向量,包括:
在所述搜索空间内,将粒子对应的复权向量经过预处理后代入所述波束优化模型;
通过粒子更新得到所述波束优化模型的最小值;
将所述最小值对应的权向量确定为最优权向量。
在一实施例中,所述根据所述最优权向量,得到波束形成输出结果,包括:
将所述最优权向量代入波束形成输出模型,得到波束形成输出结果。
另一方面,本申请还提供了一种波束形成装置,所述装置包括:
信号接收模块,用于接收阵列信号;
模型建立模块,用于根据所述阵列信号和预设的期望方向,建立波束优化模型;
向量计算模块,用于采用粒子群算法求解所述波束优化模型,得到最优权向量;
结果输出模块,用于根据所述最优权向量,得到波束形成输出结果。
进一步地,本申请还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行本申请实施例提供的波束形成方法。
进一步地,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成本申请实施例提供的波束形成方法。
本申请上述实施例提供的技术方案,通过接收阵列信号,根据所述阵列信号和预设的期望方向,建立波束优化模型,采用粒子群算法求解所述波束优化模型,得到最优权向量,根据所述最优权向量,得到波束形成输出结果,对阵列的响应误差具有较强的鲁棒性,尤其在误差较大的非理想情况下鲁棒性仍较强,而且解决了因通过解析方法直接求解带约束条件的代价函数易产生病态解的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的波束形成方法的应用场景示意图;
图2为本申请一实施例提供的波束形成方法的流程示意图;
图3为本申请一实施例提供的计算最优权向量的流程示意图;
图4为本申请一实施例提供的无失配时的波束形成图;
图5为本申请一实施例提供的波达方向失配2°时的波束形成图;
图6为本申请一实施例提供的扰动偏差σp=0.02λ时的波束形成图;
图7为本申请一实施例提供的扰动偏差σp=0.05λ时的波束形成图;
图8为本申请一实施例提供的扰动偏差σp=0.1λ时的波束形成图;
图9为本申请一实施例提供的波束形成装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的波束形成方法的应用场景示意图。如图1所示,该场景包括服务端110。服务端110可以是服务器、服务器集群或者云计算中心。服务端110可以采用实施例提供的波束形成方法,抑制非目标方向的干扰信号,增强目标方向的期望信号,得到波束形成的输出结果。
在一实施例中,上述应用场景还可以包括信号源120。信号源120可以是由多个阵元组成的阵列,信号源120将阵列信号发送至服务端110,服务端110接收阵列信号,进而可以采用本申请实施例提供的波束形成方法,得到波束形成的输出结果。
本申请还提供了一种电子设备。该电子设备可以是图1所示的服务端110。如图1所示,服务端110可以包括处理器111和用于存储处理器111可执行指令的存储器112;其中,该处理器111被配置为执行本申请提供的波束形成方法。
存储器112可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序可由处理器111执行以完成本申请提供的波束形成方法。
图2为本申请一实施例提供的波束形成方法的流程示意图。如图2所示,该方法包括以下步骤S210-S250。
步骤S210:接收阵列信号。
其中,阵列信号是指接收到的各阵元的观测信号。
步骤S220:根据所述阵列信号和预设的期望方向,建立波束优化模型。
为了得到波束形成的输出结果,需要求出阵列的权向量,进而通过权向量和阵列信号,得到波束形成的结果。本步骤中的波束优化模型即是对于权向量的约束条件。在上一步骤中,接收的阵列信号常常是包括各个方向的信号,可以根据实际需要,预设期望方向,即预设期望信号的到达方向,根据阵列信号和预设的期望方向,建立波束优化模型。
步骤S230:采用粒子群算法求解所述波束优化模型,得到最优权向量。
粒子群算法是一种基于优化的迭代算法。本步骤中,采用粒子群算法求解波束优化模型,得到权向量的最优解,即最优权向量。
步骤S240:根据所述最优权向量,得到波束形成输出结果。
得出最优权向量之后,可以根据最优权向量和接收的阵列信号,得出波束形成的输出结果。
本申请上述实施例提供的技术方案,通过接收阵列信号,根据所述阵列信号和预设的期望方向,建立波束优化模型,采用粒子群算法求解所述波束优化模型,得到最优权向量,根据所述最优权向量,得到波束形成输出结果,对阵列的响应误差具有较强的鲁棒性,尤其在误差较大的非理想情况下鲁棒性仍较强,而且解决了因通过解析方法直接求解带约束条件的代价函数易产生病态解的问题。
在一实施例中,根据所述阵列信号和预设的期望方向,建立波束优化模型,包括:根据所述阵列信号和预设的期望方向,建立标准SVR优化模型;根据所述标准SVR优化模型,建立所述波束优化模型。
其中,标准SVR优化模型是指将支持向量机应用于波束形成的优化问题。在常规的最小方差波束形成算法中,遵循阵列输出功率最小化原则,建立波束形成约束函数,常规最小方差波束形成器的阵列输出功率最小化约束函数为:
