基于干擾加噪聲協(xié)方差矩陣重構(gòu)的穩(wěn)健自適應(yīng)波束形成

王寧章，閔仁江，許慧青

(廣西大學(xué) 計(jì)算機(jī)與電子信息學(xué)院，廣西 南寧 530004)

?

基于干擾加噪聲協(xié)方差矩陣重構(gòu)的穩(wěn)健自適應(yīng)波束形成

王寧章，閔仁江，許慧青

(廣西大學(xué) 計(jì)算機(jī)與電子信息學(xué)院，廣西 南寧 530004)

在自適應(yīng)波束形成中，由于期望信號(hào)(SOI)導(dǎo)向矢量(SV)的誤差、采樣點(diǎn)數(shù)較少、訓(xùn)練數(shù)據(jù)中存在期望信號(hào)成分等原因，造成波束形成的性能?chē)?yán)重下降。針對(duì)以上問(wèn)題，提出了一種穩(wěn)健波束形成方法。首先利用MUSIC算法和參數(shù)估計(jì)來(lái)重構(gòu)不包含SOI的干擾噪聲協(xié)方差矩陣，再通過(guò)利用相關(guān)系數(shù)來(lái)估計(jì)出期望信號(hào)導(dǎo)向矢量。仿真結(jié)果表明，該算法可以處理較大的方向誤差，并且信噪比(SNR)在較大的范圍內(nèi)都可以得到比傳統(tǒng)方法更佳的性能。

自適應(yīng)波束形成；MUSIC算法；導(dǎo)向矢量估計(jì)

0 引言

由于接收特定方向的信號(hào)，波束形成器可以認(rèn)為是空間濾波器。它可以應(yīng)用在不同的信號(hào)處理領(lǐng)域，包括雷達(dá)、聲吶、醫(yī)學(xué)成像、射電天文、無(wú)線(xiàn)通信等。作為數(shù)據(jù)依賴(lài)型波束形成器，自適應(yīng)波束形成器通過(guò)抑制信號(hào)環(huán)境中的干擾和噪聲，提取期望信號(hào)來(lái)調(diào)整權(quán)重矢量[1]。標(biāo)準(zhǔn)的Capon波束形成器(Standard Capon Beamformer, SCB)是大家所熟知的波束形成器，如果訓(xùn)練數(shù)據(jù)中不包含期望信號(hào)(Signal of Interest, SOI)，那么SCB可以有最優(yōu)的輸出信干噪比(Signal-to-Interface-plus-Noise Ratio, SINR)和高分辨率[2]。但是在實(shí)際的訓(xùn)練數(shù)據(jù)中經(jīng)常存在SOI。在過(guò)去的幾年中，許多穩(wěn)健自適應(yīng)波束形成器算法被提出，用來(lái)解決訓(xùn)練數(shù)據(jù)中存在的SOI和導(dǎo)向矢量(Steering Vector, SV)誤差問(wèn)題[3-5]。

在文獻(xiàn)[3]中，GU Y等人提出使用Capon空間譜積分方法，其中積分區(qū)域?yàn)槌齋OI方向以外的角度區(qū)域，這種方法可以重構(gòu)出干擾噪聲協(xié)方差矩陣。通過(guò)解決二次約束二次規(guī)劃(QCQP)問(wèn)題來(lái)修正SOI假設(shè)的SV。這個(gè)方法在解決方向誤差上會(huì)獲得一個(gè)很好的性能。但是該方法的復(fù)雜度很高，并且需要知道精確的陣列結(jié)構(gòu)信息。針對(duì)以上問(wèn)題，HUANG L等人[4]提出把求不確定集合積分區(qū)域轉(zhuǎn)變?yōu)榍蟓h(huán)不確定集合積分區(qū)域以及用離散求和方法來(lái)重構(gòu)干擾噪聲協(xié)方差矩陣。CHEN F等人[5]提出一種低復(fù)雜度的相關(guān)系數(shù)重構(gòu)方法，通過(guò)直接使用采樣協(xié)方差矩陣的特征向量與假設(shè)的SV有最大的相關(guān)性來(lái)解決SOI的SV估計(jì)問(wèn)題。這幾種方法都可以有效地提高波束形成性能，但是它們對(duì)于SOI和干擾信號(hào)存在相關(guān)性的問(wèn)題都比較敏感，可能會(huì)造成SOI存在于重構(gòu)的干擾噪聲協(xié)方差矩陣中，造成性能急劇下降。本文使用MUSIC算法和參數(shù)化估計(jì)優(yōu)化采樣協(xié)方差矩陣和重構(gòu)干擾噪聲協(xié)方差矩陣，然后，對(duì)估計(jì)采樣協(xié)方差矩陣進(jìn)行特征分解和相關(guān)性分析，得出修正的SV。

