Processing math: 100%
0%

波束形成算法

前言: 本文根据张小飞的阵列信号处理理论与应用第2版一书整理了波束形成算法

自适应波束形成(Adaptive beamforming), 又称空域滤波, 它能够根据阵列信号x[t]的变化自适应的改变权重向量w, 输出对阵列输出加权求和y[n], 以达到增强期望信号, 抑制干扰的目的。p.s. 粗体w表示向量/矩阵, 常规体d[t]表示标量。 y[t]=wHx[t]

几个要点:

  1. 假定任意时刻信号在各阵元上的振幅相同, w选用移相器a(θ)=[1,...,ej(M1)wτ], w=2πf=2πcλ, τ=dsinθc.

  2. 阵列信号由波达方向为θd的期望信号d[t]、波达方向为θjJ个干扰信号ij[t]和白噪声n[t]构成 x[t]=a(θd)d[t]+Jj=1a(θj)ij[t]+n[t]

    期望能从x[t]恢复出d[t].

  3. 如果两个同频信号的空间方位角间隔大于阵列间隔的倒数时, 它们方可被分辨开, 这是瑞利限.

LCMV波束形成

波束形成器输出的平均功率为: P(w)=E[|y[t]|2]=E[|d[t]|2]|wHa(θd)|2+Jj=1E[|ij[t]|2]|wHa(θj)|2+σ2nw2

LCMV波束形成的优化问题如下: minwwHRws.t.wHa(θd)=f
其中RCM×M为阵列阵列信号x[t]的协方差矩阵. Lagrange乘子方法求得LCMV波束形成的最优权向量(Linearly Constrained Minimum Variance, LCMV): wLCMV=fR1a(θd)aH(θd)R1a(θd)
d[t]=wHox[t], 下面不再赘述. 特别地, 当f=1时称MVDR(Minimum Variance Distortionless Response)波束形成.

要点:

  1. 需要知道精确的期望信号导向向量a(θd).

GSC波束形成

GSC波束形成本质上只是在LCMV的基础上增加了约束的个数, GSC的优化问题如下: minwwHRws.t.CHw=f

其中CM×(J+1)维约束矩阵. 可由Lagrange乘子方法求得GSC波束形成的最优权向量(Generalized Sidelobe Canceller, GSC): wGSC=R1C(CHR1C)1f
也可由正交子空间方法求得最优权向量: wGSC=wqBwa=wqB(BHRB)1BHRwq
其中wq=(CCH)1Cf, 阻塞矩阵B的列向量位C的正交补空间中.

要点:

  1. C, f需要人为确定, 且C包含a(θd).
  2. 由于阵元增益存在幅度误差和相位误差G, 实际的期望信号导向向量Ga(θd)不完全在C张成的空间中, 此时BHGa(θd)d[t]0, 就会出现期望相消的现象.
  3. 正交子空间方法要求J+1<M.

IGSC波束形成

首先将协方差矩阵通过EVD分解为信号-干扰子空间S与噪声子空间N: R=USΣSUHS+UNΣNUHN

接着将a(θd)​投影到信号-干扰子空间中: a(θd)=USUHSa(θd)
最后只需带入公式??????计算求得解(为了方便理解, 这里假定约束个数只有一个, 因此只需将a(θd)带换C​​​​​) wIGSC=R1a(θd)(a(θd)HR1a(θd))1f
要点:

  1. 在实际的导向向量Ga(θd)属于信号-干扰子空间S中的假设条件下, 投影后的导向向量USUHSa(θd)会比a(θd)更加接近实际的导向向量Ga(θd), 从而能够带来更精确的解.
  2. 当白噪声信号的能量较大, 即SNR值较低, 此时EVD分解没法很好的区分信号-干扰子空间与噪声子空间​, 信号子空间会包含噪声, 波束形成图会有畸变.
  3. 要求J+1<M​, 且当J+1=M​时, 投影为恒等变换.
  4. J此时实际上也为信号-干扰子空间S的维数, 必须恰当选取.