式中,w为波束形成器的权矢量,Rx为采样数据协方差矩阵,a(θs)为期望信号的阵列流形向量,角标H表示共轭转置。
本步骤中,对于常规的最小方差波束形成算法进行一定的改进,建立标准SVR优化模型。在一实施例中,根据所述阵列信号和预设的期望方向,建立所述标准SVR优化模型,包括:根据所述阵列信号和预设的期望方向,基于对角加载波束形成算法和支持向量机算法,建立标准SVR优化模型。标准SVR优化模型的表达式为:
式中,w为波束形成器的权向量,Rdl=Rx+γI,Rx为采样数据协方差矩阵,根据经验选择对角加载参数γ为10σ2,其中σ2表示单个传感器上的噪声功率,|yi-wHa(θi)|ε=max{0,|yi-wHa(θi)-ε|}被称为ε-不敏感损失函数,yi表示波束形成器的期望输出,其表达式为:
权向量w同时满足wHa(θs)=g,式中a(θs)为期望信号的阵列流形向量,角标H表示共轭转置。
在一实施例中,所述根据所述标准SVR优化模型,建立所述波束优化模型,包括:将所述标准SVR优化模型在实变量条件下进行改写;引入正松弛变量,建立所述波束优化模型。
本步骤中,将标准SVR优化模型在实变量条件下进行重新改写,其形式为:
式(5)满足的约束条件为:
在一实施例中,所述采用粒子群算法求解所述波束优化模型,得到最优权向量,包括:确定最优权向量的搜索空间;在所述搜索空间内,采用粒子群算法求解所述波束优化模型,得到最优权向量。
在使用粒子群算法进行搜索之前,要确定最优权向量的搜索空间。设由(2)式得到的最优解为:
其中,向量A的元素分别对应着优化权向量各元素的模,分别对应着优化权向量各元素的相位,且Ai≤1,(i=1,2,…,M)。因此,权矢量搜索空间应满足Ai∈(0,1)和ki∈(0,1)(i=1,2,…,M)。
在一实施例中,如图3所示,在所述搜索空间内,采用粒子群算法求解所述波束优化模型,得到最优权向量,包括以下步骤S310-S330。
步骤S310:在所述搜索空间内,将粒子对应的复权向量经过预处理后代入所述波束优化模型。
设第i个粒子对应的复权向量为w=[w1,w2,…,wM],约束条件可表示为:
具体的实现方法为:
步骤S320:通过粒子更新得到所述波束优化模型的最小值。
设有粒子种群数量为m的粒子群,第i个粒子在2M维权空间的位置矢量为:Zi=[z1,z2,…,z2M]T,粒子在权空间的移动速度矢量为:Vi=[v1,v2,…,v2M]T,粒子在权空间位置的优劣由目标函数P确定。记第i个粒子的历史最优位置为Pi,整个粒子群全部粒子中的最优位置为Pg,对于第n次迭代,粒子更新公式为:
其中,惯性权重因子d为0.8,rand(0,1)为[0,1]区间均匀分布的随机数,学习因子c1和c2为1.5,种群规模为500,最大迭代次数N为20,Pi表示粒子的个体极值,当Pg表保持不变时,迭代终结,Pg即为全局最优解。
根据式(12)和式(13)的粒子更新方法,得到波束优化模型的最小值。
步骤S330:将所述最小值对应的权向量确定为最优权向量。
在一实施例中,根据所述最优权向量,得到波束形成输出结果,包括:将所述最优权向量代入波束形成输出模型,得到波束形成输出结果。
假设空间有K个远场窄带信号源,全向性阵元数为M,阵列以阵元间距为d的均匀线列阵分布。则在某一时刻k基阵的观测值(即接收的阵列信号)为:
式中:s(k),i(k),n(k)分别表示期望信号、干扰信号和噪声;Ki表示干扰的个数;θs表示期望信号的来波方向;θij,j=1,…,K表示干扰信号的来波方向;a(θs)和a(θij)对应期望信号和干扰信号的阵列流形矢量。则传统的窄带波束形成器的波束形成输出模型可写为:
y(k)=wHx(k) (15)
式中:w=[w1,w2…,wM]T为阵列的最优权向量,x(k)=[x1(k),x2(k),…,xM(k)]T为阵列的复观测值,(·)T和(·)H分别表示矩阵的转置和共轭转置。
将计算出的最优权向量代入式(15),可以得到y(k),即波束形成的输出结果。
在一实施例中,接收的阵列信号为一窄带远场信号,阵元数M为16,全向性阵元以阵元间距为半波长的均匀线列阵分布,期望信号的理想波达方向为90°,实际期望信号的波达方向为88°,干扰的入射方向为30°、70°、130°,将阵元放在z轴上,阵元的位置在y和z方向上存在随机的位置扰动,扰动为统计独立的零均值高斯随机变量,σp表示扰动标准偏差,信噪比为10dB,信干噪比为10dB,快拍数为500,将加载采样矩阵求逆算法(LSMI算法)和本申请实施例提供的波束形成方法(PSO-SVR-LSMI算法)进行比较。
图4为无失配时的波束形成图,图5为波达方向失配2°时的波束形成图,图6、图7和图8分别是扰动偏差σp=0.02λ、σp=0.05λ和σp=0.1λ时的波束形成图。
