最小方差谱估计算法的改进及应用

最小方差谱估计方法（MVM）是声纳信号波达方向估计中一种十分重要的方法,然而工程实际应用中在小快拍数和低信噪比的场合最小方差谱估计方法的估计性能会受到很大影响。提出的基于时空相关信号协方差矩阵的最小方差谱估计算法（MVM Based on Time-Space Correlation Matrix）利用噪声在空间和时间上的相关性比较弱的特点大大改善了MVM在小快拍数和低信噪比场合的估计性能。基于时空相关信号协方差矩阵的最小方差谱估计算法应用到浅水高分辨率测深侧扫声纳的波达方向估计中,取得了比原始信号协方差矩阵的最小方差谱估计算法更好的效果。算法中的时空相关信号协方差矩阵构成方法在波达方向估计中有广泛的应用价值。     

基于Kalman滤波的自回归滑动平均信号信息融合Wiener滤波器

应用Kalman滤波方法,在按矩阵加权线性最小方差最优信息融合规则下,提出了带白色观测噪声的多通道ARMA信号的多传感器信息融合Wiener滤波器.它可统一处理信息融合滤波、平滑和预报问题.为了计算最优加权阵,提出了计算局部滤波误差互协方差阵的公式.同单传感器情形相比,可提高估计精度.一个带三传感器的目标跟踪系统的仿真例子说明了其有效性.     

一种简化特征空间稳健自适应波束形成算法*

在基于特征空间(ESB)的自适应波束形成算法中,针对当指向误差落在波束主瓣的边缘特定角度时,输出信干噪比下降,且信号子空间需要进行费时的特征值分解的问题,提出了改进线性约束最小方差(LCMV)算法。在假定的期望信号方向附近减少一个方向性约束条件,并基于信号特征值大于噪声特征值的这一特性, 利用空间协方差矩阵逆的高阶次幂来逼近信号子空间,无须特征分解,将求得的权矢量向改进的信号子空间投影。该方法能够大大减少计算量,同时还显著提高了自适应波束形成稳健性。通过仿真分析及结果比较验证了算法的正确性和有效性,因此从     

基于改进加权空间平滑的凸优化协方差估计

针对相干信号受到非均匀噪声的干扰,在低信噪比环境中常规DOA估计存在估计效果较差甚至失效的情况,基于改进加权空间平滑,提出一种使用凸优化构造最优权重矩阵的方法。改进加权空间平滑算法解相干的同时构造权重矩阵,再用凸优化重构无噪声权重矩阵,将平滑过的协方差矩阵加权,并用MUSIC算法进行DOA估计。仿真结果证实,所提方法相对于空间平滑（spatial smoothing,SS）、基于特征空间MUSIC的空间平滑估计（spatial smoothing and eigen space based MUSIC,SS-ESMUSIC）以及接收信号协方差矩阵秩最小化（spatial smoothing based covariance rank minimization,SS-CRM）算法能更好地抑制非均匀噪声和解相干,且减少了低信噪比的干扰,展现出更优良的分辨力和准确性。     

时滞系统的多源数据融合卡尔曼滤波器研究

对于带观测时滞的线性离散时变随机控制优化问题,提出了观测变换方法,把带观测时滞状态空间模型等效地转换为无观测时滞的状态空间模型,接着应用卡尔曼(Kalman)滤波方法,在线性最小方差最优融合准则下,给出按矩阵、按对角阵和按标量加权三种最优信息融合卡尔曼(Kalman)滤波器,可分为局部最优全局次优的.融合器的精度高于每一个局部Kalman估值器的精度.可以减少用增广状态方法计算负担大的缺点.为了计算最优加权,给出了计算局部估计误差互协方差公式.对于带观测时滞的三传感器目标跟踪系统的Monte Carlo仿真例子证明了算法的有效性.     

广义系统Kalman融合器的研究

研究带自回归滑动平均(ARMA)有色观测噪声的多传感器广义离散随机线性系统,根据Kalman滤波方法和白噪声估计理论,在线性最小方差信息融合准则下,应用奇异值分解和增广状态空间模型,为了提高融合器的精度,提出了按矩阵加权降阶稳态广义Kalman融合器,可统一处理稳态滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。并提出最优加权系数的局部估计误差方差和协方差阵的计算公式。用一个Monte Carlo数值仿真实例说明了所提方法的有效性。     

多模型多传感器信息融合Kalman平滑器

基于标量加权的线性最小方差最优信息融合算法,对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合固定滞后Kalman平滑器.它只需计算加权标量系数,可减小在融合中心的计算负担.当各子系统存在稳态滤波时,又给出了标量加权信息融合稳态平滑器,它计算量小,便于实时应用.并给出了两个子系统之间的平滑误差互协方差阵的计算公式.仿真例子验证了其有效性.     