1 信號(hào)模型

考慮M個(gè)陣列元素組成的均勻線(xiàn)性陣列(Uniform Liner Array, ULA)，并接受L個(gè)遠(yuǎn)場(chǎng)的窄帶信號(hào)。窄帶波束形成器的輸出可表示為：

y(k)=ωHx(k)

(1)

其中，k是時(shí)間參數(shù)，x(k)=[x1(k),…，xM(k)]T為一個(gè)M×1的陣列觀測(cè)復(fù)數(shù)矢量，ω=[ω1,ω2,ω3,…,ωM]T是M×1的波束形成權(quán)重復(fù)數(shù)矢量，(·)T和(·)H分別代表轉(zhuǎn)置和Hermitian轉(zhuǎn)置，觀測(cè)矢量(訓(xùn)練參數(shù))可以表示為:

(2)

理論上的數(shù)據(jù)協(xié)方差矩陣可以表示為:

R=E{x(k)xH(k)}=ARSAH+RN

(3)

(4)

其中，I是M×M的單位陣。

為了測(cè)量波束形成的性能，在SOI不失真時(shí)的最大輸出SINR可以定義為:

(5)

其中，

Ri+n=E{(xint(k)+n(k))(xint(k)+n(k))H}

(6)

(7)

上述問(wèn)題的最優(yōu)權(quán)重矢量為:

(8)

(9)

2 提出波束形成算法

本文提出了一種新的自適應(yīng)波束形成算法來(lái)重構(gòu)干擾噪聲協(xié)方差矩陣，該方法采用MUSIC算法原理和參數(shù)化估計(jì)來(lái)優(yōu)化采樣協(xié)方差矩陣以及重構(gòu)出干擾噪聲協(xié)方差矩陣。同時(shí)，該方法利用相關(guān)系數(shù)來(lái)修正估計(jì)的SV。

2.1 干擾加噪聲協(xié)方差矩陣重構(gòu)

為了重構(gòu)干擾加噪聲協(xié)方差矩陣，基于文獻(xiàn)[6]的方法原理，公式(4)可以寫(xiě)成如下形式：

(10)

上等式可轉(zhuǎn)化為：

(11)

(12)

對(duì)上式對(duì)角化得到:

(13)

(14)

(15)

使用式(15)，重構(gòu)的干擾噪聲協(xié)方差矩陣可以表示為:

(16)

2.2 期望信號(hào)SV的估計(jì)

(17)

US=[e1,e2,e3,…，eL]

(18)

其中，US為信號(hào)子空間，由于特征向量與信號(hào)的SV處于相同的空間，假設(shè)的期望信號(hào)SV可以被期望信號(hào)的特征向量來(lái)代替。可以使用相關(guān)系數(shù)的定義來(lái)找出符合情況的特征向量。由于期望信號(hào)SV與期望信號(hào)的特征向量有最大的相關(guān)性，可以用公式表示為：

(19)

根據(jù)式(17)找到最大的相關(guān)系數(shù)對(duì)應(yīng)的ei，即可以得到期望信號(hào)的特征向量es，考慮到期望信號(hào)SV的范數(shù)約束，估計(jì)的期望信號(hào)SV可以表示為:

(20)

因此，權(quán)重矢量可以寫(xiě)為：

(21)

由上可見(jiàn)，算法主要的復(fù)雜度是在進(jìn)行特征分解時(shí)，復(fù)雜度為O(M3)。與前文提到的算法相比，算法的復(fù)雜度大幅降低，更有利于實(shí)際工程的應(yīng)用。

3 仿真結(jié)果

將本文的方法分別與對(duì)角加載算法[8]、特征空間算法[9]、最差性能優(yōu)化算法[10]、重構(gòu)算法[3]和低復(fù)雜度重構(gòu)算法[5]相比較。在仿真中，假設(shè)從信號(hào)源接收的每個(gè)信號(hào)與實(shí)際信號(hào)存在[-5°，5°]的差別，這個(gè)假設(shè)可以表示隨機(jī)的方向誤差，再使用公式(8)計(jì)算出最優(yōu)SINR。

圖1為存在信號(hào)方向誤差的輸出SINR隨輸入SNR變化圖，快拍點(diǎn)數(shù)固定為30。從圖中可以看出，對(duì)角加載算法、特征空間算法、最差性能優(yōu)化算法在SNR較高時(shí)，輸出SINR明顯低于其他4種算法；本文提出的算法在低SNR和高SNR時(shí)都有高于其他算法的輸出SINR，以SNR為15 dB為例，與最優(yōu)輸出SINR算法相差僅0.3 dB左右。因此，本文算法的高性能可以使得波束形成的穩(wěn)健性有較大的提升。圖2為存在信號(hào)方向誤差的輸出SINR隨快拍點(diǎn)數(shù)變化圖，SNR固定在10 dB，顯而易見(jiàn)，在快拍數(shù)變化中，本文算法有穩(wěn)定的輸出SINR，并且比其他算法有更高的輸出SINR。

