自适应波束形成及算法

第3章自适应波束形成及算法（3.2自适应波束形成的几种典型算法）3.2自适应波束形成的几种典型算法自适应波束形成技术的核心内容就是自适应算法。目前已提出很多著名算法，非盲的算法中主要是基于期望信号和基于DOA的算法。常见的基于期望信号的算法有最小均方误差（MMSE）算法、小均方（LMS）算法、递归最小二乘（RLS）算法，基于DOA算法中的最小方差无畸变响应（MVDR）算法、特征子空间（ESB）算法等[9]。3.2.1基于期望信号的波束形成算法自适应算法中要有期望信号的信息，对于通信系统来讲，这个信息通常是通过发送训练序列来实现的。根据获得的期望信号的信息，再利用MMSE算法、LMS算法等进行最优波束形成。1．最小均方误差算法（MMSE）最小均方误差准则就是滤波器的输出信号与需要信号之差的均方值最小，求得最佳线性滤波器的参数，是一种应用最为广泛的最佳准则。阵输入矢量为：1()[(),,()]TMxnxnxn（3-24）对需要信号()dn进行估计，并取线性组合器的输出信号()yn为需要信号()dn的估计值ˆ()dn，即*ˆ()()()()HTdnynwxnxnw（3-25）估计误差为：ˆ()()()()()Hendndndnwxn（3-26）最小均方误差准则的性能函数为：2{|()|}Eet（3-27）式中{}E表示取统计平均值。最佳处理器问题归结为，使阵列输出()()TynwXn与参考信号()dt的均方误差最小，即：2{|()|}MinEet（3-28）式（3-28）也就是求最佳权的最小均方准则。由式（3-26）～（3-28）得：2*{|()|}{()()}EetEenen2{|()|}2Re[]THxdxxEdnwrwRw（3-29）其中，Re表示取实部，并且：[()()]HxxRExnxn（3-30）为输入矢量()xn的自相关矩阵。*[()()]xdrExndn（3-31）为输入矢量()xn与需要信号()dn的互相关矢量。一般而言，是通过确定向量函数的梯度的零点而使该函数最小的。一个复向量函数的梯度定义为：)()()()()(1010（3-32）其中，iiijbaw。由此定义可以发现0)(2)(2)(wcccwAwAwwHHH（3-33）关于权矢量求梯度，得到梯度算子：2((()))22wEtrRW（3-34）令梯度算子为零，可以得到最小均方误差准则下的最佳权矢量optW应该满足的方程为：xxoptxdRWr（3-35）式（3-34）称为正规方程（NormalEquation）。若xxR满秩，则有1optxxxdWRr（3-36）我们经常把此最佳权矢量称为维纳解,亦即利用MMSE得到的阵列天线的最优权向量。2．最小均方算法（LMS）最小均方算法（LMS）是B.Widrow和Hoff于1960年提出的。由于实现简单且对信号统计特性变化具有稳健性，所以应用非常广泛。LMS算法是基于最小均方误差准则（MMSE）的维纳滤波器和最陡下降法提出的，约束的LMS算法在每步迭代中对加权有约束。无约束的LMS算法则在每步迭代中无约束，由于未知信号方向，其利用一个参考信号更新加权。该算法以瞬时量代替统计平均量，故只在统计平均的意义下才与最速梯度下降法等效，其解与后者相比也呈现不同程度的波动。尽管如此LMS算法仍以其简单的原理和较少的计算量受到重视，在自适应领域中占有重要地位。对于实时无约束的LMS利用参考信号计算加权向量：(1)()(())wnwngwn（3-37）其中是正常数，即步长，控制算法的收敛特性；(())gwn是梯度的无偏估计。2(())[|(1)|]()()2()HHMSEnErnnRwnnz步迭代后，有：()()|2()2nMSERwnz（3-38）其中[()()],()zExnrnrn是在时刻n得到的期望信号的估计。注意第1n步的阵列输出利用了第n步所得的权向量和新的阵列数据(1)xn，即()()(1)Hynwnxn。通常将R和z用估计值替代，第n+1步迭代的梯度为：(())2(1)(1)()2(1(1)Hgnnnnnrnwxxwx)2(1)(())nnxw（3-39）其中(())wn是阵列信号与参考信号间的误差，即(())()(1)(1)Hwnwnxnrn。设max为R的最大特征值，当max1时，算法是稳定的，权的平均估计收敛于最佳权。总的来说，LMS算法是数字信号处理中最经典的算法之一。它的主要优点就是能够稳定收敛，而且结构简单，实现方便。但是主要缺点是收敛速率问题。算法性能对阵列信号协方差矩阵的特征值分布很敏感，当特征值散步范围较大时（即存在一个强干扰信号或其它一些弱干扰信号），算法收敛速度很慢。3．递归最小二乘算法（RLS）LMS算法的收敛依赖于R的特征值。在R的特征值扩展较大时，算法收敛较慢。这个问题在递归最小二乘算法（RLS）中可以得到解决。在LMS算法中，将第n步迭代时的步长μ用一个增益矩阵1()Rn取代，得到加权的更新为：1*()(1)()()((1))wnwnRnxnwn（3-39）其中000()(1)()()()()nHnkHkRnRnxnxnxkxk（3-40）0是比1小但接近于1的实数（常称为遗忘因子），用于对过去数据指数加权，使迭代趋向于降低过去取样数据的重要性。3.2.2基于DOA的波束形成算法基于波达角（DOA）估计的波束形成算法的基本思想就是需要预先知道期望信号的DOA，从而获得其导向矢量。根据期望信号的导向矢量，可以采取MVDR算法、特征子空间法等进行最优波束形成。1．