CN113422630B - 一种自适应聚焦宽带波束形成方法及系统 - Google Patents

一种自适应聚焦宽带波束形成方法及系统 Download PDF

Info

Publication number
CN113422630B
CN113422630B CN202110674858.6A CN202110674858A CN113422630B CN 113422630 B CN113422630 B CN 113422630B CN 202110674858 A CN202110674858 A CN 202110674858A CN 113422630 B CN113422630 B CN 113422630B
Authority
CN
China
Prior art keywords
signal
array
frequency
capon
data
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.)
Active
Application number
CN202110674858.6A
Other languages
English (en)
Other versions
CN113422630A (zh
Inventor
陈鹏
高婧洁
王威
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202110674858.6A priority Critical patent/CN113422630B/zh
Publication of CN113422630A publication Critical patent/CN113422630A/zh
Application granted granted Critical
Publication of CN113422630B publication Critical patent/CN113422630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • 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
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种自适应聚焦宽带波束形成方法及系统，方法为：将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵；利用聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；利用所述加权系数得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据；能够自适应地以低聚焦误差来抑制强宽带干扰和提取期望信号，以能够接收的误差来抑制弱宽带干扰，并显著提高波束形成器对其他方向噪声的抑制能力，从而有效提高宽带自适应波束形成器的输出信干噪比。