从图4可以看出,在无失配的情况下,LMSI和PSO-SVR-LSMI波束形成算法的性能基本一样,均能准确辨别期望信号的来波方向且对干扰信号具有较强的抑制能力;从图5可以看出,当DOA(阵列的波达方向)存在失配时,LMSI算法误将期望信号当做干扰加以抑制,而PSO-SVR-LSMI算法仍能够准确辨别期望信号的来波方向;从图6-图8可以看出,当阵元位置出现扰动偏差时,对LMSI算法的性能影响最大,随着扰动偏差的增大,LMSI算法不仅对主瓣方向的识别出现偏差,而且旁瓣级迅速升高且出现不同程度的畸变,而PSO-SVR-LSMI不仅能够准确辨别主瓣的方向,且旁瓣级基本没有变化。
下述为本申请装置实施例,可以用于执行本申请上述波束形成方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请波束形成方法实施例。
图9为本申请一实施例提供的波束形成装置的框图。如图9所示,该装置包括:信号接收模块910、模型建立模块920、向量计算模块930和结果输出模块940。
信号接收模块910,用于接收阵列信号;
模型建立模块920,用于根据所述阵列信号和预设的期望方向,建立波束优化模型;
向量计算模块930,用于采用粒子群算法求解所述波束优化模型,得到最优权向量;
结果输出模块940,用于根据所述最优权向量,得到波束形成输出结果。
上述装置中各个模块的功能和作用的实现过程具体详见上述波束形成方法中对应步骤的实现过程,在此不再赘述。
在本申请所提供的几个实施例中,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种波束形成方法,其特征在于,所述方法包括:
接收阵列信号;
根据所述阵列信号和预设的期望方向,建立波束优化模型;
采用粒子群算法求解所述波束优化模型,得到最优权向量;
根据所述最优权向量,得到波束形成输出结果。
2.根据权利要求1所述的波束形成方法,其特征在于,所述根据所述阵列信号和预设的期望方向,建立波束优化模型,包括:
根据所述阵列信号和预设的期望方向,建立标准SVR优化模型;
根据所述标准SVR优化模型,建立所述波束优化模型。
3.根据权利要求2所述的波束形成方法,其特征在于,所述根据所述阵列信号和预设的期望方向,建立标准SVR优化模型,包括:
根据所述阵列信号和预设的期望方向,基于对角加载波束形成算法和支持向量机算法,建立标准SVR优化模型。
4.根据权利要求2所述的波束形成方法,其特征在于,所述根据所述标准SVR优化模型,建立所述波束优化模型,包括:
将所述标准SVR优化模型在实变量条件下进行改写;
引入正松弛变量,建立所述波束优化模型。
5.根据权利要求1所述的波束形成方法,其特征在于,所述采用粒子群算法求解所述波束优化模型,得到最优权向量,包括:
确定最优权向量的搜索空间;
在所述搜索空间内,采用粒子群算法求解所述波束优化模型,得到最优权向量。
6.根据权利要求5所述的波束形成方法,其特征在于,所述在所述搜索空间内,采用粒子群算法求解所述波束优化模型,得到最优权向量,包括:
在所述搜索空间内,将粒子对应的复权向量经过预处理后代入所述波束优化模型;
通过粒子更新得到所述波束优化模型的最小值;
将所述最小值对应的权向量确定为最优权向量。
7.根据权利要求1所述的波束形成方法,其特征在于,所述根据所述最优权向量,得到波束形成输出结果,包括:
将所述最优权向量代入波束形成输出模型,得到波束形成输出结果。
8.一种波束形成装置,其特征在于,所述装置包括:
信号接收模块,用于接收阵列信号;
模型建立模块,用于根据所述阵列信号和预设的期望方向,建立波束优化模型;
向量计算模块,用于采用粒子群算法求解所述波束优化模型,得到最优权向量;
结果输出模块,用于根据所述最优权向量,得到波束形成输出结果。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-7任意一项所述的波束形成方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成权利要求1-7任意一项所述的波束形成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011087353.1A CN112202483B (zh) | 2020-10-12 | 2020-10-12 | 波束形成方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011087353.1A CN112202483B (zh) | 2020-10-12 | 2020-10-12 | 波束形成方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112202483A true CN112202483A (zh) | 2021-01-08 |
CN112202483B CN112202483B (zh) | 2022-10-14 |
Family
