波束空间能量约束的稳健自适应波束形成

为改善波束形成器在一定失配条件下的工作性能,提出了一种稳健自适应波束形成方法。该方法通过设计信号在波束空间能量分布的约束条件,利用阵列数据协方差矩阵,结合迭代二阶锥规化方法,实现信号驾驶向量的估计,最后利用该估计得到最小方差无失真响应波束形成器。该方法在较恶劣的失配条件下也可以自适应地准确估计信号驾驶向量并保证其成分无失真地通过,使系统的稳健性得到改善。数据仿真结果表明,该方法在理想条件下与成熟的对角加载法性能相当,在失配条件下则优于后者。     

协方差矩阵重构的稳健自适应波束形成算法

针对协方差矩阵含有期望信号成分以及波束指向角失配时,传统自适应波束形成器性能严重下降的问题,提出了协方差矩阵重构的稳健自适应波束形成算法。该算法将全空域划分成若干互不重叠的区域,分别对应干扰区域与信号区域,先利用Capon波束形成器对干扰区域积分,由此构造出干扰协方差矩阵。然后,利用标准Capon波束形成器的波束域MUSIC谱估计法对信号区域积分,重构出信号协方差矩阵,以其主特征向量作为期望信号导引向量估计。由于算法重构了干扰加噪声协方差矩阵并对导引向量进行了修正,保证了自适应波束形成器的性能。理论分析和仿真实验结果表明,算法在训练数据含有期望信号成分和波束指向角度失配情况下具有良好的性能。     

声矢量圆阵宽带相干目标MVDR方位估计*

针对宽带相干目标的远程探测问题，本文提出一种基于声压振速联合处理和矢量重构的声矢量圆阵MVDR波束形成方法。该方法利用相位模态变换技术，将声矢量圆阵变换为与信号频率无关的虚拟线阵，并构建虚拟线阵声压与组合振速的互协方差矩阵，利用声压与振速各分量间的空间相关性有效地抑制各向同性环境噪声；并对宽带相干信号的互协方差矩阵进行矢量重构，即将最大特征值对应的特征向量划分为相互重叠的子向量，从而构建前/后向Hermitian矩阵；最后，基于MVDR波束形成器实现宽带相干目标的方位估计。仿真计算和实验数据处理结果表明，该方法具较强的解相干能力和噪声抑制能力以及较高的方位估计性能。     

基于任意阵的最小方差无失真响应聚焦波束形成的被动定位方法

将最小方差无失真响应(MVDR)聚焦波束形成近场被动定位方法应用到平面任意结构阵列上,可以很好地解决线列阵由于阵长较长,在实际使用中存在布放困难、部分阵元失效影响定位性能等问题。本文首先分析了平面任意结构阵列的近场接收信号模型,推导出阵列流型,然后将MVDR聚焦波束形成技术应用到该模型中,得到了基于任意阵的MVDR聚焦波束形成近场被动定位方法。仿真验证了该方法的可行性和有效性。     

一种高效的自适应波束域变换方法及应用研究

波束域变换将阵元域数据投影到一个低维的波束域空间, 不仅能够减小信号处理算法的运算时间, 提高算法性能, 还能够抑制干扰. 本文针对常规自适应波束域变换方法需要在线调整波束变换矩阵、更新波束域导向矢量由此导致实时实现困难的问题, 提出一种高效的自适应波束域变换方法. 该方法将波束域协方差矩阵与导向矢量均表示成不依赖自适应波束变换矩阵的闭合形式, 省去在线调整与更新过程, 使运算效率得到了显著提高. 最后将该方法应用到波达方向(DOA)的估计之中, 仿真研究表明, 本文方法获得了比常规自适应方法更好的DOA估计性能. 此外, 本文方法还具有另一个非常突出的优点, 即它可以有效抑制运动强干扰. 这是因为本文方法无需训练波束变换矩阵, 其当前运算结果与历史快拍数据无关, 这样可以有效避免常规自适应方法中因目标运动所导致的训练数据与应用数据失配的问题.     

一种加权稀疏约束稳健Capon波束形成方法

为了克服标准Capon波束形成器旁瓣级高以及存在角度失配时性能急剧下降等缺点, 在稀疏约束Capon波束形成器的基础上, 提出了一种加权稀疏约束Capon波束形成器. 该方法利用波束响应的稀疏分布特性, 在标准Capon波束形成优化模型中加入旁瓣区域波束响应稀疏约束(l₁ 范数约束), 使旁瓣区域波束响应向量中非零元素的个数最小化; 通过阵列采样数据协方差矩阵特征分解得到信号子空间及噪声子空间, 利用信号子空间与噪声子空间的正交特性, 构造加权矩阵对稀疏约束进行加权, 使得稀疏重构时波束响应向量中不同角度对应的元素得到不同程度的约束. 该方法有效地抑制了Capon波束形成器的高旁瓣级, 加深了干扰方位零陷, 提高了阵列输出信干噪比. 由于稀疏约束, 波束响应向主瓣集中, 期望信号方向附近的波束响应都较大, 从而也提高了阵列抗导向矢量角度失配的能力. 数值仿真和水池实验验证了所提方法的有效性.     

