CN114779176A - 一种低复杂度的鲁棒自适应波束形成方法及装置 - Google Patents

一种低复杂度的鲁棒自适应波束形成方法及装置 Download PDF

Info

Publication number
CN114779176A
CN114779176A CN202210409794.1A CN202210409794A CN114779176A CN 114779176 A CN114779176 A CN 114779176A CN 202210409794 A CN202210409794 A CN 202210409794A CN 114779176 A CN114779176 A CN 114779176A
Authority
CN
China
Prior art keywords
signal
vector
covariance matrix
array
obtaining
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
CN202210409794.1A
Other languages
English (en)
Other versions
CN114779176B (zh
Inventor
武岳
姚昊
赵文来
颜家俊
刘瑞航
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202210409794.1A priority Critical patent/CN114779176B/zh
Publication of CN114779176A publication Critical patent/CN114779176A/zh
Application granted granted Critical
Publication of CN114779176B publication Critical patent/CN114779176B/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
    • G01S7/28—Details of pulse systems
    • G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • 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
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/32—Shaping echo pulse signals; Deriving non-pulse signals from echo pulse signals
    • 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
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/523—Details of pulse systems
    • G01S7/526—Receivers
    • G01S7/53—Means for transforming coordinates or for evaluating data, e.g. using computers
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/534—Details of non-pulse systems
    • 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
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本申请提供了一种低复杂度的鲁棒自适应波束形成方法及装置，涉及波束形成技术领域，基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵，其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束，从而提高自适应波束形成的鲁棒性以及减少时间复杂度。