ES-GSC波束形成

首先将协方差矩阵通过EVD分解为信号-干扰子空间S与噪声子空间N: R=USΣSUHS+UNΣNUHN

接着用US​与期望信号的导向向量a(θd)​构成广义信号-干扰子空间U​, 对U​再做SVD得到左奇异空间UL​, 最后按照公式???​或???​计算求得的最优权向量wGSC​投影至左奇异向量构成的空间UL​中: wESGSC=ULUHLwGSC
要点:

  1. 带上期望信号导向向量a(θd)的信号子空间U再对a(θd)做投影失去意义, 因此直接投影最优权向量.
  2. 引入a(θd), 这降低了信号子空间的噪声, 因此具有较好的噪声鲁棒性.
  3. 正交子空间方法要求J+1<M.

EBS波束形成

首先将协方差矩阵通过EVD分解为信号-干扰子空间S与噪声子空间N: R=USΣSUHS+UNΣNUHN

将SMI波束形成算法得到的最优权向量 wo=μR1a(θd)
(p.s.μ=faH(θd)R1a(θd)即LCMV)投影至信号子空间US中: wEBS=USUHSwo
要点:

  1. 可类比IGSC波束形成, 区别在于对a(θd)wo做投影.
  2. 信号子空间US必须包含期望信号导向向量a(θd), 否则投影不是最优的.
  3. 当白噪声信号的能量较大, 信号子空间会包含噪声, 波束形成图会有畸变.
  4. 要求J+1<M, 且当J+1=M时, 投影为恒等变换.

IEBS波束形成

对协方差矩阵RCM×M​​进行特征值分解, 用最大的J+1​​或J​​个特征值对应的特征向量与期望信号的导向向量a(θd)​​构成信号子空间U​​, 对U​​再做奇异值分解, 将SMI波束形成算法得到的最优权向量wo​​投影至左奇异向量构成的空间US​​中: wIEBS=USUHSwo

要点:

  1. 可类比ES-GSC波束形成, 区别在于对wGSCwo做投影.
  2. 引入a(θd), 这降低了信号子空间的噪声, 因此具有较好的噪声鲁棒性.
  3. 要求J+1<M.

基于斜投影的波束形成

关于投影:

  1. P is a projection along null space V onto range space U.
  2. In Hilbert space, we have the concept of inner u1,v1=uH1v1, then the concept of orthogonalityu1,v1=0.
  3. If U and V are orthogonal, call P orthogonal projection; If U and V are non-orthogonal, call P oblique projection(斜投影);
  4. In orthogonal projection, when U are orthonormal basis(正交基), P=UUH; when U are not orthonormal basis P=U(UHU)1UH; for general inner product u1,v1=uH1Dv1, P=U(UHDU)1UHD.
  5. In oblique projection, P=U(BHU)1BH, where B is the orthogonal complement of null space V.

如下定义斜投影算子EAB为沿着BA上的投影: EAB=A(AHPBA)1AHPB

其中PB=IB(BHB)1BH. 定义B=[a(θ1),...,a(θJ)], Ba(θd)显然不正交. 将阵列信号x[t]沿着B斜投影到a(θd)上: x[t]=Ea(θd)Bx[t]=a(θd)(a(θd)HPBa(θd))1a(θd)HPBx[t]
接着进行空域滤波匹配, 得到期望信号: d[t]=a(θd)Hx[t]
要点:

  1. 该算法不涉及权重向量w.
  2. PB难以计算, 一般对协方差矩阵RCM×M进行特征值分解R=UΣUH, 用除前J+1个特征值之外的特征值的均值作为白噪声方差σ2的估计值, 定义RA=Rσ2I,用RA的伪逆R+A取代PB.
  3. 要求J+1<M.

