自适应波束形成算法的研究

自适应波束形成是智能天线的关键技术,其核心是通过一些自适应波束形成算法获得天线阵列的最佳权重,并最终最后调整主瓣专注于所需信号的到达方向,以及抑制干扰信号,通过这些方式,天线可以有效接收所需信号。在实际应用中,收敛性,复杂性和鲁棒性的速度是在选择自适应波束形成算法时要考虑的主要因素。本文聚焦于最小均方(LMS)算法和样本矩阵求逆(SMI)的算法,分析了它们的性能,并在Matlab的帮助下将这两个算法应用于自适应波束形成。     

自适应波束形成采样矩阵求逆算法的改进

采样矩阵求逆(SMI)算法是自适应算法中的一个分类。由于该算法需要知道接收信号的波达方向角度,因此属于非盲算法。在现有采样矩阵求逆算法的基础上进行了2项改进,提出了对协方差矩阵进行信号子空间分解再加权的方法,有效改善了输出期望信号的主瓣增益和输出信干噪比;同时针对传统SMI算法无法应用于相干信号源的情况做了进一步改进,通过对相干信号进行解相关,解决了这一问题。     

LMS自适应波束形成方法研究

研究了最小均方误差（LMS）和归一化最小均方误差（NLMS）自适应波束形成方法的性能,分析了影响波束形成性能的因素,通过计算机仿真实验验证了搜索步长、迭代次数、快拍对波束形成性能的影响,并比较了两种方法的收敛速度、稳态误差和抗干扰性能。     

平面相控阵系统自适应数字波束形成技术

面阵是雷达系统的主要形式之一，文中主要研究平面相控阵系统的自适应数字波束形成算法。面阵系统所用阵元数多，数据量大，要实现DBF有很大难度，目前针对面阵DBF技术的研究也较少。文中介绍了基于面阵的SMI自适应DBF算法，该算法有较好的性能，适于大型阵列的处理实现。为了提高实时性，改善SMI算法的副瓣性能，常常采用对角加载（DL）技术。DL加载值的选择非常关键，对此也进行了详细的讨论，并提出对角加载不仅可以改善SMI算法的副瓣性能，还可以在一定程度上抑制阵列通道幅相起伏误差对算法性能的影响。     

自适应数字波束形成在MIMO雷达中的应用

MIMO雷达是近几年来发展起来的一种新体制雷达,由于采用空间分集与信号分集技术,相对于传统相控阵雷达在目标检测及参数估计性能都有很大提高。文中主要研究MIMO雷达的系统的自适应数字波束形成算法,介绍了基于MIMO雷达的SMI自适应DBF算法,该算法有较好的性能,易于实现。针对于空间中的有源干扰,从自由度的角度讨论分析了MIMO雷达处理系统中自适应模块的位置问题。     

皮智能天线中的LMS自适应波束形成研究

自适应波束形成是智能天线的核心技术,其主要思想是利用自适应算法调整阵列权向量,使天线主瓣指向有用信号,干扰方向对准零陷,尽可能地提高阵列输出所需信号的强度,同时减小干扰信号的强度,从而提高阵列输出的信噪比.运用MATLAB仿真对LMS算法收敛性能进行常规研究,但重点研究了收敛因子、阵元个数、阵元间距等阵列系统因素,以及阵列接收信号过程中两波束夹角对LMS自适应波束形成性能的影响,为进一步优化自适应波束形成的性能奠定了基础.     

几种自适应波束形成方法的对比

波束形成在无线通信、雷达、声呐等阵列系统中具有广泛应用。数字波束形成通常是基于接收信号的阵列响应和协方差矩阵的估计设计。由于天线增益、相位、波达方向(Direction-of-Arrival,DOA)和协方差矩阵估计的误差会导致导向矢量(Steering Vector,SV)产生模型失配,而这种模型失配会导致波束形成性能的下降。针对以上问题,给出了基于精度矩阵收缩估计的方法,采用了线性脊估计结构且用数据驱动和留一交叉验证来选择参数。通过Matlab仿真,研究了当存在模型不确定性时,基于精度矩阵收缩估计的方法以及基于协方差矩阵收缩估计和干扰加噪声协方差矩阵重构等方法的鲁棒性。结果显示,当存在模型失配时,基于精度矩阵收缩的波束形成方法在低信噪比时具有更优的鲁棒性。     