Description

一种低复杂度的鲁棒自适应波束形成方法及装置
技术领域
本申请涉及波束形成技术领域，具体而言，涉及一种低复杂度的鲁棒自适应波束形成方法及装置。
背景技术
自适应波束形成算法被广泛应用于雷达和声纳，MIMO无线通信，目标检测等领域，其旨在对指定方向上的期望信号进行维持或者加强，并抑制其他方向上的干扰信号和噪声。然而在现实系统中，由于诸如信号的快拍数、阵列几何结构、DOA方向等先验信息的缺失，以最小方差无失真响应(Minimum Variance Distortionless Response，MVDR)为代表的传统自适应波束形成性能会大幅度下降。
为了弥补这个缺点，出现了许多对鲁棒自适应波束形成(robust adaptivebeamformer，RAB)的研究。其中最著名的要属对角加载技术(DL)，即对信号协方差矩阵增加一个对角加载系数乘单位阵，这种方法最大的缺点在于DL系数是一个经验值，难以确定。考虑到这点，基于不确定集的方法，如最差情况性能最优(WCPO)方法、双约束鲁棒capon波束形成器等，将对DL系数的选取转换为对不确定集约束的选取，但也并没有改变需要人为设置参数的本质。作为另一种经典的RAB方法，收缩法认为单纯的DL技术欠缺对信号协方差矩阵权重的考虑，所以使用最小化MSE以自适应的得到两个DL系数。而且这种方法一般要求解一个凸/非凸优化问题，这导致了不低的计算复杂度。除此之外，基于特征空间的方法也对任意的导向向量误差有不错的鲁棒性，但在低信噪比(Signal-to-noise ratio，SNR)情况下，由于子空间跳跃的影响，这种方法的表现很差。
发明内容
有鉴于此，本申请的目的在于提供一种低复杂度的鲁棒自适应波束形成方法及装置，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。
本申请实施例提供的一种低复杂度的鲁棒自适应波束形成方法，所述方法包括：
基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；
基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；
基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；
根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
在一些实施例中，所述基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，包括：
基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；
针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；
基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；
将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；
基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。
在一些实施例中，所述基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计，包括：
根据所述误差项权值的最优估计和单位向量、以及联立信号导向向量的预估计值得到每个信号的导向向量的最优估计。
在一些实施例中，通过以下方式得到重构的干扰噪音协方差矩阵，包括：
基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。
在一些实施例中，所述基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵，包括：
将所述干扰信号的导向向量的最优估计和其Capon空间谱功率加权求和，并联立所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。
在一些实施例中，所述基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量，包括：
将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。
在一些实施例中，所述阵列为由多个阵元组成的均匀线性阵列。
在一些实施例中，还提供一种低复杂度的鲁棒自适应波束形成装置，所述装置包括：
获取模块，用于基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；
第一计算模块，用于基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；
第二计算模块，用于基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；
第三计算模块，用于根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
在一些实施例中，还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述任意一项所述的一种低复杂度的鲁棒自适应波束形成方法的步骤。
在一些实施例中，还提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一项所述的一种低复杂度的鲁棒自适应波束形成方法的步骤。
本申请所述的一种低复杂度的鲁棒自适应波束形成方法及装置，基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵，其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束，从而提高自适应波束形成的鲁棒性以及减少时间复杂度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所述低复杂度的鲁棒自适应波束形成方法的流程图；
图2示出了本申请实施例所述基于采样协方差矩阵计算快拍采样信号包含的每个信号的导向向量的最优估计的流程示意图；
图3示出了本申请实施例所述存在DOA误差时的RAB性能对比示意图；
图4示出了本申请实施例所述存在阵元位置误差时的RAB性能对比示意图；
图5示出了本申请实施例所述存在阵元增益和相位误差时的RAB性能对比示意图；
图6示出了本申请实施例所述低复杂度的鲁棒自适应波束形成装置的结构示意图；
图7示出了本申请实施例所述电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，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，都属于本申请保护的范围。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