Description

一种自适应聚焦宽带波束形成方法及系统
技术领域
本发明涉及阵列信号处理领域，涉及一种自适应聚焦宽带波束形成方法及系统。
背景技术
在雷达、声纳、无线通信等领域中，感兴趣的信号往往具有一定的带宽，且往往被干扰信号和噪声等遮蔽，难以被直接提取，一般需要宽带自适应波束形成技术对阵列观测信号进行处理，以提高其信号质量。
宽带自适应波束形成技术从实现方式来看主要可以分为时域FIR技术以及频域DFT(Discrete Fourier Transform)技术。基于时域FIR技术的主要缺点是其所需的FIR滤波器阶数会随着带宽的增加而急剧增大，计算复杂度高，硬件实现较难。
基于频域DFT的波束形成技术，一般可以采用两种方式进行实现，第一种为非相干子空间类方法(Incoherent Subspace Method,ISM),其主要原理为在各个子带内进行窄带自适应波束形成从而合成频域输出信号，然而该类方法在子带内之利用了宽带信号的部分频点信息，导致其对误差较为敏感，且无法处理相关信源，总体性能较低。
为了使得波束形成器充分地利用宽带信号的带宽信息，提高波束形成器的稳健性，国内外学者基于聚焦(Focusing)的思想提出了一系列的相干子空间方法(CoherentSubspace Method,CSM)。通过聚焦处理，使不同子带内的窄带信号在参考频率上实现聚焦，将宽带问题转换为窄带问题进行处理，能够提供较好的波束输出。从20世纪90年代至今，学者们提出了许多经典的CSM算法，例如旋转信号子空间变换法(RSS)，信号子空间变换法(SST)，以及文献1所列出的贝叶斯聚焦变换法(BFT)等。上述算法的在实现前要求所有信号入射角度或其概率分布参数确定已知，且聚焦后的波束形成方法都基于传统的采样协方差矩阵求逆(Sample covariance Matrix Inversion，SMI)或更加稳健的对角加载方法(Diagonal Loading,DL)。因此，现有宽带聚焦波束形成方法仍然具有采样协方差求逆方法一样的缺点，即相关参数选取与实际阵列接收数据存在失配时，聚焦误差会急剧增大，从而造成导向矢量失配，严重降低自适应波束形成器的性能，甚至会出现在期望信号方向形成零陷的“自消”现象。此外，对角加载类方法提高稳健性的本质是提高白噪声分量，从而降低波束主瓣对期望信号方向导向矢量误差的敏感性，然而，该方法以牺牲干扰抑制能力为代价，参考BUCRIS Y,COHEN I,DORON M A.Bayesian Focusing for Coherent WidebandBeamforming[J].IEEE Transactions on Audio Speech and Language Processing,2012,20(4):1282-1296。
综上所述，如何在信号入射角度的概率分布参数位置的情况下，自适应地将宽带数据聚焦到参考频率上，并在不牺牲干扰抑制能力的前提下提高自适应波束形成器的稳健性，必须全面考虑各种因素的影响。
发明内容
为了克服现有聚焦波束形成方法需对聚焦角度或者其概率分布参数进行预先设定，且对聚焦误差敏感的问题，本发明提出一种基于协方差矩阵重构的自适应聚焦宽带波束形成方法。通过将子带的空间谱近似为信号空间分布的概率函数，从而自适应地构造出各个子带相对于参考频率的聚焦矩阵，提高聚焦精度。通过Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，从而提高了波束形成器的稳健性。
为了达到上述目的，本发明采用如下技术方案：一种自适应聚焦宽带波束形成方法，具体过程如下：
将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵；
利用聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；
利用所述加权系数得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据。
将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵具体如下：
均匀线列阵接收来自空间的宽带信号和噪声的时域数据，将所述均匀线列阵中各阵元的时域数据进行傅里叶变换，得到频域数据；
确定接收信号的带宽下限和带宽上限，将带宽下限至带宽上限范围内的频点平分为I个频率集，每个频率集内有J个离散频点；
选择参考频点，针对其所在的频率集对应的所有阵元数据计算参考频率集的采样协方差矩阵；
在得到所述采样协方差矩阵的基础上计算所述参考频点所对应的Capon空间谱，通过峰值提取算法得到参考频点所对应Capon空间谱及其所在的角度；
将Capon空间谱所有峰值所在的角度中与预设的期望信号角度最近的作为实际的期望信号角度，得到Θs，将Θs内的Capon谱，归一化并达到Capon空间谱内的最大值，升高期望信号在所有信号与噪声中的比重，得到修正的Capon空间谱；
将所述修正的Capon空间谱作为信号入射的概率密度函数，同时将信号入射的概率密度函数进行对角化，成为对角矩阵；
基于所述对角矩阵计算各个频率集所对应的聚焦矩阵
Figure GDA0003973237430000031
利用聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权具体如下：
计算聚焦后的样本协方差矩阵，设定干扰和噪声区域为期望信号扇区在全空域内的补集，得到聚焦的干扰加噪声协方差矩阵；
计算期望信号区域Θs内的期望信号协方差矩阵，期望信号协方差矩阵中最大特征值对应的特征向量作为期望信号导向矢量，同时得到均匀阵列的加权系数。
利用所述加权系数得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据具体如下：计算聚焦后的阵列数据，基于聚焦后的阵列数据和均匀阵列的加权系数计算聚焦后的波束形成输出的频域信号；对所述频域信号逆傅里叶变换，得到波束形成输出的时域信号。
将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵具体包括以下步骤：M个换能器组成的均匀线列阵接收来自空间的宽带信号和噪声的时域数据X(t)＝[x1(t),x2(t),…,xM(t)]T，其中信号与噪声不相关，xm(t)表示第m个阵元接收到的时域数据，将X(t)内各个阵元的时域数据进行快速傅里叶变换，得到X(f)＝[x1(f),x2(f),…,xM(f)]T,xm(f)表示第m个阵元接收到的频域数据，m＝1,2,3…M；
