基于干扰加噪声协方差矩阵重构的稳健自适应波束形成基于干扰加噪声协方差矩阵重构的稳健自适应波束形成
在自适应波束形成中，由于期望信号(SOI)导向矢量(SV)的误差、采样点数较少、训练数据中存在期望信号成分
等原因，造成波束形成的性能严重下降。针对以上问题，提出了一种稳健波束形成方法。首先利用MUSIC算法
和参数估计来重构不包含SOI的干扰噪声协方差矩阵，再通过利用相关系数来估计出期望信号导向矢量。仿真结
果表明，该算法可以处理较大的方向误差，并且信噪比(SNR)在较大的范围内都可以得到比传统方法更佳的性
能。
王宁章，闵仁江，许慧青
（广西大学 计算机与电子信息学院，广西 南宁 530004）
摘要：摘要：在
关键词：关键词：自适应波束形成；MUSIC算法；导向矢量估计
中图分类号： 中图分类号：TN911文献标识码：ADOI：10.19358/j.issn.16747720.2016.23.018
引用格式： 引用格式：王宁章，闵仁江，许慧青. 基于干扰加噪声协方差矩阵重构的稳健自适应波束形成［J］.微型机与应
用，2016,35（23）：62-64，68.
0引言引言
由于接收特定方向的信号，波束形成器可以认为是空间滤波器。它可以应用在不同的信号处理领域，包括雷达、声呐、医
学成像、射电天文、无线通信等。作为数据依赖型波束形成器，自适应波束形成器通过抑制信号环境中的干扰和噪声，提取期
望信号来调整权重矢量［1］。标准的Capon波束形成器(Standard Capon Beamformer, SCB)是大家所熟知的波束形成器，如
果训练数据中不包含期望信号(Signal of Interest, SOI)，那么SCB可以有最优的输出信干噪比(SignaltoInterfaceplusNoise
Ratio, SINR)和高分辨率［2］。但是在实际的训练数据中经常存在SOI。在过去的几年中，许多稳健自适应波束形成器算法被
提出，用来解决训练数据中存在的SOI和导向矢量(Steering Vector, SV)误差问题［3-5］。
在文献［3］中，GU Y等人提出使用Capon空间谱积分方法，其中积分区域为除SOI方向以外的角度区域，这种方法可以
重构出干扰噪声协方差矩阵。通过解决二次约束二次规划(QCQP)问题来修正SOI假设的SV。这个方法在解决方向误差上会获
得一个很好的性能。但是该方法的复杂度很高，并且需要知道精确的阵列结构信息。针对以上问题，HUANG L等人［4］提出
把求不确定集合积分区域转变为求环不确定集合积分区域以及用离散求和方法来重构干扰噪声协方差矩阵。CHEN F等人
［5］提出一种低复杂度的相关系数重构方法，通过直接使用采样协方差矩阵的特征向量与假设的SV有最大的相关性来解决
SOI的SV估计问题。这几种方法都可以有效地提高波束形成性能，但是它们对于SOI和干扰信号存在相关性的问题都比较敏
感，可能会造成SOI存在于重构的干扰噪声协方差矩阵中，造成性能急剧下降。本文使用MUSIC算法和参数化估计优化采样协
方差矩阵和重构干扰噪声协方差矩阵，然后，对估计采样协方差矩阵进行特征分解和相关性分析，得出修正的SV。
1信号模型信号模型
考虑M个阵列元素组成的均匀线性阵列(Uniform Liner Array, ULA)，并接受L个远场的窄带信号。窄带波束形成器的输出
可表示为：
其中，k是时间参数，x(k)=［x1(k),…，xM(k)］T为一个M×1的阵列观测复数矢量，ω=［ω1,ω2,ω3,…,ωM］T是M×1的
波束形成权重复数矢量，(·)T和(·)H分别代表转置和Hermitian转置，观测矢量(训练参数)可以表示为:
其中，sl(k)和al分别代表第l次信号的波阵面和对应的SV。xs(k)=a0s0(k)，nint(k)=∑L-1l=1alsl(k)和n(k)分别是期望信号、
干扰和噪声。
理论上的数据协方差矩阵可以表示为:
其中，RS和RN分别为信号协方差矩阵和噪声协方差矩阵，A为空间阵列的流型矩阵(导向矢量阵)，且A=［a0,…，al-
1］。对于空间理想的白噪声且噪声功率为σ2n，则有下式成立：
其中，I是M×M的单位阵。
评论0