其中在背景技术中所提到的自适应波束形成并没有改变一个事实，即所使用的协方差矩阵依然是信号协方差矩阵的变体，所以当SNR高时，期望信号过高的比例会导致RAB性能迅速下降。为了改变这一点，越来越多的工作将目光投放到重构干扰噪声协方差矩阵(INCM)上，这能直接解决期望信号在样本中存在的问题。其中，Yujie Gu等人首先提出对干扰和噪声所在区间进行capon空间谱积分来重构INCM。基于他们的工作，Lei Huang等人直接通过对干扰信号的导向向量的环状表面进行积分来进一步提高积分域的准度，带来更高性能的同时也导致了更高的复杂度。这种先对导向向量进行估计，然后通过相关的信号导向向量和信号的功率进行加权求和得到ICNM的方法逐渐成为主流。基于此，本申请提出一种低复杂度的鲁棒自适应波束形成方法、装置、电子设备及存储介质，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。
参见说明书附图1，本申请提供的一种低复杂度的鲁棒自适应波束形成方法，包括以下步骤：
S1、基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；
S2、基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；
S3、基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；
S4、根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
在该实施例中，步骤S1，所述阵列是由M个阵元组成的均匀线性阵列。若一共有J+1个远场平稳窄带信号以各自的方向(direction-of-arrival，DOA)入射到该阵列，其中包含1个期望信号和J个干扰信号，信号之间两两不相关。该阵列接收的快拍采样信号可以表述为：
Figure BDA0003603248750000071
其中a(·)表示信号的真实导向向量，n(t)是与期望信号和干扰信号无关的噪声，波束形成器的输出可以表示为：
y(t)＝wHx(t) (2)
其中
Figure BDA0003603248750000072
表示波束形成器的加权向量。
如果a(θ0)精确已知，则wopt可以
通过最大化阵列的输出信干噪比(signal-to-interference-plus-noise ratio，SINR)来得到，SINR的定义如下：
Figure BDA0003603248750000081
其中Ri+n就是INCM，其定义如下：
Figure BDA0003603248750000082
其中
Figure BDA0003603248750000083
表示对应信号的功率，
Figure BDA0003603248750000084
则是噪声功率。
根据最大化公式(3)得到的波束形成器就是著名的MVDR波束形成器：
Figure BDA0003603248750000085
对应的SINRopt为
Figure BDA0003603248750000086
另外如果a(θ0)精确已知，将公式(5)中的Ri+n替换为
Figure BDA0003603248750000087
其结果不变。而又由于实际系统中，R是理论值，难以获得，所以一般用作为统计值的样本协方差矩阵
Figure BDA0003603248750000088
去代替。同理，真实的a(θ0)往往会受到许多干扰因素影响，比如DOA的失配、阵列精度失准等，需要用一个预估计值
Figure BDA0003603248750000091
去代替，其中
Figure BDA0003603248750000092
表示假设的期望信号关于已知阵列的导向向量，
Figure BDA0003603248750000093
是估计的期望信号的DOA。
基于上述的假设，公式(5)的表达为：
Figure BDA0003603248750000094
即样本协方差矩阵求逆(sample matrix inversion，SMI)法，然而当样本的快拍数小时，
Figure BDA0003603248750000095
不会收敛到R。并且当
Figure BDA0003603248750000096
估计不准时，使用
Figure BDA0003603248750000097
反而会压制期望信号，尤其是在信号的SNR较高时。
其中需要说明的导向向量会做范数假设，即||a(·)||＝M。
参见说明书附图2，所述基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，包括以下步骤：
S201、基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；
S202、针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；
S203、基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；
S204、将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；
S205、基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。
具体的，在该实施例中，采用谱峰搜索法作信号的DOA估计有：
Figure BDA0003603248750000101
即在信号j的假设DOA区间Θj上找到最大的Capon空间谱谱峰所对应的横坐标。得到估计的DOA之后，信号j的真实导向向量a(θj)，可以拆成理论项和误差项的和，即：
Figure BDA0003603248750000102
其中ej又可以分成
Figure BDA0003603248750000103
的平行分量和垂直分量：
ej＝ej,||+ej,⊥ (9)
根据公式(3)的定义可知，w的任意常数倍不会影响阵列的输出SINR，即ej,||的存在不会影响RAB的性能。所以ej,⊥可以视为真实误差项的一种估计，即有
Figure BDA0003603248750000104
其中εj是未知的标量，vj是ej,⊥的单位向量。
另外，定义子空间Cj如下：
Figure BDA0003603248750000105
其中Δθ是Θj的大小。Cj可以理解为假设的信号j所在区间上所有导向向量撑起的子空间。对Cj进行特征分解，得：
Figure BDA0003603248750000111
其中λj,1≥λj,2≥...≥λj,M是Cj降序排列的特征值，uj,M是对应的特征向量。由于信号子空间和噪声子空间正交的性质，真实的a(θj)会正交于Cj的噪声子空间，即其非主特征值对应的特征向量所组成的矩阵。那么可以将最小的特征向量uj,M当成是vj的粗略估计，即vj≈uj,M。这样a(θj)的估计值可以表示为：
Figure BDA0003603248750000112
显然，当估计值
Figure BDA0003603248750000113
估计得越准确，即越接近真实值a(θj)，其Capon空间谱功率越大。所以可以建立以下的优化模型：
Figure BDA0003603248750000121