选择感兴趣的接收信号的带宽范围为[fL,fH]，其中fL为信号带宽下限，fH为信号带宽上限，傅里叶变换后，xm(f)在带宽范围内共有Nf个离散频点，将[fL,fH]带宽内的频点平分为I个频率集，每个频率集内有J个离散频点，则Nf＝IJ；
选择参考频点fr，将其所在的频率集对应的所有阵元数据定义为Xr(f)，并计算参考频率集的采样协方差矩阵，
Figure GDA0003973237430000041
在此基础上计算参考频点fr所对应的Capon空间谱，
Figure GDA0003973237430000042
其中，a(θ)为θ角度对应的阵列流形向量，计算Capon空间谱的最大值pmax＝max{p(θ)}，并通过峰值提取算法获得p(θ)的所有峰值和其所在的角度
Figure GDA0003973237430000051
QP为所提取到的峰值数量；
判断
Figure GDA0003973237430000052
中与预设的期望信号角度最近的作为实际的期望信号角度，
Figure GDA0003973237430000053
其中B为设置的区域宽度，将Θs内的Capon谱归一化并达到Capon空间谱内的最大值，从而升高期望信号在所有信号与噪声中的比重，具体为：
Figure GDA0003973237430000054
信号入射的概率密度函数替换为修正的空间谱：
Figure GDA0003973237430000055
将信号入射的概率密度函数进行对角化，成为对角矩阵：
Figure GDA0003973237430000056
计算各个频率集所对应的聚焦矩阵：
Figure GDA0003973237430000057
式中A(fr)和A(fi)分别为参考频率和第i个频率集所对应的阵列流形向量，[·]+为求伪逆。
基于所述聚焦矩阵计算聚焦后的样本协方差矩阵：
Figure GDA0003973237430000058
其中，
Figure GDA0003973237430000059
为第i个频率集中的第j个频点，设定干扰和噪声区域为期望信号扇区在全空域内的补集
Figure GDA00039732374300000510
那么此时聚焦的干扰加噪声协方差矩阵可以计算为：
Figure GDA00039732374300000511
式中a(θl,fr)为参考频率对应的Θi+n中的第l个阵列流形向量；
再设定L为Θs内的离散角度数量，计算期望信号区域Θs内的期望信号协方差矩阵为：
Figure GDA0003973237430000061
在此基础上，取的最大特征值对应的特征向量作为期望信号导向矢量：
Figure GDA0003973237430000062
并得到阵列的加权系数：
Figure GDA0003973237430000063
计算聚焦后的阵列数据：
Figure GDA0003973237430000064
基于所述聚焦后的阵列数据和阵列的加权系数计算聚焦后的波束形成输出的频域信号为：
Figure GDA0003973237430000065
采用逆傅里叶变换，得到波束形成输出的时域信号为：
Figure GDA0003973237430000066
一种自适应聚焦宽带波束形成系统，包括聚焦矩阵计算模块、加权系数计算模块以及聚焦后频域波束计算模块，
聚焦矩阵计算模块用于将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵；
加权系数计算模块用于根据聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；
聚焦后频域波束计算模块利用所述加权系数计算得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据。
一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述自适应聚焦宽带波束形成方法。
一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的自适应聚焦宽带波束形成方法。
与现有技术相比，本发明至少具有以下有益效果：本发明将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，从而构造出各个子带相对于参考频率的聚焦矩阵，从而在保证强干扰和期望信号方向的低聚焦误差的同时，以提高弱干扰的聚焦误差为代价，显著降低其他非信号角度的聚焦误差；然后，利用聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；最后，利用加权系数得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据，与现有技术相比，本发明能够自适应地以低聚焦误差来抑制强宽带干扰和提取期望信号，以能够接收的误差来抑制弱宽带干扰，并显著提高波束形成器对其他方向噪声的抑制能力，从而有效提高宽带自适应波束形成器的输出信干噪比。
附图说明
图1：第1号阵元的自适应聚焦和贝叶斯聚焦误差的RMSE对比图；
图2：基于不同聚焦方式波束形成器的归一化波束响应对比图；
图3：信号方向误差条件下，基于不同聚焦方式波束形成器的输出信干噪比随输入信噪比的对比图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明综合考虑自适应波束形成技术的阵增益和稳健性，当稳健性较好的时候，可以牺牲部分盈余的稳健性，从而获得更高的阵增益，当稳健性较差时，需要通过对角加载提高稳健性，从而提高SMI方法性能使得阵增益达到最大。
仿真1：水下声速为1500m/s，空间均匀噪声场中，考虑一个10元均匀线列阵，阵元间距为0.25m。噪声为通过[2000,3000]Hz的带通滤波器的高斯随机噪声，功率值为0dB。期望信号也为通过[2000,3000]Hz的带通滤波器的高斯随机噪声，位于15°方向，功率值为0dB。两个干扰分别位于-25°和35°方向，功率值分别为30dB和10dB，干扰信号为宽带LFM信号，频率范围为2000～3000Hz，阵列采样频率为8000Hz。