最小方差无畸变响应算法（MVDR）采用在通信、雷达信号处理中具有重要应用的最小输出能量（minimumoutputenergy,MOE）准则来设计权向量w。采样后的信号都以离散的形式表示，考虑使N次快拍的输出能量的平均值最小，即221111min|()|min|()|NNHnnynnNN（3-41）观测信号向量()nx的样本自相关矩阵ˆxxR为：11ˆ()()NHxxnnnNRxx（3-42）则式（3-41）对应的准则可以变换成：21111min|()|min(()())NNHHnnynnnNNwR（3-43）当N时，则可以得到：2211{|()|}lim|()|NHxxNnEynynwRwN（3-44）将式（3-44）离散化后带入上式可得：2{|()|}Eyn2222221{|()|}|()|{|()|}|()|||JHHddiiiEsnEsnwawaw（3-45）从上式可以看出，第一项为期望信号，第二项为干扰信号之和，第三项为加性噪声项。此时如果权向量w满足约束条件：()()1HHddwaaw（波束形成）（3-46）()0,(1,,)HiwaiJ（零陷形成）（3-47）则波束形成器将只会提取期望信号，而拒绝所有其它干扰信号。因此，最佳波束形成器的设计变成了在上述约束条件下使输出能量2()Eyn最小化。用Largange算法求解该优化问题。根据式（3-42）和式（3-45）构造目标函数()Jw：()[1()]HHxxdJwwRwwa（3-48）令()/0Jww，可求得：1()optxxdwRa（3-49）将上式求得的optw代入波束形成约束条件式（3-45），可求得：11()()HdxxdaRa（3-50）再将求得的的值代入式（3-46），可得到最终使输出能量最小化的最佳波束形成器为：11()()()xxdoptHdxxdRawaRa（3-51）2．特征子空间法算法（ESB）设有L个干扰以JLJ,,1方向，一个期望信号以d方向入射到M元阵，假设信号源数L+1M，重新表示阵输入矢量为：()()()()()JddnnsnnxAJan()()nnAsn（3-52）式中1()[(),(),,()]TdLnsnJnJns（3-53）为期望信号和干扰信号构成的信号矢量。1[()(),,()]dJJLAa,aa（3-54）为(1)ML维方向矢量矩阵。MM维输入矢量相关矩阵可表示为：2{()()}HHxxsEnnRxxARAI（3-55）设(1)ML，则xxR有（L+1）个大特征值和(1)ML个等于2的特征值：022121MLL（3-56）相应的M个归一化正交特性矢量1,,Mqq：1{0Hijqqjiji（3-57）式中11,,L为信号（期望和干扰信号）产生的特征值，相应的特征矢量集11{,,}Lqq或(1)ML维矩阵11[,,]sLQqq（3-58）称为信号子空间。22,,ML为噪声产生的特征值，相应的集2{,,}LMqq或2[,,]nLMQqq（3-59）称为噪声子空间。由MVDR算法得到的最优权值为：11()()()xxdMVDRHdxxdRawaRa（3-60）将其投影到信号子空间可得：HoptssMVDRwQQw（3-61）3.3基于MATLAB的波束形成算法仿真为验证各种波束形成算法的性能，本论文通过计算机仿真来实现了基于期望信号和基于DOA算法中典型的几种波束形成算法进行了仿真[10]。主要包括，基于期望信号的最小均方误差算法（MMSE）和最小均方算法（LMS），基于DOA的最小方差无畸变响应算法（MVDR）和特征子空间算法（ESB），并进行一定的分析，其中测试软件是Matlab。3.3.1仿真条件信号模型采用了八元均匀线阵，不失一般性，阵元间隔取为0.5，为载波波长，且/cf。假设有3远场窄带信号从不同方向入射，这3信号分别为：一个期待信号与两个干扰信号，其中期望信号的波达方向是60，两个干扰信号的波达方向是40和20，且在每个阵元上加有复高斯白噪声iN(18i)。参数假设如表3-1所示：表3-1参数假设3.3.2算法流程设计本论文波束形成算法设计流程框图如图3-2所示。图3-2算法框图首先假设各种参数，再利用Matlab语言产生三种BPSK信号，其中一种作为期望信号，另外两种是干扰信号，在信道上加上高斯白噪声，此后产生输入信号阵元数8M期望信号载频0120fcHz取样点500N干扰信号载频1127fcHz采样率500fsHz独立实验次数25CS阵元间隔0.5d期望信号DOA20信号类型BPSK干扰信号1DOA40高斯白噪声SNR=3干扰信号2DOA60对期望信号S进行N次采样对干扰信号1进行N次采样对干扰信号2进行N次采样高斯白噪声输入信号矢量矩阵X算法准则生成optW()()()()xtAstnt产生BPSK信号波束图矢量矩阵X，通过一定的算法准则生成最佳权值，然后生成波束图进行研究。3.3.3仿真结果1．最小均方误差算法（MMSE）运行Matlab程序，可生成的波束方向图如图3-3所示。从图3-3中可以看出，在期望信号方向即20方向获得了较大增益，而在干扰信号方向即40和60方向有较深的零陷，因此准则算法可以较好地收敛到所需信号方向，并在干扰方向置零，所以具有捕获能力。图3-3MMSE算法波束方向图2．最小均方算法（LMS）运行Matlab程序，可得LMS波束形成算法方向图如图3-4所示，收敛图如图3-4所示。从图3-4中可以看出，在期望信号方向即20方向获得了较大增益，然而在干扰信号方向即40和60方向却没有较深的零陷，该准则算法可以较好地收敛到所需信号方向，具有捕获能力，但是抑制干扰方向能力很弱。3．线性约束最小方差准则（LCMV）线性