其中约束不等式的左边是
Figure BDA0003603248750000122
的Capon空间谱功率
Figure BDA0003603248750000123
右边是
Figure BDA0003603248750000124
的Capon空间谱功率
Figure BDA0003603248750000125
将公式(12)带入公式(13)的约束不等式可得：
Figure BDA0003603248750000126
为了表述得更清楚，定义标量：
Figure BDA0003603248750000127
Figure BDA0003603248750000128
Figure BDA0003603248750000129
因此，公式(14)可以化简为
Figure BDA00036032487500001210
因为
Figure BDA00036032487500001211
是Hermitian矩阵，所以
Figure BDA00036032487500001212
和fu,u都是正数。同时，
Figure BDA00036032487500001213
的倒数表示的是
Figure BDA0003603248750000131
的Capon空间谱谱峰，显然有
Figure BDA0003603248750000132
所以
Figure BDA0003603248750000133
因此，εj的支撑集可以表示为：
Figure BDA0003603248750000134
将公式(12)带入公式(13)得目标方程，最大化的目标变成：
Figure BDA0003603248750000135
现在定义函数
Figure BDA0003603248750000136
问题就转化成了求g(εj)的极值点。
对g(εj)求导得：
Figure BDA0003603248750000137
为了表述得更清楚，定义标量：
Figure BDA0003603248750000141
Figure BDA0003603248750000142
令
Figure BDA0003603248750000143
这样g(εj)的极值点为：
Figure BDA0003603248750000144
因为
Figure BDA0003603248750000145
有公式(19)范围的约束，需要对
Figure BDA0003603248750000146
进行分类讨论。
如果
Figure BDA0003603248750000147
只有
Figure BDA0003603248750000148
现在需要判断
Figure BDA0003603248750000149
是否在区间内：
Figure BDA00036032487500001410
显然
Figure BDA00036032487500001411
在区间内；同理，如果
Figure BDA00036032487500001412
此时依然只有
Figure BDA00036032487500001413
类似公式(25)可得，此时
Figure BDA00036032487500001414
在在区间内。如果
Figure BDA00036032487500001415
根据公式(19)说明此时
Figure BDA0003603248750000151
已经是真实的a(θj)。综上，最后的
Figure BDA0003603248750000152
可以表示为：
Figure BDA0003603248750000153
得到
Figure BDA0003603248750000154
之后，对应的导向向量的最优估计
Figure BDA0003603248750000155
可以由公式(12)得到。这样，干扰噪音协方差矩阵INCM就可以由
Figure BDA0003603248750000156
和对应的Capon空间谱功率的加权得到：
Figure BDA0003603248750000157
其中IM是M维的单位矩阵，
Figure BDA0003603248750000158
是平均噪声功率，即
Figure BDA0003603248750000159
的不属于前J+1个信号的特征值平均计算得到：
Figure BDA00036032487500001510
其中，ξ1≥ξ2≥…≥ξM是降序排列的特征值。
步骤S3中，将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。具体的，得到期望信号的导向向量的估计
Figure BDA00036032487500001511
和重构的INCM后，根据公式(5)得到所求的加权向量w：
Figure BDA0003603248750000161
最后，根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
本申请所提出的鲁棒自适应波束形成方法中，主要的时间复杂度就是干扰噪声协方差矩阵INCM的重构。而重构的运算主要由两部分构成：特征向量分解和计算εj，时间复杂度都是
Figure BDA0003603248750000162
所以最终的时间复杂度就是(JM3)。
进而通过实验仿真并与其他方法对比验证本申请的鲁棒性和时间复杂度。具体的，仿真的信号都是是远场窄带平面波。阵列是由10个阵元组成的均匀线阵(uniformlinear array，ULA)，阵元间距是信号波长的一半。期望信号的真实DOAθ0＝3°，但这个信息未知，假设的入射方向是
Figure BDA0003603248750000163
同样，有两个干扰信号，真实的入射方向分别为θ1＝-30°和θ2＝40°，但该信息也未知，假设方向是
Figure BDA0003603248750000164
和
Figure BDA0003603248750000165
2个干扰信号的干扰信噪比(interference-to-noise，INR)都是20dB。噪声是一个具有零均值和单位方差的时空对称复高斯过程。同时，假设期望信号的DOA所在区间
Figure BDA0003603248750000166
干扰的DOA所在区间
Figure BDA0003603248750000167
这些区间的角度间隔设为0.5°。一共执行100次蒙特卡洛数值仿真。
控制变量分别为期望信号的SNR和样本快拍数的个数。使用阵列的输出SINR作为性能分析的参考。当使用SNR作为控制变量时，样本快拍数固定为30个；当使用样本快拍数作为控制变量时，SNR固定为10dB。作为对照的最优SINR使用公式(6)得到。
在该实施例中本申请一共与七种其他算法进行对比，分别为一种新的最差情况性能最优方法(NWCPO；一种新的基于投影的波束形成算法(MPRJ)；一种基于线性Capon空间谱积分的INCM重构法(INCM-linear)；一种基于环形表面积分的INCM重构法(INCM-annulus)；一种基于RCB标准的INCM重构法(INCM-RCB)；一种基于子空间相交的INCM重构法(INCM-subspace)；一种基于梯度向量的INCM重构法(INCM-gradient)。
