法律状态公告日
法律状态信息
法律状态
2019-09-20
授权
授权
2016-12-07
实质审查的生效 IPC(主分类):G01S7/539 申请日:20160709
实质审查的生效
2016-11-09
公开
公开
技术领域
本发明涉及智能天线技术领域,尤其涉及一种基于对角加载的自适应波束形成算法。
背景技术
水下声成像技术主要用于水下目标探测与搜索,水底地貌绘制,海底沉船、救援、黑盒子打捞等众多军事和民用领域。已经在国防和民用领域取得广泛的应用。为了实现一定距离下水下目标的高清晰声成像目的,就必须研究复杂水声环境下的稳定成像技术,并且同时要满足一定的成像帧率和较远的作用距离。这就要求在研究水声成像的自适应波束形成算法时,不仅也需要考虑鲁棒性问题,也要尽量提高系统的输出信噪比,同时减小自适应波束形成算法的运算量。
自适应波束形成技术通过调整权重向量来改变阵列的方向图,使波束主瓣对准期望信号,旁瓣和零陷对准干扰信号,从而提高输出的信干噪比,以实现某准则下的最佳接收。
LMS自适应波束形成算法是一种结构简单、算法复杂度低、易于实现和稳定性高的波束形成方法。但一直因为其收敛速度较慢,在工程应用上受到一定程度的限制。为此,各学者相继以不同的调整策略:瞬时误差、权矢量的前向预测以及平滑梯度矢量等,提出变步长的LMS算法来平衡收敛速度和算法失调。虽然在平衡收敛速度和失调方面优于经典LMS算法,但应对突变能力较差。
作为判断最佳接收的准则之一,均方误差(MSE)性能量度由威德鲁等人提出。并由Wiener、Hopf推导出最优的维纳解。经典LMS算法正是在MSE准则的基础上,运用最优化方法如:最速下降法、加速梯度算法等迭代运算出最优权向量的。
基于以上所述,本文提出一种基于MSE准则和对角加载技术的鲁棒自适应波束形成算法。在该算法中,通过在采样协方差矩阵对角线上人工注入白噪声,即对角加载,重构采样协方差矩阵。然后运用矩阵求逆引理,避免矩阵求逆运算和迭代运算,而且将对角加载系数转化为LMS算法步长因子的函数。仿真结果表明此算法不仅能有效降低收敛时间,并在高、低信噪比环境下能都表现出较好的性能,有较好的鲁棒性。
发明内容
为了改进现有自适应波束形成方法在收敛速度上偏慢的缺点,突破采样频率限制,获得更精准的权重方向向量,本发明的第一目的是在LMS算法和MVDR的基础上避免循环迭代和矩阵求逆运算,缩短算法收敛时间,使其能很好地在工程中得到应用。该方法可以在形成自适应波束中通过重构采样协方差矩阵,并在此基础上应用矩阵求逆引理,从而避免了求逆运算和迭代运算,具有较好的指向性能和干扰抑制能力。
本发明的第二目的在于为减小各种误差导致的副瓣电平升高、主瓣便宜、波束畸变、SINR下降等问题,将对角加载技术引入自适应波束形成中,并给出了确定加载系数的公式。该方法实现简单,有利于减少波束形成过程中的偏差,提高波束形成的准确性和稳健性。
为实现上述目的,本发明提供一种基于对角加载的自适应波束形成算法,所述方法包含如下步骤:
步骤1:考虑平面空间的等距均匀线阵,设阵元数为M,阵元间距为d,其中d=λ/2(λ为阵列接收单元接收信号的波长),假设有L个信源回波(M>L),设波达方向为θ1,θ2,...,θL,以阵列的第一个阵元作为基准点,则在第k次快拍的采样点m处的采样值为:
>
式中nm(k)表示第m个阵元上的噪声,si(k)表示各信源回波在基准点的基带信号。步骤2:各阵元在快拍k时刻接收到的信号分别为X1(k),X2(k),…,XM(k),即:X(k)=[X1(k),X2(k),...,XM(k)]T,此为阵列输入矢量。得到协方差矩阵估计值为