下面详细介绍本发明的具体操作步骤：
步骤1：将10个水听器接收到的宽带信号进行快速傅里叶变换成为频域数据。
步骤2：选择感兴趣的接收信号的带宽范围为2000～3000Hz，fL＝2000Hz为信号带宽下限，fH＝3000Hz为信号带宽上限，傅里叶变换后，xm(f)在带宽范围内共有10460个离散频点。将[fL,fH]带宽内的频点平分为20个频率集，每个频率集内有523个离散频点。
步骤3：选择参考频点为2475Hz(第10个频率集)，将其所在的频率集对应的所有阵元数据定义为Xr(f)，并计算参考频率集的采样协方差矩阵，
Figure GDA0003973237430000081
在此基础上计算2475Hz(第10个频率集)所对应的Capon空间谱，
Figure GDA0003973237430000082
其中，a(θ)为θ角度对应的阵列流形向量，计算Capon空间谱的最大值为30dB，并通过峰值提取算法获得p(θ)的两个峰值(极大值)和其所在的角度-25°，15°和35°。
步骤4：判断
Figure GDA0003973237430000083
中与预设的期望信号角度最近的作为实际的期望信号角度，设置的区域宽度为8°，那么，Θs＝[11°,19°]。那么可以将Θs内的Capon谱，归一化并达到Capon空间谱内的最大值，从而升高期望信号在所有信号与噪声中的比重，具体为：
Figure GDA0003973237430000091
步骤5：信号入射的概率密度函数可以替换为修正的空间谱：
Figure GDA0003973237430000092
将信号入射的概率密度函数进行对角化，成为对角矩阵：
Figure GDA0003973237430000093
此时，可以计算各个频率集所对应的聚焦矩阵：
Figure GDA0003973237430000094
式中A(fr)和A(fi)分别为参考频率和第i个频率集所对应的阵列流形向量，[·]+为求伪逆。计算第i个频率集合的RMSE聚焦误差为：
Figure GDA0003973237430000095
步骤6：计算聚焦后的样本协方差矩阵：
Figure GDA0003973237430000096
其中，
Figure GDA0003973237430000097
为第i个频率集中的第j个频点。设定干扰和噪声区域为期望信号扇区在全空域内的补集
Figure GDA0003973237430000098
那么此时聚焦的干扰加噪声协方差矩阵可以计算为：
Figure GDA0003973237430000099
式中a(θl,fr)为参考频率对应的Θi+n中的第l个阵列流形向量。
再设定L为Θs内的离散角度数量，计算期望信号区域Θs内的期望信号协方差矩阵
Figure GDA0003973237430000101
在此基础上，取的最大特征值对应的特征向量作为期望信号导向矢量：
Figure GDA0003973237430000102
并得到阵列的加权系数：
Figure GDA0003973237430000103
步骤8：计算聚焦后的阵列数据：
Figure GDA0003973237430000104
计算聚焦后的波束形成输出的频域信号为：
Figure GDA0003973237430000105
采用逆傅里叶变换，得到波束形成输出的时域信号为：
Figure GDA0003973237430000106
本发明还提供一种自适应聚焦宽带波束形成系统，包括聚焦矩阵计算模块、加权系数计算模块以及聚焦后频域波束计算模块，
聚焦矩阵计算模块用于将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵；
加权系数计算模块用于根据聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；
聚焦后频域波束计算模块利用所述加权系数计算得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据。
图1给出了在第一个频率集上自适应聚焦矩阵(AFT)和贝叶斯聚焦矩阵(BFT)的聚焦误差与角度相关的RMSE。图中强干扰和期望信号的聚焦误差达到将近10-3，弱干扰处的贝叶斯聚焦矩阵聚焦误差约为10-3，而自适应聚焦矩阵的聚焦误差约为10-2。可以看出，自适应聚焦矩阵能够在期望信号和强干扰处保证较低的聚焦误差的同时，以增加弱干扰聚焦误差的代价，降低了其他非信号角度的聚焦误差。
图2给出了在第一个频率集上，基于不同聚焦矩阵和波束形成方式的归一化波束响应。协方差矩阵重构波束形成器(REB)和稳健Capon波束形成器(RCB)。可以看出，基于RCB的两种算法，都在期望信号方向附近形成了凹陷或偏离，即“期望信号自消”。基于REB的两种算法都能够准确的在期望信号方向上形成主瓣，并在干扰处形成凹槽用以抑制干扰。
仿真2：输入信噪比在-10～30dB范围内变化，让信号误差在[-2°,2°]内均匀分布其余的仿真条件与仿真1相同，进行200次蒙特卡洛实验，并得到输出信干噪比的平均值。
图3给出了输出信干噪SINR比随信噪比SNR的变化图。可以看出，基于RCB的两种算法的波束形成器在低信噪比下表现较好，但高信噪比下很差；基于REB的两种算法在高信噪比情况下表现良好，其中，AFT-REB相比BFT-REB有着明显的优势，说明AFT用于波束形成时，其整体性能显著高于BFT。
本发明还可以提供一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述自适应聚焦宽带波束形成方法。
另一方面，本发明提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的自适应聚焦宽带波束形成方法。
所述计算机设备可以采用车载计算机、笔记本电脑、平板电脑、桌面型计算机、手机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是车载计算机、笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