在第一实验中，每次蒙特卡洛实验的期望信号和干扰信号的真实DOA是不同的，与DOA设置会存在[-4°,4°]的误差，这个误差是个均匀分布。参见说明书附图3，为存在DOA误差时的RAB性能对比示意图，其中，(a)为阵列输出SINR随SNR增大而发生的变化；(b)为阵列输出SINR与理论最优SINR的距离随SNR增大而发生的变化；(c)为阵列输出SINR随样本快拍数增大而发生的变化。
图3中的(a)显示INCM-linear、INCM-annulus、INCM-RCB、INCM-subspace和INCM-gradient这五种基于INCM重构的算法的阵列输出SINR会关于期望信号SNR单调递增。并且NWCPO和MPRJ这两种非INCM重构算法会在当期望信号的SNR逼近干扰信号的INR时，由于分散效应，其性能会明显下降。
图3中的(a)、(b)说明了本申请的方法性能明显优于INCM-linear、INCM-annulus、INCM-RCB、NWCPO和MPRJ，并且与INCM-subspace和INCM-gradient这三种一起，几乎能达到最优的输出SINR。图3的(c)显示了提出的方法、INCM-subspace和INCM-gradient都能快速收敛，并且与最优值非常接近。
在第二实验中，作为仿真的ULA存在抖动，即阵列间距不再是固定值，实际值与理论值的误差服从[-0.05λs,0.05λs]的均匀分布，其中λs为信号波长。参见说明书附图4，存在阵元位置误差时的RAB性能对比示意图，其中，(a)为阵列输出SINR随SNR增大而发生的变化；(b)为阵列输出SINR与理论最优SINR的距离随SNR增大而发生的变化；(c)为阵列输出SINR随样本快拍数增大而发生的变化。
从图4的(a)、(b)看出，本申请的方法、INCM-gradient和INCM-subspace几乎能达到同样的性能。同时，INCM-RCB、NWCPO和MPRJ在SNR低于5dB时有更高的SINR，但当SNR高时性能较差。图(4)的(c)说明提出的算法、INCM-gradient和INCM-subspace都能快速收敛到一个稳定的状态，并且性能几何相同。INCM-RCB和MRPJ对快拍数更敏感，当快拍数足够大时，其性能会有较大的提升。
在第三实验中，阵列中每个阵元的增益和相位会出现误差，分别符合高斯分布
Figure BDA0003603248750000181
和
Figure BDA0003603248750000182
参见说明书附图5，存在阵元增益和相位误差时的RAB性能对比示意图，其中，(a)为阵列输出SINR随SNR增大而发生的变化；(b)为阵列输出SINR与理论最优SINR的距离随SNR增大而发生的变化；(c)为阵列输出SINR随样本快拍数增大而发生的变化。
图5的(a)、(b)显示当SNR大于4dB时，提出的算法性能优于所有其他算法。当SNR小于4dB时，NWCPO、MPRJ和INCM-RCB的输出SINR高于其他方法，但当SNR增大时又会小于其他方法。图5的(c)显示提出的算法、INCM-gradient和INCM-subspace性能几乎相同，并且都能快速收敛到稳定状态。
并且统计了上述多种RAB单次模拟的平均运行时间，如表1所示。所有的模拟实验都是在具有24GB RAM和Intel(R)Core(TM)i7-8700 3.20GHz的同一台计算机上进行的。在几种性能相似的RAB中，例如INCM-subspace和INCM-gradient，我们可以看到我们的方法具有最小的计算复杂度。与MPRJ相比，虽然该方法耗时最短，但本申请方法的性能明显优于MPRJ。
RAB running time/s
NWCPO 10.634
MPRJ 0.009
INCM-linear 11.501
INCM-annulus 27.346
INCM-RCB 12.334
INCM-subspace 0.132
INCM-gradient 0.219
PROPOSED 0.059
表1
本申请提供的一种低复杂度的鲁棒自适应波束形成方法，将实际的导向向量拆成理论向量和误差向量之和，将对INCM的重构转化对误差向量的估计。首先在信号所在的假设区间构造出相关的噪声子空间后，可以将其最小特征值对应的特征向量当成是单位误差向量估计。然后利用Capon谱功率最大化问题求解误差向量的权值。与现有方法相比，该方法几乎可以达到最佳的性能。同时，与其他性能相近的算法相比，该算法具有最小的计算量。
基于同一发明构思，本申请实施例中还提供了一种低复杂度的鲁棒自适应波束形成装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述一种低复杂度的鲁棒自适应波束形成方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
如图6所示，本申请实施例还提供一种低复杂度的鲁棒自适应波束形成装置，所述装置包括：
获取模块601，用于基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；
第一计算模块602，用于基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；
第二计算模块603，用于基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；
第三计算模块604，用于根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
在一些实施例中，第一计算模块602基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计时，还用于：
基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；
针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；
基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；
将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；
基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。
在一些实施例中，第一计算模块602还用于：
根据所述误差项权值的最优估计和单位向量、以及联立信号导向向量的预估计值得到每个信号的导向向量的最优估计。
在一些实施例中，第一计算模块602还用于：基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。
在一些实施例中，第二计算模块603基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量时，还用于：
将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。