按对角阵加权信息融合Kalman滤波器

为了克服按矩阵加权信息融合非稳态Kalman滤波器的在线计算负担大的缺点,和按标量加权融合Kalman滤波器精度较低的缺点,应用现代时间序列分析方法,提出了按对角阵加权的线性最小方差多传感器信息融合稳态Kalman滤波器.它等价于状态分量按标量加权信息融合Kalman滤波器,实现了解耦信息融合Kalman滤波器.它的精度和计算负担介于按矩阵和按标量加权融合器两者之间,且便于实时应用.为了计算最优加权,提出了计算稳态滤波误差方差阵和协方差阵的Lyapunov方程.一个三传感器的雷达跟踪系统的仿真例子说明了其有效性.     

基于对称谱的宽带相干信号快速DOA估计

针对聚焦类宽带信号方位估计算法运算量较大的问题,提出了一种快速算法。首先利用矩阵的Toeplitz化重构,不用对阵列进行子阵分割,就可实现宽带信号的解相干;然后根据接收数据协方差矩阵的厄尔米特特性,利用酉变换将复数矩阵映射为实数矩阵,通过在实数域特征分解,降低了特征分解的计算复杂度;最后通过投影子空间正交技术,利用噪声子空间和共轭噪声子空间重新构造空间谱,根据谱对称性,在半谱内搜索即可得到信号的角度,同时使谱峰搜索的运算量降低了一半。理论分析及仿真结果表明,新算法无需聚焦运算,精度较高,运算量小,对宽带相干信号有效。     

一种改进的信号子空间聚焦宽带DOA估计算法

信号子空间聚焦（FSS）算法可实现宽带相干信号的波达方向（DOA）估计,但其在短快拍条件下存在估计精度差、分辨率低的问题。提出一种改进的信号子空间聚焦（MFSS）算法。根据波长间隔与阵元间距的匹配度选取最佳参考频点及子频带,通过Hankel矩阵奇异值分解重构子频带的协方差矩阵,并利用信号子空间聚焦法构造聚焦协方差矩阵,使用Root-正交传播算子实现DOA估计。实验结果表明,相比FSS、MTOPS、LR-MUSIC算法,MFSS算法复杂度较低,能够有效提高估计精度和速度。     

宽线性波束形成技术综述

在圆信号的假设条件下,传统的线性波束形成技术仅仅利用了天线阵列观测矢量的协方差矩阵。然而,现代通信领域中的很多人工调制信号具有非圆特性,观测矢量不仅存在协方差矩阵,还存在伪协方差矩阵。宽线性波束形成技术是针对非圆信号环境提出的一类新技术,该类技术通过构造一个包含天线阵列观测矢量及其共轭的扩展观测矢量,建立有利于特定方向信号接收的目标函数及约束,推导出相应的扩展权重矢量。同传统线性波束形成技术相比,宽线性波束形成技术对非圆信号的接收性能有了明显提升,近年来,该类技术成为国内外研究热点之一。本文介绍了圆信号和非圆信号定义,给出了阵列模型并介绍了最小方差无畸变响应波束形成,对各种宽线性波束形成算法进行了综述,并对宽线性波束形成技术的下一步研究方向进行了展望。     

Low complexity robust adaptive beamforming for general-rank signal model with positive semidefinite constraint

We propose a low complexity robust beamforming method for the general-rank signal model, to combat against mismatches of the desired signal array response and the received signal covariance matrix. The proposed beamformer not only considers the norm bounded uncertainties in the desired and received signal covariance matrices, but also includes an additional positive semidefinite constraint on the desired signal covariance matrix. Based on the worst-case performance optimization criterion, a computationally simple closed-form weight vector is obtained. Simulation results verify the validity and robustness of the proposed beamforming method.     

一种改进的可变对角加载自适应波束形成算法

由于观测方向误差的存在,使得实际获得的方向向量与其理论值产生偏差,进而对各类自适应波束形成算法性能造成较大影响。为此提出一种有效的对角加载自适应波束形成算法,首先利用目标信号的方向向量在噪声子空间中投影最小的原理,对带有误差的方向向量进行校正,然后再使用可变对角加载原理求得对角加载因子,对实际获得的自相关矩阵进行对角加载后,形成自适应波束,从而很好地消除了方向向量误差造成的影响。算法能够有效克服目标信号对消现象,并具有良好的保形能力和快速收敛的特点。计算机仿真结果验证了这些优点。     