Claims (5)

1.一种自适应聚焦宽带波束形成方法，其特征在于，具体过程如下：
将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵；
利用聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；
利用所述加权系数得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据；
将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵具体如下：
均匀线列阵接收来自空间的宽带信号和噪声的时域数据，将所述均匀线列阵中各阵元的时域数据进行傅里叶变换，得到频域数据；
确定接收信号的带宽下限和带宽上限，将带宽下限至带宽上限范围内的频点平分为I个频率集，每个频率集内有J个离散频点；
选择参考频点，针对其所在的频率集对应的所有阵元数据计算参考频率集的采样协方差矩阵；
在得到所述采样协方差矩阵的基础上计算所述参考频点所对应的Capon空间谱，通过峰值提取算法得到参考频点所对应Capon空间谱及其所在的角度；
将Capon空间谱所有峰值所在的角度中与预设的期望信号角度最近的作为实际的期望信号角度，得到Θs，将Θs内的Capon谱，归一化并达到Capon空间谱内的最大值，升高期望信号在所有信号与噪声中的比重，得到修正的Capon空间谱；
将所述修正的Capon空间谱作为信号入射的概率密度函数，同时将信号入射的概率密度函数进行对角化，成为对角矩阵；
基于所述对角矩阵计算各个频率集所对应的聚焦矩阵
Figure FDA0003973237420000021
利用聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权具体如下：
计算聚焦后的样本协方差矩阵，设定干扰和噪声区域为期望信号扇区在全空域内的补集，得到聚焦的干扰加噪声协方差矩阵；
计算期望信号区域Θs内的期望信号协方差矩阵，期望信号协方差矩阵中最大特征值对应的特征向量作为期望信号导向矢量，同时得到均匀阵列的加权系数；
利用所述加权系数得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据具体如下：计算聚焦后的阵列数据，基于聚焦后的阵列数据和均匀阵列的加权系数计算聚焦后的波束形成输出的频域信号；
对所述频域信号逆傅里叶变换，得到波束形成输出的时域信号；将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵具体包括以下步骤：M个换能器组成的均匀线列阵接收来自空间的宽带信号和噪声的时域数据X(t)＝[x1(t),x2(t),…,xM(t)]T，其中信号与噪声不相关，xm(t)表示第m个阵元接收到的时域数据，将X(t)内各个阵元的时域数据进行快速傅里叶变换，得到X(f)＝[x1(f),x2(f),…,xM(f)]T,xm(f)表示第m个阵元接收到的频域数据，m＝1,2,3…M；
选择感兴趣的接收信号的带宽范围为[fL,fH]，其中fL为信号带宽下限，fH为信号带宽上限，傅里叶变换后，xm(f)在带宽范围内共有Nf个离散频点，将[fL,fH]带宽内的频点平分为I个频率集，每个频率集内有J个离散频点，则Nf＝IJ；
选择参考频点fr，将其所在的频率集对应的所有阵元数据定义为Xr(f)，并计算参考频率集的采样协方差矩阵，
Figure FDA0003973237420000031
在此基础上计算参考频点fr所对应的Capon空间谱，
Figure FDA0003973237420000032
其中，a(θ)为θ角度对应的阵列流形向量，计算Capon空间谱的最大值pmax＝max{p(θ)}，并通过峰值提取算法获得p(θ)的所有峰值和其所在的角度
Figure FDA0003973237420000033
QP为所提取到的峰值数量；
判断
Figure FDA0003973237420000034
中与预设的期望信号角度最近的作为实际的期望信号角度，
Figure FDA0003973237420000035
其中B为设置的区域宽度，将Θs内的Capon谱归一化并达到Capon空间谱内的最大值，从而升高期望信号在所有信号与噪声中的比重，具体为：
Figure FDA0003973237420000036
信号入射的概率密度函数替换为修正的空间谱：
Figure FDA0003973237420000037
将信号入射的概率密度函数进行对角化，成为对角矩阵：
Figure FDA0003973237420000038
计算各个频率集所对应的聚焦矩阵：
Figure FDA0003973237420000039
式中A(fr)和A(fi)分别为参考频率和第i个频率集所对应的阵列流形向量，[·]+为求伪逆。
2.根据权利要求1所述的自适应聚焦宽带波束形成方法，其特征在于，基于所述聚焦矩阵计算聚焦后的样本协方差矩阵：
Figure FDA0003973237420000041
其中，Xfi(j)为第i个频率集中的第j个频点，设定干扰和噪声区域为期望信号扇区在全空域内的补集
Figure FDA0003973237420000042
那么此时聚焦的干扰加噪声协方差矩阵可以计算为：
Figure FDA0003973237420000043
式中a(θl,fr)为参考频率对应的Θi+n中的第l个阵列流形向量；
再设定L为Θs内的离散角度数量，计算期望信号区域Θs内的期望信号协方差矩阵为：
Figure FDA0003973237420000044
在此基础上，取的最大特征值对应的特征向量作为期望信号导向矢量：
Figure FDA0003973237420000045
并得到阵列的加权系数：
Figure FDA0003973237420000046
计算聚焦后的阵列数据：
Figure FDA0003973237420000047