本申请所述的一种低复杂度的鲁棒自适应波束形成装置，将实际的导向向量拆成理论向量和误差向量之和，将对INCM的重构转化对误差向量的估计。首先在信号所在的假设区间构造出相关的噪声子空间后，可以将其最小特征值对应的特征向量当成是单位误差向量估计。然后利用Capon谱功率最大化问题求解误差向量的权值，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。
基于本发明的同一构思，如说明书附图7所示，本申请实施例提供的一种电子设备700的结构，该电子设备700包括：至少一个处理器701，至少一个网络接口704或者其他用户接口703，存储器705，至少一个通信总线702。通信总线702用于实现这些组件之间的连接通信。该电子设备700可选的包含用户接口703，包括显示器(例如，触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等)，键盘或者点击设备(例如，鼠标，轨迹球(trackball)，触感板或者触摸屏等)。
存储器705可以包括只读存储器和随机存取存储器，并向处理器701提供指令和数据。存储器705的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中，存储器705存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：
操作系统7051，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
应用程序模块7052，包含各种应用程序，例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。
在本申请实施例中，通过调用存储器705存储的程序或指令，处理器701用于执行如一种低复杂度的鲁棒自适应波束形成方法的步骤。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如一种低复杂度的鲁棒自适应波束形成方法中的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种低复杂度的鲁棒自适应波束形成方法，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元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。
最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种低复杂度的鲁棒自适应波束形成方法，其特征在于，所述方法包括：
基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；
基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；
基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；
根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
2.根据权利要求1所述一种低复杂度的鲁棒自适应波束形成方法，其特征在于，所述基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，包括：
基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；
针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；
基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；
将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；
基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。
3.根据权利要求2所述一种低复杂度的鲁棒自适应波束形成方法，其特征在于，所述基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计，包括：
根据所述误差项权值的最优估计和单位向量、以及联立信号导向向量的预估计值得到每个信号的导向向量的最优估计。
4.根据权利要求3所述一种低复杂度的鲁棒自适应波束形成方法，其特征在于，通过以下方式得到重构的干扰噪音协方差矩阵，包括：
基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。
5.根据权利要求4所述一种低复杂度的鲁棒自适应波束形成方法，其特征在于，所述基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵，包括：
将所述干扰信号的导向向量的最优估计和其Capon空间谱功率加权求和，并联立所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。
6.根据权利要求5所述一种低复杂度的鲁棒自适应波束形成方法，其特征在于，所述基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量，包括：
将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。
7.根据权利要求6所述一种低复杂度的鲁棒自适应波束形成方法，其特征在于，所述阵列为由多个阵元组成的均匀线性阵列。
8.一种低复杂度的鲁棒自适应波束形成装置，其特征在于，所述装置包括：
获取模块，用于基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；
第一计算模块，用于基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；
第二计算模块，用于基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；
第三计算模块，用于根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任意一项所述的一种低复杂度的鲁棒自适应波束形成方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任意一项所述的一种低复杂度的鲁棒自适应波束形成方法的步骤。
CN202210409794.1A 2022-04-19 2022-04-19 一种低复杂度的鲁棒自适应波束形成方法及装置 Active CN114779176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210409794.1A CN114779176B (zh) 2022-04-19 2022-04-19 一种低复杂度的鲁棒自适应波束形成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210409794.1A CN114779176B (zh) 2022-04-19 2022-04-19 一种低复杂度的鲁棒自适应波束形成方法及装置