ID=74008601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011087353.1A Active CN112202483B (zh) | 2020-10-12 | 2020-10-12 | 波束形成方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112202483B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655436A (zh) * | 2021-07-23 | 2021-11-16 | 公安部第一研究所 | 一种带通道校准粒子群优化宽带波束形成方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080091542A (ko) * | 2007-04-09 | 2008-10-14 | 삼성전자주식회사 | 다중안테나 시스템에서 일그러짐 없는 벡터 섭동을제공하는 장치 및 방법 |
CN105699948A (zh) * | 2015-11-27 | 2016-06-22 | 中国人民解放军理工大学 | 基于支持向量机并改进均方误差性能的波束形成方法及系统 |
CN106712825A (zh) * | 2016-10-08 | 2017-05-24 | 湖南省瞬渺通信技术有限公司 | 一种基于粒子群的自适应波束成型干扰抑制方法 |
CN107294589A (zh) * | 2017-08-03 | 2017-10-24 | 哈尔滨工业大学 | 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法 |
CN110890911A (zh) * | 2019-10-21 | 2020-03-17 | 清华大学 | 基于支持向量回归的鲁棒自适应波束合成方法 |
CN111487594A (zh) * | 2020-04-23 | 2020-08-04 | 中国民航大学 | 一种基于粒子群优化的圆阵列波束形成方法 |
-
2020
- 2020-10-12 CN CN202011087353.1A patent/CN112202483B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080091542A (ko) * | 2007-04-09 | 2008-10-14 | 삼성전자주식회사 | 다중안테나 시스템에서 일그러짐 없는 벡터 섭동을제공하는 장치 및 방법 |
CN105699948A (zh) * | 2015-11-27 | 2016-06-22 | 中国人民解放军理工大学 | 基于支持向量机并改进均方误差性能的波束形成方法及系统 |
CN106712825A (zh) * | 2016-10-08 | 2017-05-24 | 湖南省瞬渺通信技术有限公司 | 一种基于粒子群的自适应波束成型干扰抑制方法 |
CN107294589A (zh) * | 2017-08-03 | 2017-10-24 | 哈尔滨工业大学 | 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法 |
CN110890911A (zh) * | 2019-10-21 | 2020-03-17 | 清华大学 | 基于支持向量回归的鲁棒自适应波束合成方法 |
CN111487594A (zh) * | 2020-04-23 | 2020-08-04 | 中国民航大学 | 一种基于粒子群优化的圆阵列波束形成方法 |
Non-Patent Citations (6)
Title |
---|
GUANCHENG LIN ET AL: "Research on Support Vector Machines Framework for Uniform Arrays Beamforming", 《2010 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
NICOLA ANSELMI ET AL: "Synthesis of robust beamforming weights in linear antenna arrays", 《2014 IEEE CONFERENCE ON ANTENNA MEASUREMENTS & APPLICATIONS》 * |
XIAOYING REN ET AL: "Robust Adaptive Beamforming Using Support Vector Machines", 《IEEE ACCESS》 * |
崔琳 等: "一种基于支持向量机的对角加载鲁棒波束形成方法", 《兵工学报》 * |
崔琳,焦亚萌: "波束形成算法指向误差时的稳健性研究", 《西安工程大学学报》 * |
林关成 等: "基于支持向量机的鲁棒波束形成", 《西北工业大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655436A (zh) * | 2021-07-23 | 2021-11-16 | 公安部第一研究所 | 一种带通道校准粒子群优化宽带波束形成方法及装置 |