基于所述聚焦后的阵列数据和阵列的加权系数计算聚焦后的波束形成输出的频域信号为：
Figure FDA0003973237420000048
采用逆傅里叶变换，得到波束形成输出的时域信号为：
Figure FDA0003973237420000049
3.一种自适应聚焦宽带波束形成系统，其特征在于，包括聚焦矩阵计算模块、加权系数计算模块以及聚焦后频域波束计算模块，
聚焦矩阵计算模块用于将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵；具体的，均匀线列阵接收来自空间的宽带信号和噪声的时域数据，将所述均匀线列阵中各阵元的时域数据进行傅里叶变换，得到频域数据；
确定接收信号的带宽下限和带宽上限，将带宽下限至带宽上限范围内的频点平分为I个频率集，每个频率集内有J个离散频点；
选择参考频点，针对其所在的频率集对应的所有阵元数据计算参考频率集的采样协方差矩阵；
在得到所述采样协方差矩阵的基础上计算所述参考频点所对应的Capon空间谱，通过峰值提取算法得到参考频点所对应Capon空间谱及其所在的角度；
将Capon空间谱所有峰值所在的角度中与预设的期望信号角度最近的作为实际的期望信号角度，得到Θs，将Θs内的Capon谱，归一化并达到Capon空间谱内的最大值，升高期望信号在所有信号与噪声中的比重，得到修正的Capon空间谱；
将所述修正的Capon空间谱作为信号入射的概率密度函数，同时将信号入射的概率密度函数进行对角化，成为对角矩阵；
基于所述对角矩阵计算各个频率集所对应的聚焦矩阵
Figure FDA0003973237420000051
将阵列宽带接收数据的子带Capon空间谱近似为信号空间分布的概率函数，构造出各个子带相对于参考频率的聚焦矩阵具体如下：M个换能器组成的均匀线列阵接收来自空间的宽带信号和噪声的时域数据X(t)＝[x1(t),x2(t),…,xM(t)]T，其中信号与噪声不相关，xm(t)表示第m个阵元接收到的时域数据，将X(t)内各个阵元的时域数据进行快速傅里叶变换，得到X(f)＝[x1(f),x2(f),…,xM(f)]T,xm(f)表示第m个阵元接收到的频域数据，m＝1,2,3…M；
选择感兴趣的接收信号的带宽范围为[fL,fH]，其中fL为信号带宽下限，fH为信号带宽上限，傅里叶变换后，xm(f)在带宽范围内共有Nf个离散频点，将[fL,fH]带宽内的频点平分为I个频率集，每个频率集内有J个离散频点，则Nf＝IJ；
选择参考频点fr，将其所在的频率集对应的所有阵元数据定义为Xr(f)，并计算参考频率集的采样协方差矩阵，
Figure FDA0003973237420000061
在此基础上计算参考频点fr所对应的Capon空间谱，
Figure FDA0003973237420000062
其中，a(θ)为θ角度对应的阵列流形向量，计算Capon空间谱的最大值pmax＝max{p(θ)}，并通过峰值提取算法获得p(θ)的所有峰值和其所在的角度
Figure FDA0003973237420000063
QP为所提取到的峰值数量；
判断
Figure FDA0003973237420000064
中与预设的期望信号角度最近的作为实际的期望信号角度，
Figure FDA0003973237420000065
其中B为设置的区域宽度，将Θs内的Capon谱归一化并达到Capon空间谱内的最大值，从而升高期望信号在所有信号与噪声中的比重，具体为：
Figure FDA0003973237420000066
信号入射的概率密度函数替换为修正的空间谱：
Figure FDA0003973237420000067
将信号入射的概率密度函数进行对角化，成为对角矩阵：
Figure FDA0003973237420000068
计算各个频率集所对应的聚焦矩阵：
Figure FDA0003973237420000069
式中A(fr)和A(fi)分别为参考频率和第i个频率集所对应的阵列流形向量，[·]+为求伪逆；
加权系数计算模块用于根据聚焦矩阵将各子带数据聚焦得到参考频率下的宽带阵列数据，利用Capon空间谱构造参考频率下的干扰加噪声协方差矩阵，并校正期望信号方向的导向矢量，计算出一组加权系数；具体的，计算聚焦后的样本协方差矩阵，设定干扰和噪声区域为期望信号扇区在全空域内的补集，得到聚焦的干扰加噪声协方差矩阵；
计算期望信号区域Θs内的期望信号协方差矩阵，期望信号协方差矩阵中最大特征值对应的特征向量作为期望信号导向矢量，同时得到均匀阵列的加权系数；
聚焦后频域波束计算模块利用所述加权系数计算得到聚焦后的频域波束输出数据，并通过逆傅里叶变换得到宽带时域输出数据，具体的，计算聚焦后的阵列数据，基于聚焦后的阵列数据和均匀阵列的加权系数计算聚焦后的波束形成输出的频域信号；对所述频域信号逆傅里叶变换，得到波束形成输出的时域信号。
4.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现权利要求1～2中任一项所述自适应聚焦宽带波束形成方法。
5.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现如权利要求1～2中任一项所述的自适应聚焦宽带波束形成方法。
CN202110674858.6A 2021-06-17 2021-06-17 一种自适应聚焦宽带波束形成方法及系统 Active CN113422630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110674858.6A CN113422630B (zh) 2021-06-17 2021-06-17 一种自适应聚焦宽带波束形成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110674858.6A CN113422630B (zh) 2021-06-17 2021-06-17 一种自适应聚焦宽带波束形成方法及系统

