基于SVD波束形成算法研究.docVIP

基于SVD波束形成算法研究 　　摘 要 　　本文通过对采样数据矩阵进行QR分解，将求解加权矢量问题转换为求解三角线性方程组，通过避免对自相关矩阵的估计和求逆来提高数值鲁棒性；接着提出一种改进方案：对采样数据矩阵进行SVD分解完成波束形成，此方案利用奇异值和奇异值矢量计算加权矢量，并且通过改变对较小的奇异值赋零的多少，在复杂度与性能之间进行折衷。仿真结果显示，提出的改进方案和QR分解算法的性能接近，都能正确实现波束形成。 　　【关键词】波束形成 数据矩阵 QR分解 SVD分解 　　1 引言 　　随着对空域信号的检测和参数估计要求提高，作为空域处理主要手段的阵列信号处理发展极为迅速。虽然阵列天线的方向图是全方向的，但阵列的输出经过加权求和后，却可以使输出增益聚集在一个方向上，相当于形成一个“波束”。这就是波束形成的物理意义所在。 　　现今自适应波束形成算法基本分为两类：非盲算法和盲算法。非盲算法需要发射端发送参考信号，盲算法不需要发射端发送参考信号。非盲算法中的采样自相关矩阵求逆（SMI）算法，由于收敛速度快，是一种开环自适应，避免了闭环自适应中收敛速率对输入相关矩阵特征值的依赖性，得到了广泛的应用。 　　从数值分析角度考虑，求解线性方程组要比求逆矩阵更简单有效，并且SMI算法要估计自相关矩阵，其特征值的分散度，即条件数要大于矩阵本身，条件数大导致数值鲁棒性差，因此任何一种不求自相关矩阵而直接对数据矩阵计算的算法都会得到较SMI好的数值特性。将采样数据矩阵正交三角（QR）分解的算法就是将加权矢量的求解问题转换为三角线性方程组的求解问题，通过避免对阵列协方差矩阵的估计和求逆，提高数据鲁棒性。在对QR分解算法研究的基础上，提出了一种新的解决方案：对采样数据矩阵进行奇异值（SVD）分解的SVD算法。 　　2 波束形成基本理论 　　自适应波束形成的主要目的是使阵列天线方向图的主瓣指向所需方向，其他干扰方向形成零陷或较低旁瓣，进而达到“空域滤波”的效果；其基本原理是依据一定准则与算法自适应地调整天线阵元的加权矢量，在经过加权叠加后输出信号的质量在所采取的准则下最优。 　　2.1 信号模型 　　设信号为等距均匀线阵，阵元数M，阵元间距d，共有D个信源（MD）；设波的到来角为θ1，θ2，…， θD，且以阵列的第一个阵元作为基准，各信号源在基准点的复包络分别为s1（t），s2（t），…，sD（t），，则在第m个阵元上第k次快拍的采样值为： 　　（1） 　　其中nm（k）代表第m个阵元上的噪声，则各阵元上第k次快拍的接收信号的向量表达式为： 　　（2） 　　其中 　　为信号i的方向向量，为阵列流形，为信号矩阵，为加性噪声矩阵，表示矩阵转置。 　　天线阵列接收信号的加权输出为： 　　Y（k）=wHX（k） （3） 　　其中，w=[w1，w2，…，wM]H为加权矢量。 　　幅度方向图可以表示为： 　　（4） 　　其中，a（θ）为任意角度θ的方向向量。 　　2.2 性能评估准则 　　通过调整自适应天线的加权矢量，能让自适应波束形成的性能达到最佳。性能是否达到最佳有不同的评估准则；任意基于自适应阵的不同性能度量的最优加权矢量，均可由最小均方误差解（维纳）给出（可能差一个常数因子）。在此，本文仅阐述最小均方误差准则。 　　符合最小均方误差（MMSE）准则的自适应算法属于常用的非盲算法，其准则就是使加权后的接收信号Y（k）和参考信号d（k）之间估计误差的均方值最小化。估计误差e（k）为： 　　（5） 　　要求最小，即要求加权矢量W的梯度为0，由此得到最佳加权矢量W满足下面的方程式： 　　Rxxw=Rxd （6） 　　其中，表示接收信号的协方差矩阵，表示参考信号与接收信号的互相关向量。 　　如Rxx是满秩矩阵，则得到最佳加权矢量： 　　w=Rxd （7） 　　上式即为在MMSE准则下的最佳天线阵列权向量计算表达式，是维纳滤波理论中最佳滤波器的标准形式，通常称为维纳最优解。计算式（7）包括多种实现方法，如采样自相关矩阵求逆算法（SMI）、最小均方算法（LMS）等。 　　3 QR分解算法分析 　　假定信号与噪声线性无关，则阵列信号协方差矩阵表达式为： 　　（8） 　　其中表示数学期望，是信号复包络的相关矩阵，是噪声功率，I为单位阵，表示矩阵的共轭转置。 　　但接收数据通常是有限长的，往往很难得到Rxx。参考最大似然准则，采样信号矢量X（k）的L次采样，可构成Rxx的最佳估计： 　　（9） 　　用代替Rxx求解式（6）和（7），就构成SMI算法。直接求解线性方程组比求逆矩阵的方法更简单有效，且计算所需的采用数与特征值分散无关，收敛速度快，故实际使用中都不利用对求逆来解式（7），而是对W求解