约束稳定性最小均方算法在波束形成中的应用.docxVIP

约束稳定性最小均方算法在波束形成中的应用 0 算法性能分析 智能天线最初用于雷达、声纳等军事领域，主要用于完成空间滤波和定位。 将非线性应用到改变步长的函数中,可以将固定步长转换为变步长。Bershad在文献[7]中研究了归一化最小均方( Normalized LMS,NLMS) 算法的性能,其中变步长因子 μ = μ/‖x( n) ‖ 本文通过放宽松NLMS算法的约束条件,在智能天线的波束形成问题中重建新的优化问题,使得权值增量的欧氏范数的平方最小。使用拉格朗日乘子法求解该优化问题,得到约束稳定性最小均方( Constraint-Stability LMS,CS-LMS ) 算法的权值更新方程 1 权向量的更新 图1 是智能天线中的NLMS算法原理图。天线阵的阵元个数为M,[x 通过NLMS算法更新权向量W( n) ,更新公式为 式中,μ 为正实数标度因子,控制迭代过程中权值增量的变化并确保权值向量的方向不变 2 cs-lms算法 2.1 wn+1为权值增量wn+1 NLMS算法的优化问题是 式中: δW( n + 1) = W( n + 1) - W( n) ,为权值增量;δW( n +1) 式中,e 2.2 拉格朗日乘子的确定 拉格朗日乘子法通过引入拉格朗日乘子将带约束的最小化问题转换成不带约束的最小化问题。 式中: λ 为复数拉格朗日乘子; * 表示复共轭; Re[·]表示取实部运算。 对式( 4) 关于向量W 因为 δW( n + 1) = W( n + 1) - W( n) ,e 因此, 下面使用稳定约束条件来确定拉格朗日乘子 λ。式( 6) 两边同乘 δX 2δX 式中: e 式中: δe 当 δX( n) 2.3 多重线性回归模型 文献[10]证明了CS-LMS算法在多重线性回归模型下收敛于最优维纳解。下面从算法的计算复杂度、稳态误差和收敛精度几方面分析CS-LMS算法的性能。 2.3.1 天线阵元个数 CS-LMS算法在一次迭代中仅仅需要2M + 1 次复数乘法和3M + 1 次复数加法运算,M是天线阵的阵元个数。因此,CS-LMS算法与NLMS算法具有相同的运算复杂度,即O( M) 。 2.3.2 算法的稳态误差 NLMS算法的优化问题的约束条件是“使后验误差等于零”,过于苛刻,容易导致NLMS算法在稳态时“收敛过度”,产生较大的稳态误差。而CS-LMS算法的优化问题的约束条件是“使后验误差序列趋于恒定”,放宽松了NLMS算法优化问题的约束条件,可以改善NLMS算法稳态误差偏大的问题。 2.3.3 nlms算法结果分析 对式( 11) 进行调整,如式( 12) 所示 看出,该步长因子既取决于输入信号又取决于误差信号,在步长调整上比NLMS算法更准确,收敛速度更快。 3 均匀直线阵采样 通过Matlab实验测试CS-LMS算法的性能。采用阵元间距为 λ/2 的8 阵元均匀直线阵,接收信号是到达角为30°的余弦信号cos( 2πft) ,干扰信号是到达角为- 60°的随机信号,采样频率f 3.1 算法的均方误差曲线 图2 所示为两种算法在直角坐标系下的方向图。 在30°接收信号方向,二者均达到最大值,形成主波束。在- 60°干扰信号方向,CS-LMS算法在- 60°附近一定角度范围内达到零值,形成既宽又深的零陷,抗干扰性能好; NLMS算法在- 60°未达到零值,零陷较浅,抗干扰性能较差。 图3 所示为两种算法的均方误差曲线。 在NLMS的均方误差曲线上有很多毛刺,这是由于其约束条件过于苛刻,导致收敛过度的结果。因为在CS-LMS算法中放宽松了约束条件,其均方误差曲线更光滑。CS-LMS算法经过约150 次迭代后收敛,稳态最小均方误差等于2. 50 × 10 3.2 cs-lms算法的收敛 图4 所示为两种算法在信号出现间断时的均方误差曲线。第50 次迭代时使输入信号为零,第100 次迭代时输入信号恢复为原来的余弦信号。可以看出,输入信号中断后,CS-LMS算法快速收敛,达到稳态,均方误差等于零; NLMS算法缓慢收敛,经过50 次迭代后,均方误差依然不等于零。输入信号恢复之后,CS-LMS算法在第450 次迭代之后收敛,而NLMS算法在第800次迭代之后收敛,并且CS-LMS的均方误差曲线比NLMS的均方误差曲线平滑。因此,在输入信号中断的情况下,CS-LMS算法具有较快的收敛性,较强的系统跟踪能力以及较小的稳态误差。 3.3 第100次迭代时输入信号突变 图5 所示为两种算法在信号出现突变时均方误差曲线。 第50 次迭代时输入信号为零,第100 次迭代时输入信号突变为正弦信号。可看出,在输入信号发生突变的情况下,CS-LMS算法在600 次迭代之前收敛,NLMS算法在800 次迭代之后收敛。CS-LMS算