Publications (2)

Publication Number Publication Date
CN114779176A true CN114779176A (zh) 2022-07-22
CN114779176B CN114779176B (zh) 2023-05-05

Family

ID=82432054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210409794.1A Active CN114779176B (zh) 2022-04-19 2022-04-19 一种低复杂度的鲁棒自适应波束形成方法及装置

Country Status (1)

Country Link
CN (1) CN114779176B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405072A (zh) * 2022-12-08 2023-07-07 南京锐声海洋科技有限公司 空域反转阵导向最小方差波束形成方法及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU6654200A (en) * 1996-11-26 2001-01-11 Trw Inc. Cochannel signal processing system
US20080232607A1 (en) * 2007-03-22 2008-09-25 Microsoft Corporation Robust adaptive beamforming with enhanced noise suppression
US20130287069A1 (en) * 2012-04-26 2013-10-31 Qualcomm Atheros, Inc. Transmit Beamforming With Singular Value Decomposition And Pre-Minimum Mean Square Error
US20130343571A1 (en) * 2012-06-22 2013-12-26 Verisilicon Holdings Co., Ltd. Real-time microphone array with robust beamformer and postfilter for speech enhancement and method of operation thereof
US8838051B1 (en) * 2009-02-19 2014-09-16 Qualcomm Incorporated Transmitter beamforming power control
CN105182298A (zh) * 2015-10-19 2015-12-23 电子科技大学 一种针对来波方向误差的干扰噪声协方差矩阵重构方法
CN105306124A (zh) * 2015-10-19 2016-02-03 电子科技大学 一种具有联合鲁棒性的波束形成方法
CN105335336A (zh) * 2015-10-12 2016-02-17 中国人民解放军国防科学技术大学 一种传感器阵列的稳健自适应波束形成方法
WO2016089300A1 (en) * 2014-12-02 2016-06-09 Thales Solutions Asia Pte Ltd. Methods and systems for spectral analysis of sonar data
CN106569181A (zh) * 2016-11-15 2017-04-19 大连大学 基于协方差矩阵重构稳健Capon波束形成的算法
CN107888272A (zh) * 2017-11-13 2018-04-06 四川大学 一种随机分布鲁棒波束成形器的构建及其计算方法
CN108181507A (zh) * 2017-12-25 2018-06-19 中国科学技术大学 一种稳健自适应波束形成方法
CN110196410A (zh) * 2019-06-20 2019-09-03 中国人民解放军火箭军工程大学 一种阵列天线主瓣干扰抑制方法及系统
CN110798251A (zh) * 2019-09-24 2020-02-14 西安电子科技大学 一种基于结构信息的鲁棒自适应波束形成方法
CN111487653A (zh) * 2020-04-16 2020-08-04 河北科技大学 零陷展宽方法、装置及终端设备
CN111551892A (zh) * 2020-04-22 2020-08-18 武汉工程大学 一种稳健自适应波束形成方法及装置
CN113422629A (zh) * 2021-06-17 2021-09-21 长安大学 一种协方差矩阵重构自适应波束形成方法及系统

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU6654200A (en) * 1996-11-26 2001-01-11 Trw Inc. Cochannel signal processing system
US20080232607A1 (en) * 2007-03-22 2008-09-25 Microsoft Corporation Robust adaptive beamforming with enhanced noise suppression
US8838051B1 (en) * 2009-02-19 2014-09-16 Qualcomm Incorporated Transmitter beamforming power control
US20130287069A1 (en) * 2012-04-26 2013-10-31 Qualcomm Atheros, Inc. Transmit Beamforming With Singular Value Decomposition And Pre-Minimum Mean Square Error
US20130343571A1 (en) * 2012-06-22 2013-12-26 Verisilicon Holdings Co., Ltd. Real-time microphone array with robust beamformer and postfilter for speech enhancement and method of operation thereof
WO2016089300A1 (en) * 2014-12-02 2016-06-09 Thales Solutions Asia Pte Ltd. Methods and systems for spectral analysis of sonar data
CA2968209A1 (en) * 2014-12-02 2016-06-09 Thales Solutions Asia Pte Ltd. Methods and systems for spectral analysis of sonar data
CN105335336A (zh) * 2015-10-12 2016-02-17 中国人民解放军国防科学技术大学 一种传感器阵列的稳健自适应波束形成方法
CN105306124A (zh) * 2015-10-19 2016-02-03 电子科技大学 一种具有联合鲁棒性的波束形成方法
CN105182298A (zh) * 2015-10-19 2015-12-23 电子科技大学 一种针对来波方向误差的干扰噪声协方差矩阵重构方法
CN106569181A (zh) * 2016-11-15 2017-04-19 大连大学 基于协方差矩阵重构稳健Capon波束形成的算法
CN107888272A (zh) * 2017-11-13 2018-04-06 四川大学 一种随机分布鲁棒波束成形器的构建及其计算方法
CN108181507A (zh) * 2017-12-25 2018-06-19 中国科学技术大学 一种稳健自适应波束形成方法
CN110196410A (zh) * 2019-06-20 2019-09-03 中国人民解放军火箭军工程大学 一种阵列天线主瓣干扰抑制方法及系统
CN110798251A (zh) * 2019-09-24 2020-02-14 西安电子科技大学 一种基于结构信息的鲁棒自适应波束形成方法
CN111487653A (zh) * 2020-04-16 2020-08-04 河北科技大学 零陷展宽方法、装置及终端设备
CN111551892A (zh) * 2020-04-22 2020-08-18 武汉工程大学 一种稳健自适应波束形成方法及装置
CN113422629A (zh) * 2021-06-17 2021-09-21 长安大学 一种协方差矩阵重构自适应波束形成方法及系统