可变不确定集约束的鲁棒自适应波束形成方法

自适应波束形成方法在存在协方差矩阵误差和导向向量误差的失配条件中性能严重下降。最差情况性能最优。(Worst-Case Performance Optimization,WCPO)方法可以显著增强失配条件下自适应波束形成的鲁棒性,但该方法存在系统性的信号功率过估计问题,并且限定协方差矩阵不确定集与导向向量不确定集的两个关键参数需要人为指定,缺乏具备明确物理意义的求解方法和数据自适应性.本文以WCPO方法为基础,给出了信号功率过估计的理论分析以及相应的改进方法,提出了基于矩阵重构的协方差矩阵不确定集参数的自适应估计方法,最终得到一种可变不确定集约束的鲁棒自适应波束形成方法(WCPO-PCVC).相比WCPO方法,该方法消除了信号功率估计的系统性偏差,且关键参数无需人为指定。数值仿真和海试数据处理结果表明,该方法在失配条件下具有良好的干扰与旁瓣抑制能力,与常规波束形成方法相比具有更好的信号到达角分辨能力,与自适应波束形成方法相比估计的信号功率更为精准。     

基于宽带分裂阵列的水下远程被动多目标检测与定向

为获取更高的水下远程多目标检测和定向性能,基于工程中广泛应用的最小方差无畸变响应(MVDR)波束形成算法,设计了大间隔分裂线列阵,通过扩大阵列有效孔径改善了空间谱峰锐度。同时提出非相干宽带预处理方法,利用MVDR在多频子带下波束宽度和间隔的非一致性来抵消由于稀布阵元造成的栅瓣效应。最终实现大间隔分裂阵和宽带非相干波束形成的互补。仿真和湖上试验结果表明,与采用宽带MVDR的均匀线列阵和采用互相关法的大间隔分裂阵相比较,所提方法能显著提高对水下远程目标的检测和分辨性能。     

矢量水听器阵列MVDR波束形成器的性能研究

针对矢量水听器阵列的最佳阵处理，研究了高斯背景噪声条件下MVDR波束器的输出性能，给出了系统输出信干噪比与各影响参数之间的解析关系式，并对三种典型情况进行了具体探讨，着重分析了信噪比、干扰强度、相关系数和样本长度对系统输出SINR的影响，证明了低信噪比时MVDR波束形成器为最佳空域滤波器，分析还表明，MVDR波束形成器对强信号存在抑制现象，高信噪比时输出的SINR为一常数。计算机仿真结果证明了理论分析的正确性。     

基于近场聚焦逆波束形成的UUV平台噪声自适应抵消

UUV平台自噪声会对舷侧阵产生干扰,从而影响其探测性能,本文针对平台尾部自噪声源的直达噪声和海面反射噪声,提出了基于近场聚焦逆波束形成的平台噪声自适应抵消方法。文中利用UUV平台设计参数、深度以及运动姿态信息对尾部自噪声传播到舷侧阵的路径建立几何模型,并分析了影响该路径的因素;通过该模型,平台尾部自噪声能够实时自适应地通过聚焦波束形成被估计出来,从而在舷侧阵的接收信号中实现干扰抵消。仿真结果与海试实验数据处理结果表明,该方法能够有效抑制尾部自噪声干扰,显著提高UUV探测弱目标的能力。     

一种鲁棒性的最小方差无失真响应波束形成算法及其应用

理论上,自适应波束形成方法要比不依赖于输入数据的常规波束形成方法有更好的目标参数估计能力和干扰抑制能力。但在实际水声环境中,声传播模型、接收阵阵列流形以及信号统计特征等因素往往与实际情况存在一定的差异,导致传统的自适应波束形成方法性能下降。因此,提高自适应波束形成方法对上述因素的鲁棒性变得越来越重要。本文基于最差条件最优化的思想,改进MVDR(最小方差无失真响应)方法的约束条件提出了一种鲁棒性最小方差无失真响应自适应波束形成算法(R-MVDR),并对输入数据协方差矩阵和方向向量存在不确定性的情况进行了性能分析,推导给出了波束形成的加权向量和空间谱估计表达式,最后通过海上实验数据进行了验证。结果证明本文提出的算法在实际环境中有更好的方位分辨能力和干扰抑制能力。     

利用导向向量旋转和联合迭代优化的自适应波束形成算法研究

针对大型阵列中自适应波束形成技术的实时性和鲁棒性问题,基于最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)波束形成的信号模型框架,提出一种通过对导向矢量进行处理以降低干扰的自适应波束形成算法——稳健联合迭代优化-导向自适应(Robust Joint Iterative Optimization-Direction Adaptive,RJIO-DA)算法。在联合迭代优化的基础上,将降维变换矩阵的每一个列向量看作独立的方向向量,引导子空间内每一个维度上的权值迭代,同时旋转导向向量,减小了由于导向误差的不确定性而导致的性能下降。仿真实验结果表明,与现有的降维算法相比,RJIO-DA算法计算复杂度低、收敛率高、鲁棒性好,可在期望方向上稳健地聚集波束,更好地形成干扰方向的自适应零陷。     