基于LMS算法的智能天线自适应波束形成研究

自适应波束形成是智能天线的核心技术,其主要思想是利用自适应算法调整阵列的权向量,将各阵元接收到的信号进行加权求和,把天线阵列形成的波束"导向"到一个方向上,使期望用户信号方向得到最大的增益,并相应地使干扰信号方向得到较低的增益,从而提高系统的性能。本文对智能天线中的自适应波束形成进行研究,运用MATLAB软件对固定步长和变步长LMS算法进行计算机仿真实验。仿真结果表明,基于LMS算法的自适应波束形成器能够形成符合要求的波束图,变步长的LMS算法均方误差收敛效果较好,收敛速度更快,具有较强的实用性。     

SMI-LSCMA盲自适应多波束形成算法研究

提出一种基于协方差矩阵求逆(SMI)和最小二乘恒模(LSCMA)的恒模阵列盲多波束形成算法。该算法由SMI算法决定LSCMA算法的初始权向量,充分利用SMI结合LSCMA算法的所有优点,在干扰信号较强时,确保权向量收敛至弱期望信号。并且有稳定的SINR输出,具有良好的信号分离提取性能。仿真结果证明了SMI-LSCMA算法具有较强的稳健型和较快的收敛速度。     

一种改进的稳健自适应波束形成算法

当快拍数较小时,自适应波束形成算法的性能将会降低,而对角加载算法是提高这类自适应波束形成算法稳健性的简单而有效的方法,但是至今没有一种比较有效的方法来确定对角加载值。本文提出了一种确定加载值的方法,这种方法在加载值和协方差矩阵的估计误差之间建立联系,它能够根据阵列的输出数据动态的调整加载值。计算机仿真证实了该算法的有效性。     

子空间重构的一类自适应波束形成算法

针对多维阵列的全维自适应波束形成算法运算量大和小样本条件下性能下降问题,该文提出采用子空间重构技术的自适应波束形成算法(SRC-BF)。该方法利用多维域的全维阵列数据可分维构造的特点,首先在训练样本集上估计分维阵列数据的信号子空间;然后基于张量积性质重构全维信号子空间并自适应剔除交叉项;最后采用子空间投影算法计算自适应加权矢量。理论分析和仿真结果表明该方法具有较低的运算复杂度,能有效提高自适应波束形成算法在小样本条件下的输出信干噪比。     

一种分解迭代二阶锥规划鲁棒自适应波束形成算法

为有效克服导向矢量大失配误差对自适应波束形成器的影响,该文提出了一种最差性能最优的分解迭代鲁棒自适应波束形成算法。该算法对非凸的幅度响应约束问题进行分解处理,将问题转化为迭代的二阶锥规划问题,从而可对鲁棒响应区的波束宽度和纹波水平进行自由控制,并可得到较高的输出信干噪比。此外,与现有大部分该类鲁棒波束形成方法相比,提出的算法直接对权矢量进行优化,无需使用谱分解算法,避免了阵列结构的限制,可适用于任意阵形。仿真结果验证了算法的正确性和有效性。     

基于小波树结构和迭代收缩的图像压缩感知算法研究

模型化压缩感知图像重构在标准压缩感知重构的基础上利用了小波树结构的先验知识,分别用贪婪树逼近和最优树逼近的方法求解重构优化问题。该文以模型化压缩感知重构中已有的小波树结构为基础,依据对大量自然图像小波系数关系的统计结果,提出了基于相邻系数、父系数与子系数之间统计相依关系的小波系数合理树结构,并结合小波系数合理树结构的思想,改进了普通迭代硬阈值压缩感知图像重构算法和基于最优树的模型化压缩感知图像重构算法。实验结果表明,该文算法能获得更高的图像重构质量。     