CN113655436B (zh) * | 2021-07-23 | 2024-04-16 | 公安部第一研究所 | 一种带通道校准粒子群优化宽带波束形成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112202483B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8354960B2 (en) | Method for low sidelobe operation of a phased array antenna having failed antenna elements | |
Wang et al. | Sparse array quiescent beamformer design combining adaptive and deterministic constraints | |
CN105137409B (zh) | 基于幅相约束的目标信号稳健空时自适应处理方法 | |
CN107124216A (zh) | 一种针对阵列误差的Capon稳健自适应波束形成方法及系统 | |
CN111427022A (zh) | 一种基于极大似然估计的阵列雷达测角方法 | |
CN112202483B (zh) | 波束形成方法及装置、电子设备、存储介质 | |
Seghouane | A Kullback-Leibler methodology for unconditional ML DOA estimation in unknown nonuniform noise | |
Zou et al. | Multi-source DOA estimation using an acoustic vector sensor array under a spatial sparse representation framework | |
CN111241470B (zh) | 基于自适应零陷展宽算法的波束合成方法及装置 | |
WO2010066306A1 (en) | Apparatus and method for constructing a sensor array used for direction of arrival (doa) estimation | |
Shaw et al. | Unit circle roots constrained MVDR beamformer | |
Muhammad et al. | Adaptive diagonal loading technique to improve direction of arrival estimation accuracy for linear antenna array sensors | |
Li et al. | An effective technique for enhancing direction finding performance of virtual arrays | |
CN114996653A (zh) | 一种基于原子范数最小化的二维鲁棒自适应波束形成方法 | |
Lee et al. | Adaptive array beamforming with robust capabilities under random sensor position errors | |
CN113341371B (zh) | 一种基于l阵和二维esprit算法的doa估计方法 | |
CN112305494B (zh) | 一种传感器位置校准方法及装置 | |
CN114563764A (zh) | 一种自适应波束生成方法及系统 | |
CN112198473B (zh) | 基于均匀圆阵测向仪的相位解模糊方法和电子设备 | |
CN108445442B (zh) | 一种基于截断的奇异值分解的近场信号源定位方法 | |
Han et al. | Recursive Bayesian beamforming with uncertain projected steering vector and strong interferences | |
Feng et al. | Unified and coupled self-stabilizing algorithms for minor and principal eigen-pairs extraction | |
CN111880167A (zh) | 一种基于先随机后优化的波达方向估计方法 | |
Li et al. | Fast ML-assisted interference estimation and suppression for digital phased array radar | |
Dong et al. | DoA estimation and sensors self-calibration for partially calibrated array |
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 |