基于子矩阵波束形成输出直流响应加权的目标检测方法

针对同一单频带内未知目标检测中强、弱目标不能同时被检测问题,依据不同子矩阵波束形成输出直流响应值不同,提出一种基于子矩阵波束形成输出直流响应加权的目标检测方法。首先,利用特征分析技术对线列阵接收数据协方差矩阵进行特征分解;然后,对各特征向量进行共轭相乘得到相应子矩阵,并对子矩阵进行波束形成,利用各子矩阵波束形成输出直流响应值的差异形成加权因子;最后,利用该加权因子对各子矩阵波束形成输出结果进行加权统计得到最终合成结果,提升弱目标子矩阵波束形成输出结果在最终合成结果的比重,实现对同一单频带内未知目标的有效检测。理论分析、数值仿真和实测数据处理结果均证明了,在仿真条件下,相比常规波束形成和常规子空间重构法,所提方法使弱目标子矩阵波束形成输出结果在最终合成结果的比重由0.09%变为45.36%,降低了背景噪声和强目标对未知目标检测的影响,减小了目标间输出直流响应值的差异,改善了对同一单频带内未知目标的检测性能。     

Pulse-order recursive method for inverse covariance matrix computation applied to space-time adaptive processing

The conventional space-time adaptive processing(STAP) method such as the typical sample matrix inversion(SMI)-based STAP method is difficult to implement for a practical system because intense computational complexity arises in calculating the inversion of a space-time covariance matrix directly.According to the block Hermitian matrix property of space-time covariance matrix,a new pulse-order recursive method is proposed in this paper to calculate the inverse covariance matrix for the STAP adaptive weight,which can reduce the computational complexity significantly.The proposed method requires initially calculating the inverse covariance matrix of the first pulse-order recursively based on the block Hermitian matrix property.In the following,the inversion of space-time covariance matrix is obtained recursively based on the previous pulse-order inverse covariance matrix.Next,the STAP adaptive weight is calculated based on the inversion space-time covariance matrix previously obtained.Compared with the conventional SMI-based STAP algorithms,the computational complexity of the proposed method is reduced to more than 50% for the same clutter suppression performance.This method can be applied to practical systems benefiting from small computational complexity and stable clutter suppression performance.     

最小p范数准则α谱估计及载波频率检测

针对共变系数矩阵和分数低阶协方差矩阵估计ARSαS信号α谱精度不高的情况,提出了一种最小p范数准则的α谱估计方法。该方法对传统的奇异值分解（SVD）方法估计ARSαS信号模型最小阶数进行改进,得到一种分数低阶的奇异值分解方法（FLO-SVD）,然后利用最小p范数准则和IRLS算法求出信号模型参数,用于作α谱估计。应用于脉冲噪声环境下的QPSK信号的仿真表明,改进后的方法对α谱有更好的估计,对载波频率有更准确的检测性能。     

基于干扰噪声矩阵重构的自适应波束形成算法

针对在自适应波束形成中,当采样次数较少或期望信号导向矢量存在误差以及训练数据中含有期望信号成分时导致波束输出信干噪比(SINR)下降的问题,提出了一种重构干扰噪声协方差矩阵并且估计期望信号导向矢量的稳健自适应波束形成方法。在期望信号波达方向的角度范围已知的条件下,首先利用多重信号分类（MUSIC）空间谱在不含期望信号的区域重构出干扰噪声协方差矩阵;然后推导了避免期望信号的导向矢量的估计值收敛到任一干扰的导向矢量或它们的线性组合的约束条件;进而以此约束条件和阵列输出功率最大化条件建立了期望信号导向矢量估计的优化问题,并使用凸优化软件估计出最优的期望信号导向矢量。讨论了该方法的计算复杂度并通过仿真实验验证了其有效性和优越性。仿真结果表明,当期望信号和干扰源存在随机指向误差和局部散射的情况下,所提方法在很大的输入信噪比范围内的输出信干噪比仍接近理论值,优于其他自适应波束形成方法。     

安全能量效率优化的传感器网络传输研究

研究了射频无线充能传感器网络通信系统的安全传输及能量效率问题,针对传感器网络能量受限而无线通信容易被窃听的问题,利用物理层安全技术,提出了一种两阶段的安全传输协议。通过联合优化发送功率、射频能量协方差矩阵、敏感信息波束成型以及协作干扰协方差矩阵,使得传感器网络的安全能量效率达到最大。针对所提出的非凸问题,利用Dinkelbach方法将包含分式形式的目标函数简化,利用连续参数凸近似方法将非凸问题转化为可解形式,进而使用收敛迭代算法得到原问题的近似最优解。仿真结果表明,与对比方案相比,提出的传输方案可以在保证安全通信的基础上有效提高安全能量效率。     

一种低复杂度的鲁棒自适应波束形成算法

传统基于干扰噪声协方差矩阵（interference-plus-noise covariance matrix,INCM）重构的鲁棒自适应波束形成（robust adaptive beamformer,RAB）算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性,但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计,这带来了很高的计算复杂度。为了解决这个问题,提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和,然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解,得到误差项的模值,以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在,使用交替投影法估计得到期望信号的导向向量,最后得到所提算法的权重向量。仿真实验表明所提算法在多种误差环境下具有较强鲁棒性的同时,还具有较低的计算复杂度。