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
A. HASSANIEN, S. A. VOROBYOV AND K. M. WONG: "Robust Adaptive Beamforming Using Sequential Quadratic Programming: An Iterative Solution to the Mismatch Problem", 《IEEE SIGNAL PROCESSING LETTERS》 *
SHANCHAO YI, YING WU, YUNLONG WANG: "Projection-based robust adaptive beamforming with quadratic constraint", 《SIGNAL PROCESSING》 *
ZHIWEI YANG A B, PAN ZHANG C, GUISHENG LIAO A B, CHONGDI DUAN D, HUAJIAN XU E: "Robust beamforming via alternating iteratively estimating the steering vector and interference-plus-noise covariance matrix", 《DIGITAL SIGNAL PROCESSING》 *
任大江,秀春男,程佳威,等: "基于导向矢量优化与对角加载的波束形成算法", 《电视技术》 *
司梦轩: "强干扰背景下的水下弱目标检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
孟振: "天线阵列稳健自适应波束形成算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
张攀: "基于稀疏重构的稳健波束形成方法及DSP并行化实现研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
毛卫宁,钱进: "一种低复杂度的稳健自适应波束形成", 《应用声学》 *
潘懋舜: "基于稀疏阵的稳健波束形成技术研究", 《国优秀硕士学位论文全文数据库 信息科技辑》 *
焦亚萌,武岳,崔琳,等: "均匀先验分布Bayesian自适应波束形成方法", 《信号处理》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116405072A (zh) * 2022-12-08 2023-07-07 南京锐声海洋科技有限公司 空域反转阵导向最小方差波束形成方法及装置
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

Also Published As

Publication number Publication date
CN114779176B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
Liu et al. DOA estimation in impulsive noise via low-rank matrix approximation and weakly convex optimization
CN108809398B (zh) 一种基于信源个数约束的稳健自适应波束形成方法
CN110196410B (zh) 一种阵列天线主瓣干扰抑制方法及系统
CN110045321A (zh) 基于稀疏和低秩恢复的稳健doa估计方法
CN110007283A (zh) 雷达波达方向估计方法、装置、计算机设备及存储介质
Mao et al. An Improved DOA Estimation Algorithm Based on Wavelet Operator.
CN108710758A (zh) 基于嵌套阵和协方差矩阵重构的自适应波束形成算法
Zhang et al. An RCB-like steering vector estimation method based on interference matrix reduction
CN115102597A (zh) 一种稳健的自适应波束形成方法
CN104156553B (zh) 无需信源数估计的相干信号波达方向估计方法及系统
CN114779176A (zh) 一种低复杂度的鲁棒自适应波束形成方法及装置
CN111698011A (zh) 一种对称噪声中非对称信号的稳健自适应波束形成方法
Molaei et al. Efficient clustering of non-coherent and coherent components regardless of sources’ powers for 2D DOA estimation
CN115130504A (zh) 基于稀疏贝叶斯学习的稳健波束形成方法
Huang et al. Low-rank and row-sparse decomposition for joint DOA estimation and distorted sensor detection
CN114236471A (zh) 一种相关干扰源下的稳健自适应波束形成方法
Yang et al. Robust beamforming with imprecise array geometry using steering vector estimation and interference covariance matrix reconstruction
Guo et al. A novel robust adaptive beamforming algorithm based on subspace orthogonality and projection
Yu et al. A robust minimum variance beamformer with new constraint on uncertainty of steering vector
CN107135026B (zh) 未知互耦存在时基于矩阵重构的稳健波束形成方法
CN114047481A (zh) 一种基于子空间正交性的稳健自适应波束形成方法
CN115201753A (zh) 一种低功耗多频谱分辨的语音定位方法
Mohammadzadeh et al. Study of Robust Adaptive Beamforming with Covariance Matrix Reconstruction Based on Power Spectral Estimation and Uncertainty Region
CN111337872A (zh) 一种用于相干信源测向的广义doa矩阵方法
Chahrour et al. Improved covariance matrix estimation using Riemannian geometry for beamforming applications

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