一种改进的波束形成算法

论文分析研究了最陡下降恒模算法（SDCMA）在波束形成应用中收敛稳定性好和最小二乘恒模算法（LSCMA）收敛速度快的特点,将两种算法以新的方式相结合,吸收二者的优点,提出了一种基于预解扩判决反馈盲波束形成组合算法（SD—LSCMA）。通过和传统算法在相同环境下进行MATLAB仿真比较,结果表明,文中提出的算法具有更好的抗强多址干扰性能。     

基于色噪声背景下的自适应波束形成研究

色噪声环境下自适应波束形成技术能有效适应阵列天线系统的实际应用场景。首先分析了色噪声环境下自适应波束形成技术性能,重点研究了有限次快拍下自适应波束畸变产生的原因,其次,在已知噪声协方差情况下,通过对噪声相关矩阵的改进设计,降低了色噪声协方差矩阵对自适应波束形成影响。计算机模拟仿真结果表明:提出的自适应波束形成算法在色噪声环境下具有较好的波束保形能力。     

MIMO系统中一种自适应的迭代检测译码算法

针对常用的非穷尽列表形式后验概率检测算法直接采用恒定且较大的列表长度,导致列表冗余度大的问题,该文提出了一种自适应长度的列表球形译码算法(Adaptive Size List Sphere Decoding, ASLSD)。在算法中通过更新检测半径和设置停止条件,使检测列表长度可随信噪比和迭代次数自适应变化。而且通过将列表操作与LSD (List Sphere Decoding)检测相结合,避免了符号序列在不同半径下的重复检测。仿真表明,在较小性能损失的前提下,该算法可以大大减小所需检测列表的长度,进而有效降低接收机的复杂度。     

TD-SCDMA系统中智能天线的重复迭代自适应算法

提出一种用于TD-SCDMA系统的重复迭代自适应智能天线算法。通过在自适应算法中把阵列输入信号和作为参考信号的训练序列重复使用,可以在短训练序列情况下实现较好的收敛,提高通信系统的传输效率。对LMS算法中全训练序列重复迭代和滑动窗口重复迭代算法进行了仿真,结果表明,在有限训练序列时本算法比传统LMS算法更好地逼近最佳解。     

智能天线的波束形成算法与实现

提出了一种基于遗传算法的波束形成方法。该方法具有很好的收敛性,与传统的LMS算法相比,遗传算法具有良好的全局搜索能力,对于复杂的搜索空间,能快速地找到最优解。利用FPGA进行空域滤波,通过DSP浮点运算,高效地实现权值估计,避免高位加法进位影响权值速度,使得智能天线波束形成算法的实现简便易行。     

稳健收敛的时差定位迭代算法

为实现目标精确定位,减少初始值对目标定位精度产生的影响,该文提出了一种稳健收敛的时差定位迭代算法。该算法利用最大似然方法确定目标函数,运用牛顿法对目标位置进行迭代求解,对于计算过程中可能出现的病态 Hessian 矩阵,运用正则化理论构造一个对称正定的 Hessian 矩阵,使算法能够稳健高效的运行。实验结果表明：相对于传统牛顿法,本文算法在初始值的选取上具有稳健性,对误差选取较大的初始值,仍能够保证算法的收敛性,相对于现有闭合式定位方法,本文算法在噪声较大时具有较好的定位精度。     

Time Series Segmentation Using a Novel Adaptive Eigendecomposition Algorithm

In this paper we present a new technique for time series segmentation built around a fast principal component analysis (PCA) algorithm that is on-line and stable. The traditional Generalized Likelihood Ratio Test (GLRT) has been used to solve the segmentation problem, but this has enormous limitations in terms of complexity and speed. Newer methods use gated experts and mixture models to detect transitions in time series. These techniques perform better than GLRT, but most of them require extensive training of relatively large neural networks. The segmentation method discussed in this paper is based on a novel idea that involves solving the generalized eigendecomposition of two consecutive windowed time series and can be formulated as a two-step PCA. Thus, the performance of our segmentation technique mainly depends on the efficiency of the PCA algorithm. Most of the existing techniques for PCA are based on gradient search procedures that are slow and they also suffer from convergence problems. The PCA algorithm presented in this paper is both online, and is proven to converge faster than the current methods.