Publications (2)

Publication Number Publication Date
CN113422630A CN113422630A (zh) 2021-09-21
CN113422630B true CN113422630B (zh) 2023-02-07

Family

ID=77788936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110674858.6A Active CN113422630B (zh) 2021-06-17 2021-06-17 一种自适应聚焦宽带波束形成方法及系统

Country Status (1)

Country Link
CN (1) CN113422630B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397010A (zh) * 2021-12-29 2022-04-26 南京中科声势智能科技有限公司 基于小波分解的瞬态信号声成像方法
WO2023123502A1 (en) * 2021-12-31 2023-07-06 Huawei Technologies Co., Ltd. Systems and methods for beam alignment for analog beamforming
CN116405072B (zh) * 2022-12-08 2024-01-26 南京锐声海洋科技有限公司 空域反转阵列导向最小方差波束形成方法及装置
CN115902853B (zh) * 2023-03-09 2023-05-12 中国科学院深海科学与工程研究所 一种适用高速海底测绘的合成接收孔径聚焦波束形成方法
CN116626591B (zh) * 2023-05-26 2024-02-20 长安大学 一种基于无人机谐波聚焦的宽带声源定位方法、系统、设备及介质
CN117478462B (zh) * 2023-07-17 2024-09-13 哈尔滨工程大学 深海下宽带信号估计方法、系统、智能终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535969A (zh) * 2014-12-23 2015-04-22 电子科技大学 一种基于干扰噪声协方差矩阵重构的波束形成方法
CN109490850A (zh) * 2018-10-19 2019-03-19 西安电子科技大学 主瓣干扰下宽带阵列自适应波束形成方法
CN110501423A (zh) * 2019-08-15 2019-11-26 重庆大学 一种基于频域分段的高分辨率最小方差超声成像方法
CN110865342A (zh) * 2019-11-12 2020-03-06 天津大学 基于导向矢量估计与协方差矩阵重构结合的波束形成方法
CN111208213A (zh) * 2020-02-25 2020-05-29 重庆大学 融合交替乘子迭代的谱寻求子带最小方差超声成像算法
CN112230226A (zh) * 2020-09-23 2021-01-15 浙江大学 基于贝叶斯压缩感知算法的自适应波束形成器设计方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4984705B2 (ja) * 2006-07-18 2012-07-25 株式会社村田製作所 レーダ
CN107255809B (zh) * 2017-04-07 2020-07-14 哈尔滨工程大学 一种基于宽带聚焦矩阵的阻塞阵波束形成方法
CN110045321B (zh) * 2019-04-12 2023-04-21 大连大学 基于稀疏和低秩恢复的稳健doa估计方法
EP3739356A1 (en) * 2019-05-12 2020-11-18 Origin Wireless, Inc. Method, apparatus, and system for wireless tracking, scanning and monitoring