步骤3:在时域中,阵列输出为
y(t)=ωTX(t)(2)
参考信号d(t)与实际输出信号的误差为
ε(t)=d(t)-y(t)=d(t)-ωTX(t)(3)
对(3)式求平方可得
ε2(t)=d2(t)-2d(t)ωTX(t)+ωTX(t)XT(t)ω(4)
对上式两边取数学期望可得
>
式中
E{ε2(t)}=S-2ωTRxd+ωTRxxω(6)
适当选择权重向量ω可使E{ε2(t)}达到最小。可知式(6)是ω的二次函数,该函数的极值是一个最小值,由式(6)对权重向量求梯度并令其为零,求出使E{ε2(t)}最小的ω值,得到权重向量的最优值满足下式:
>
步骤4:在波束形成算法方面,LMS算法作为常步长LMS算法,其权向量的迭代 公式可表述为:
>
为了克服矩阵求逆等运算,LMS算法采用最陡下降法求解式(8),得到LMS算法的迭代公式
ω(k+1)=ω(k)+μX(k)e*(k)(9)
式中,μ为步长因子,可以控制自适应的速率。通过分析可知,μ步长因子的取值范围满足关系:
步骤5:在增强自适应波束形成器的鲁棒性方面,对角加载技术被用于抑制方向图畸变。在本文所依据的信号模型基础上,实际计算采样协方差矩阵Rxx是由K次采样信号得到的估计值
>
所代替,则
>
将对角加载技术运用到LMS算法的权向量计算中,得到
>
引理:令矩阵A∈Cn×n的逆矩阵存在,并且x,y是两个n×1维向量,使得(A+xyH)可逆,则
>
将其推广为矩阵之和求逆公式,即为:
(A+UBV)-1=A-1-A-1UB(B+BVA-1UB)-1BVA-1
=A-1-A-1U(I+BVA-1U)-1BVA-1(14)
因为采样协方差
>
式中,U为特征向量矩阵,Λ=diag(γ1,γ2,...,γM),γi为
根据上述矩阵求逆公式可以推导出
>
由式(10)可知
>
然后将式(17)代入结果(12)中,则:
>
式中α表示加载系数,定义:
最后,输出自适应波束为
y(k)=ωoptTX(k)(19)
本发明的有益效果是:通过在采样协方差矩阵对角线上人工注入白噪声,即对角加载,重构采样协方差矩阵。然后运用矩阵求逆引理,推导出一种鲁棒 的自适应波束形成算法。重构后的采样协方差矩阵满足矩阵求逆引理的条件,推导出的权向量公式避免了矩阵求逆和循环迭代,实现了快速收敛的目的。同时,重构的采样协方差矩阵引入了对角加载因子,使得该算法的具有一定的鲁棒性。通过实验的验证,该算法可以同时应用在低信噪比和高信噪比的各种复杂环境中,并且在收敛速度和输出信噪比上相对传统的MVDR和LMS算法有很大的提升,使其可以应用在水声成像的复杂环境中,从而保证了成像的稳定性和成像的帧率。
附图说明
图1流程图。
图2低信噪比(-3dB)环境下各自适应波束指向图。
图3高信噪比(30dB)环境下各自适应波束指向图
图4高信噪比(40dB)环境下各自适应波束指向图
图5低信噪比(-3dB)对角加载因子对波束形成的影响图
图6高信噪比(40dB)对角加载因子对波束形成的影响图
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
图1是本发明算法的流程图,如图所示:本发明提供的一种基于对角加载的自适应波束形成方法,包括以下步骤:
S1:均匀线阵各阵元对信号进行采样X(k);
S2:对采样信号求其采样协方差矩阵
S3:利用对角加载技术对采样协方差矩阵进行重构
S4:结合最小均方误差(MSE)准则,计算出方向权向量的最优解
S5:将得到的方向权值对采样信号数据进行加权求和,得到自适应波束信号y(k)=ωoptTX(k)。
具体实施步骤:
步骤1:根据本算法依据的信号模型,第k次快拍的采样点m的采样值为:
>
各阵元在快拍k时刻接收到的信号分别为X1(k),X2(k),…,XM(k),即:X(k)=[X1(k),X2(k),...,XM(k)]T;
步骤2:得到协方差矩阵估计值为
>
做为样本协方差矩阵的估计;
步骤3:将对角加载技术运用到算法的权向量计算中,得到
>
步骤4:将
>
将式(17)代入结果(12)中,则:
>
式中α表示加载系数,使其满足关系式:
步骤5:将得到的方向权值对采样信号数据进行加权求和,得到自适应波束信号y(k)=ωoptTX(k)。
为了验证该算法的有效性,利用MATLAB仿真工具进行算法仿真。仿真实验采用由16个阵元组成的均匀线阵,阵元间隔为半个波长。假设期望信号和干扰的波达方向分别为0°和40°,并且期望信号和干扰互不相干。噪声均值为0,方差为1的加性高斯白噪声。在仿真实验中,将本文提出的算法DL-MSE与经典的LMS算法、MVDR算法进行对比分析。采样数均为500,LMS算法的迭代次数也为500。μ=0.0005,λ=0.5。
实验1:在该实验中,验证各种算法在低信噪比环境下的指向性能,取SNR=-3dB。结果如图2所示,在低信噪比的情况下,LMS算法性能严重失调,跟踪效果变得很差。而本文提出的算法DL-MSE和MVDR算法的效果比较接近,性能良好。在干扰方向上,DL-MSE算法稍差于MVDR算法。
实验2:在该实验中,验证各种算法在高信噪比环境下的指向性能,取SNR分别为30dB、40dB。结果如图3、图4所示,在高信噪比的情况下,MVDR算法性能严重失调,而本文提出的算法DL-MSE算法和LMS算法的性能比较稳定。在干扰抑制上,DL-MSE算法稍优于LMS算法,都能在干扰方向上形成零陷。随着SNR的升高,对比图3和图4可以发现DL-MSE算法和LMS算法都表现出较好的性能,能保持稳定的跟踪指向性能。对比Cox等提出的对角加载方法,本文提出的方法解决了在较高信噪比(SNR)条件下,采用对角加载方法的自适应波束形成器有较严重的性能衰落。
实验3:在本文提出设计的自适应波束形成算法中,作为对角加载的系数,α和LMS算法步长因子之间满足线性关系。当系数λ取不同值时,加载系数随之发生变化。图5、图6说明了在低信噪比(-3dB)和高信噪比(40dB)两种情况下λ取不同的值时,DL-MSE算法的性能变化。在低信噪比时,加载系数越大,算法对噪声的抑制效果越好,并在干扰方向上的形成较深的零陷。而在高信噪比的环境中,算法性能对加载系数的变化不敏感,但也同样能在干扰方向上形成较好的零陷。
在算法的收敛速度上,本文提出的算法由于避免了MVDR算法的矩阵求逆运算和LMS算法循环迭代更新权向量,所以在收敛速度上相对MVDR算法和LMS算法都有一定的优势,表1列出了在采样500次或者LMS迭代500次的情况下,自适应波束收敛情况。从表1对比可知,通过采样后进行协方差矩阵求逆运算得到权向量的MVDR和通过循环迭代的LMS算法在收敛速度上差距不大。而本文提出的DL-MSE算法在收敛速度上有很大的优势,说明本发明的算法可以被应用在实时性要求较高的场合中。
表1 各自适应波束权向量形成时间对比
最后说明的是,以上所述仅为本发明的较佳实例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改,等同替换和改进等,均应包含在本发明的保护范围之内。
机译: 频域自适应波束形成算法的基于数据的信号定义
机译: 盲自适应波束形成算法
机译: 具有字符替换的磁盘检查功能磁盘检查算法,该算法应用了一种基于彼此替代的字符的优先级以及相关联的手持式电子设备