圖1 輸出SINR隨輸入SNR變化圖

圖2 輸出SINR隨快拍點(diǎn)變化圖

4 結(jié)論

本文提出一種新穎的干擾加噪聲協(xié)方差矩陣重構(gòu)的穩(wěn)健算法，利用MUSIC算法和參數(shù)化估計(jì)，得到重構(gòu)的干擾噪聲協(xié)方差矩陣。其次，使用了最大相關(guān)系數(shù)來(lái)估計(jì)出期望信號(hào)的SV，該方法對(duì)于較大的干擾方向誤差有較好的穩(wěn)健性能。仿真結(jié)果表明：在采樣點(diǎn)較少或輸入SNR較低和較高時(shí)，該方法都存在一個(gè)最優(yōu)的輸出SINR。

[1] REED I S, MALLETT J D, BRENNAN L E. Rapid convergence rate in adaptive arrays[J]. IEEE Transactions on Aerospace & Electronic Systems, 1974, AES-10(6):853-863.

[2] SHEN S, YU W, SINICA A, et al. Detection, estimation, and modulation theory[M]. Publishing House of Electronics Industry, 2003.

[3] GU Y, LESHEM A. Robust adaptive beamforming based on interference covariance matrix reconstruction and steering vector estimation[J]. IEEE Transactions on Signal Processing, 2012, 60(7):3881-3885.

[4] HUANG L, ZHANG J, XU X, et al. Robust adaptive beamforming with a novel interference-plus-noise covariance matrix reconstruction method[J]. IEEE Transactions on Signal Processing, 2015, 63(7):1643-1650.

[5] CHEN F, SHEN F, SONG J. Robust adaptive beamforming using low-complexity correlation coefficient calculation algorithms[J]. Electronics Letters, 2015, 51(6):443-445.

[6] SANTOS E L, ZOLTOWSKI M D. Spatial power spectrum estimation based on a MVDR- MMSE-MUSIC hybrid beamformer[C].IEEE International Conference on Acoustics, 2005:809-812.

[7] SCHMIDT R O. Multiple emitter location and signal parameter estimation[J]. IEEE Transactions on Antennas & Propagation, 1986, 34(3):276-280.

[8] LI J, STOICA P, WANG Z. On robust Capon beamforming and diagonal loading [J]. IEEE Transactions on Signal Processing, 2003, 51(7):1702-1715.

[9] JIA W, JIN W, ZHOU S, et al. Robust adaptive beamforming based on a new steering vector estimation algorithm [J]. Signal Processing, 2013, 93(9):2539-2542.

[10] VOROBYOV S, GERSHMAN A B, LUO Z Q. Robust adaptive beamforming using worst-case performance optimization: a solution to the signal mismatch problem [J]. IEEE Transactions on Signal Processing, 2003, 51(2):313-324.

Robust adaptive beamforming based on interference-plus-noise covariance matrix reconstruction

Wang Ningzhang, Min Renjiang,Xu Huiqing

(School of Computer and Electronics & Information, Guangxi University, Nanning 530004, China)

In adaptive beamforming, due to the mismatch of signal of interest (SOI) steering vector (SV), inefficiency of training data and the presence of the SOI components in the training data, the performance of classical beamformers may be considerably degraded. To deal with these problems, a robust beamforming method is proposed in this paper. Firstly,the MUSIC algorithm and parametric estimate are used to reconstruct the interference-plus-noise covariance matrix which does not contain SOI. With the constructed interference-plus -noise matrix, the estimated SV is achieved by calculating the correlation coefficient. Simulation results demonstrate the proposed algorithm can deal with the large direction errors, and also be able to achieve relatively better performance in a large range of the signal-to-noise ratio (SNR).

adaptive beamforming; MUSIC algorithm; steering vector estimation

TN911

A

10.19358/j.issn.1674- 7720.2016.23.018

王寧章，閔仁江，許慧青. 基于干擾加噪聲協(xié)方差矩陣重構(gòu)的穩(wěn)健自適應(yīng)波束形成[J].微型機(jī)與應(yīng)用，2016,35(23)：62-64，68.

2016-08-10)

王寧章(1964-)，男，博士，主要研究方向：微電子學(xué)與固體電子學(xué)。

閔仁江(1991-)，男，碩士研究生，主要研究方向：信息處理。