AMV波束形成

AMV波束形成的优化问题如下: minwwH˜Rws.t.wHa(θd)=1

其中˜R=12π2π0a(θd)a(θd)Hdθ为阵列固有的协方差矩阵. Lagrange乘子方法求得AMV波束形成的最优权向量: wo=˜R1a(θd)aH(θd)˜R1a(θd)
要点

  1. 假设入射信号角度为[0,2π]上的独立均匀抽样, 阵列信号x[t]的协方差矩阵R会随着入射信号数的增大而逐渐趋向˜R, 因此AMV为入射信号无穷情形下的LCMV.
  2. 需要知道精确的期望信号导向向量a(θd).

基于四阶累积量的波束形成

关于累积量:

  1. M维随机变量x[t]r=k1++kM阶累积量定义为 Ck1,...,kM=rΨ(ω1,,ωM)(ω1)k1(ωM)kMωi=0

    其中Ψ(ω1,,ωM)=ln(E[ω1x1[t]++ωMxM[t]])

  2. 零均值M维随机变量x[t]的四阶累积量与矩有如下关系 cum{X,Y,Z,W}=E(XYZW)E(XY)E(ZW)E(XZ)E(YW)E(XW)E(YZ)

    比如 cum{x1[t],x1[t],x1[t],xm[t]}=E(x1[t]x1[t]x1[t]xm[t])E(x1[t]x1[t])E(x1[t]xm[t])E(x1[t]x1[t])E(x1[t]xm[t])E(x1[t]xm[t])E(x1[t]x1[t])

  3. d[t]ij[t]独立, 有 cum{d[t]+ij[t],d[t]+ij[t]}=cum{d[t],d[t]}+cum{ij[t],ij[t]}

  4. ij[t]服从高斯分布, 有 cum{ij[t],ij[t],ij[t],...}=0

    即高斯信号三阶级以上的累积量为0.

定义阵列信号x[t]的四阶累积量为 C4m=cum{x1[t],x1[t],x1[t],xm[t]},m=1,,M

C4=[C41,,C4M], 可以证明, C4只与a(θd)相差一个常数β, 因此可以作为a(θd)的估计值. 最后可用LCMV波束形成的到最优权向量 wcum1=βR1C4
或是进行盲波束形成 wcum2=ρ{R1σ2C4CH4}
其中ρ{}表示求最大特征值对应的特征向量, σ2为期望信号的功率.

要点:

  1. 要求期望信号d[t]J个干扰信号ij[t]和白噪声n[t]均两两独立, 且假定期望信号d[t]为非高斯信号, 而J个干扰信号ij[t]和白噪声n[t]均为高斯信号.

  2. 结合???, C4=βa(θd)的证明只需要用到性质???, ??? C4m=cum{a1(θd)d[t],a1(θd)d[t],a1(θd)d[t],am(θd)d[t]}=|a1(θd)|2a1(θd)cum{d[t],d[t],d[t],d[t]}am(θd)=βam(θd)

    因此β=|a1(θd)|2a1(θd)cum{d[t],d[t],d[t],d[t]}. 当干扰信号i1[t]为非高斯信号, 此时C4=β1a(θd)+β2a(θ1), 且β2=|a1(θ1)|2a1(θ1)cum{i1[t],i1[t],i1[t],i1[t]}.

CAB波束形成

关于周期平稳信号:

  1. 对于阵列接收信号矢量x[k]​​, 其周期平稳相关矩阵定义为 ϕxx(n0,α)=¯[x[k]xH[k]ej2παk]=limN1NNk=1x[k]xH[k]ej2παk

    类似的, 周期共轭平稳相关矩阵定义为 ϕxx(n0,α)=¯[x[k]xT[k]ej2παk]=limN1NNk=1x[k]xT[k]ej2παk
    如果信号在时延n0​和频率偏α时非零, 则此信号称为周期平稳信号.