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535969A (zh) * 2014-12-23 2015-04-22 电子科技大学 一种基于干扰噪声协方差矩阵重构的波束形成方法
CN109490850A (zh) * 2018-10-19 2019-03-19 西安电子科技大学 主瓣干扰下宽带阵列自适应波束形成方法
CN110501423A (zh) * 2019-08-15 2019-11-26 重庆大学 一种基于频域分段的高分辨率最小方差超声成像方法
CN110865342A (zh) * 2019-11-12 2020-03-06 天津大学 基于导向矢量估计与协方差矩阵重构结合的波束形成方法
CN111208213A (zh) * 2020-02-25 2020-05-29 重庆大学 融合交替乘子迭代的谱寻求子带最小方差超声成像算法
CN112230226A (zh) * 2020-09-23 2021-01-15 浙江大学 基于贝叶斯压缩感知算法的自适应波束形成器设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于协方差矩阵重构和EMP的宽带波束形成算法;毛睿达等;《计算机应用研究》;20190415(第04期);全文 *
宽带波束域频率聚焦自适应波束形成算法;李敏乐等;《雷达科学与技术》;20161215(第06期);全文 *

Also Published As

Publication number Publication date
CN113422630A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
CN113422630B (zh) 一种自适应聚焦宽带波束形成方法及系统
CN109490850B (zh) 主瓣干扰下宽带阵列自适应波束形成方法
US11532883B2 (en) Beamforming techniques implementing the iterative adaptive approach (IAA)
CN109116337B (zh) 一种基于矩阵滤波的稀疏近似最小方差方位估计方法
CN104811867B (zh) 基于阵列虚拟扩展的麦克风阵列空域滤波方法
CN113673419B (zh) 适用于强干扰环境的波束域快速稀疏贝叶斯方位估计方法
CN111273237B (zh) 基于空域矩阵滤波和干扰对消的强干扰抑制方法
CN109597048B (zh) 基于二维卷积神经网络的米波雷达doa估计方法
CN111651718B (zh) 针对高斯噪声中非高斯信号的稳健自适应波束形成方法
CN106707250A (zh) 基于互耦校正的雷达阵列自适应波束形成方法
CN110261826A (zh) 一种零陷展宽的相干干扰抑制方法
CN113655436A (zh) 一种带通道校准粒子群优化宽带波束形成方法及装置
US9444558B1 (en) Synthetic robust adaptive beamforming
CN113673158A (zh) 适用于强干扰环境下的波束域变分贝叶斯方位估计方法
Zhang et al. Selective frequency invariant uniform circular broadband beamformer
CN109061597B (zh) 基于盲源分离与时频脊波域滤波的电离层杂波抑制方法
CN113422629B (zh) 一种协方差矩阵重构自适应波束形成方法及系统
CN107167809B (zh) 一种基于信号子空间聚焦的宽带阻塞阵波束形成方法
CN107255809B (zh) 一种基于宽带聚焦矩阵的阻塞阵波束形成方法
Zhou et al. Design of a robust MVDR beamforming method with Low-Latency by reconstructing covariance matrix for speech enhancement
CN109239681A (zh) 一种运动干扰稳健滤波方法
CN117478462B (zh) 深海下宽带信号估计方法、系统、智能终端及存储介质
CN112649787B (zh) 一种基于低频圆环阵的目标方位估计方法
CN116405072B (zh) 空域反转阵列导向最小方差波束形成方法及装置
CN116633406A (zh) 预导向协方差矩阵重构的宽带自适应波束形成方法及系统

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