快速收敛最小方差无畸变响应算法研究及应用

常规最小方差无畸变响应(MVDR)自适应波束形成是一种高分辨窄带波束形成器,它是利用实际声场的窄带互谱密度矩阵(CSDM)估计出自适应波束形成权向量。在实际应用中,MVDR算法需要较长的观测时间估计协方差矩阵,不利于对高速运动目标进行定位;对于宽带目标信号,MVDR算法需要对每一个CSDM进行求逆运算,计算量较大;在相干源条件下,目标信号之间会发生\     

模态信息非完备采样对水下声源检测的影响及改进方法

给出了海洋波导中位置未知简谐声源的广义似然比检测器及其理论检测性能.通过对检测器中模态相关矩阵进行特征值分解,将该检测器分解为与各阶特征值相对应的谱成分.推导了各阶谱成分的统计特性并以此获得了谱成分对输入信号的空间处理增益,该增益与谱成分对应的特征值成正比.当模态信息采样不完备时,模态相关矩阵存在部分接近于0的小特征值,相应的谱成分对输入信号的空间处理增益与其余谱成分相比非常小.通过舍去这部分谱成分,提出了有效谱检测器.该检测器在保持其输出中目标信号成分与广义似然比检测器相同的基础上,有效减少了其中的噪声成分,因此,具有比广义似然比检测器更好的检测性能.在典型的浅海环境下进行仿真实验,仿真结果验证了理论分析、推导以及有效谱检测器的有效性,并且表明非完备采样程度越严重,有效谱检测器相对于广义似然比检测器的检测性能提高越显著.此外,有效谱检测器具有比广义似然比检测器更好的数值计算稳健性.     

基于最差性能优化的运动声源稳健聚焦定位识别方法研究

基于被动合成孔径原理,提出了一种具有高稳健性的运动声源高分辨聚焦定位识别方法.该方法采用综合优化手段,通过矢量最大似然聚焦定位算法生成虚拟阵列坐标及数据矩阵,进而利用基于最差性能优化的稀疏虚拟阵列聚焦算法,获取稳健的高分辨定位识别效果.理论及仿真研究表明,该方法对于非匀速运动以及与基阵存在运动倾角的复杂情况具有较强的适用性,聚焦空间谱表现出更大的动态范围、更为尖锐的聚焦峰尺度以及更强的背景噪声起伏压制能力.湖上试验进一步验证,在高分辨最小方差信号无畸变响应法(MVDR)聚焦算法动态范围仅为3.5 dB的相 关键词： 稳健性 运动噪声源定位识别 矢量阵 最差性能优化     

非均匀对角减载最小方差无失真响应多目标分辨

针对最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)方法在起伏非相关噪声环境下多目标分辨性能严重下降的问题,提出一种非均匀对角减载MVDR (Inhomogeneous Diagonal Unloading MVDR,IDU-MVDR)方法。该方法首先对协方差矩阵进行非均匀对角减载,然后实施MVDR方法。各阵元上的对角减载量通过求解半正定优化问题获得,优化问题中最大化减载量之和,但约束减载后协方差矩阵的最小特征值是一个较小的正值。数值仿真表明,IDUMVDR方法可通过非均匀对角减载消除大部分非相关噪声,但保留小部分噪声分量.因此IDU-MVDR方法较MVDR方法分辨力更高,空间谱中背景级更低、弱目标谱峰更加明显,并且具备一定的稳健性.海上实验结果与数值仿真相一致,验证了IDU-MVDR方法的有效性.     

拖线阵机动时的自适应波束形成

提出了一种MVDR(最小方差无失真响应)的改进算法,用以解决常规MVDR算法由于阵形时变而出现的性能下降问题。在获得时变阵形估计数据的基础上,该算法以统计时段内的平均阵形为基准阵形,在每个扫描方向上根据实际阵形和基准阵形的差异对阵列互谱矩阵多样本进行相位补偿,从而实现统计时段内的互谱矩阵多样本相干累加和目标检测。数值仿真与海上实验数据处理结果表明:与传统MVDR算法相比,改进算法有效缓解了时变阵形下的目标测向角度模糊问题,可提高拖线阵目标左右舷分辨性能、增强弱目标检测能力。     

An adaptive beamforming algorithm based on direction vector rotation and joint iterative optimization

An adaptive beamforming algorithm named robust joint iterative optimizationdirection adaptive(RJIO-DA) is proposed for large-array scenarios.Based on the framework of minimum variance distortionless response(MVDR),the proposed algorithm jointly updates a transforming matrix and a reduced-rank filter.Each column of the transforming matrix is treated as an independent direction vector and updates the weight values of each dimension within a subspace.In addition,the direction vector rotation improves the performance of the algorithm by reducing the uncertainties due to the direction error.Simulation results show that the RJIO-DA algorithm has lower complexity and faster convergence than other conventional reduced-rank algorithms.