  2. 实际计算过程中均采用有限采样长度N的时间平均, 并可将周期平稳相关矩阵和周期共轭平稳相关矩阵统一记号, 记作 ˆRxu={ˆϕxx(n0,α)=¯[x[k]xH[k]ej2παk]Nˆϕxx(n0,α)=¯[x[k]xT[k]ej2παk]N

    这里u[k]=x[k+n0]ej2παk​​表示时频位移矢量.

CAB波束形成的优化问题如下: maxw,cwHˆRxuccHˆRHxuws.t.wHw=cHc=1

假定这里的w,c​能使得标量信号wHx[t]​和cHu[t]​有极高的相关值, 即最大化时间平均量|[wHx[t]cuH[t]]N|2​,这也就顺便获得了期望信号. 由拉格朗日乘子法得w,c​分别为ˆRxu​的最大奇异值对应的左右奇异向量, 记wCAB​.

要点:

  1. 假定了期望信号为周期平稳信号.
  2. 假定了期望信号与干扰信号不相关.

C-CAB波束形成

C-CAB波束形成在CAB的基础上应用MVDR, 其优化问题如下: minwwHRws.t.wHwCAB=1

这里RCM×M​为阵列阵列信号x[t]​的协方差矩阵.由拉格朗日乘子法得 wCCAB=R1wCAB
要点:

  1. 继承了MVDR的问题.

R-CAB波束形成

R-CAB在C-CAB的基础上采用传统的对角线加载技术 wRCAB=(RRs+γI)1wCAB

这里的Rs​为期望信号部分的自相关矩阵, 单个期望信号的情况下有Rs=σ2swCABwHCAB​​​​, σ2s​​为期望信号的方差.

要点:

  1. 对角线加载技术通过增大小特征值信号(噪声信号)的特征值的方式来减小噪声信号特征值的扰动, 从而减弱了小特征值信号在快拍数有限时的影响.

基于恒模的盲波束形成

基于恒模的盲波束形成的优化问题如下 minwE[||wHx[t]|p1|q]

可直接用随机梯度下降方法(最新一个样本)或高斯牛顿方法(最新K个样本)解之, 对应随机梯度恒模算法和LS-CMA.

要点:

  1. 基于恒模的方法仅仅对期望信号的模做了约束.

SMI波束形成

SMI波束形成是LCMV波束形成的一种一般化 wo=μR1a(θd)

这里RCM×M​为阵列信号x[t]​的协方差矩阵. 当μ=faH(θd)R1a(θd)​即LCMV.

要点:

  1. 假定阵列接收信号由P​个信号构成, 体现在协方差矩阵R​​由特征值较大的信号和特征值较小的噪声两部分组成 R=Pi=1λiuiuHi+σ2nMi=P+1uiuHi=Pi=1(λiσ2n)uiuHi+σ2nI

    其中λ1λ2λP>λP+1==λM=σ2n​, 继而由矩阵求逆引理得 wo=μR1a(θd)=μσ2n[a(θd)Pi=1λiσ2nλiuiuHia(θd)]

  2. 实际计算由K​次采样信号来得到R​的估计值ˆR=1KKi=1x(ti)x(ti)H​, 此时ˆR​的特征值很有可能不满足后M​​个都一样, 因此就没法完全消除噪声信号带来的影响 ˆwo=μˆR1a(θd)=μˆλM[a(θd)Mi=1ˆλiˆλMˆλiuiuHia(θd)]

    我们需要一些技术来降低噪声信号带来的影响.

ADL-SMI波束形成

ADL-SMI是在SMI的基础上加上了自适应的加载量 wo=μ(R+LI)1a(θd)

此时 ˆwo=μˆR1a(θd)=μˆλM[a(θd)Mi=1ˆλiˆλMˆλi+LuiuHia(θd)]
ADL-SMI波束形成的加载量L可由如下方式确定

  1. 计算ξ=1MPMi=P+1λi​​​​​
  2. 给定常数字d​​, ξ>d​​视为信噪比较低的情况, 取L=0​​; ξd​​视为信噪比较高的情况, 取L​逐渐变大.

要点:

  1. 加载量L过大, 同时也会抑制信号,导致SINR降低; 加载量L过小, 对噪声的抑制就不明显.
  2. 加载量L的确定可通过画出方向图G(w,θ)=wHa(θ)来判断, 信号一般具有明显的方向性, 而噪声一般不具备. 适中的L能够较好的保留信号同时抑制噪声.

基于空间频域的波束形成

FLMS-ABF

  1. 首先对阵列信号x[t]​进行FFT

r[t]=Wx[t]

这里W​​​为M×M​​​​的对称矩阵、酉矩阵 W[u,v]=1Mexp(j2πuvM)u,v[0,M1]

  1. LMS求解 minVE[(d[t]VT[t]r[t])2]
    其中d[t]​为期望信号, 算法输出值为 y[t]=VT[t]r[t]

要点:

  1. LMS本质上为随机梯度方法, 在目标函数强凸(这里的二次函数显然满足)且步长满足O(1/k)​​的衰减速率的前提下, 随机梯度方法能以O(κ/k)​​的速率收敛到其最小值点. 这里的κ​​指带问题的条件数, 特别地, 这里二次问题的条件数κ​​恰为矩阵r[t]​​的最大/最小奇异值的模之比κ(r[t])=σmax(r[t])σmin(r[t])​​, 也即r[t]​​​的自相关矩阵的最大最小特征值之比再开根号.

  2. 对于一般的矩阵范数, 矩阵的条件数定义为κ(A)=AA1​​​, 由 κ(AB)=AB(AB)1ABB1A1=κ(A)κ(B)

    以及酉矩阵的条件数为1知, 对阵列信号x[t]进行FFT至少不会增加条件数.

  3. 也可在FFT之后再做一步带通滤波, 即 r[t]=WBWx[t]

小波域的波束形成

  1. 首先对阵列信号x[t]​​进行小波变换

r[t]=Wx[t]

这里W.

  1. LMS求解 minVE[(d[t]VT[t]r[t])2]
    其中d[t]​为期望信号, 算法输出值为 y[t]=VT[t]r[t]

要点:

  1. 小波变换后的信号自相关性下降, 这进一步改善了问题的条件数.

鲁棒的波束形成

LCMV方法的最大特点为需要知道精确的期望信号导向向量a(θd)​, 而实际情况中的期望信号的导向向量往往不是精确的, 为了提高LCMV波束形成对导向向量a(θd)​​的鲁棒性, 我们有以下几种改进方法.

基于二次正则的方法

基于二次正则的方法为在MVDR(即LCMV中f=1​​)优化目标函数的基础上加了一个二次正则: minwwHRw+ξwHws.t.wHa(θd)=1

Lagrange乘子方法求得解为(Diagonal Loading-Sample Matrix Inversion, DL-SMI): wDLSMI=(R+ξI)1a(θd)aH(θd)(R+ξI)1a(θd)
要点:

  1. 加二次正则等价于对协方差矩阵的特征值都加上了一个常数, 这显著改善问题的条件数(自相关矩阵的最大最小特征值之比再开根号), 增强了解的鲁棒性.
  2. 对角加载系数ξ​​​需要人为确定.

基于子空间的方法

首先将协方差矩阵通过EVD分解为信号-干扰子空间S与噪声子空间N: R=USΣSUHS+UNΣNUHN

再将导向向量a(θd)投影至信号-干扰子空间S. 此时最优权向量为(Sub Space-Sample Matrix Inversion, SS-SMI), SS): wSSSMI=R1USUHSa(θd)
要点:

  1. 仅适用SNR值较高的情形. 当SNR值较高, 信号-干扰子空间S与噪声子空间N可通过特征值分解鲁棒地区分开来; 当SNR值较低, 信号-干扰子空间S与噪声子空间N​就没法通过特征值分解鲁棒地区分开来.
  2. 在实际的导向向量Ga(θd)属于信号-干扰子空间S中的假设条件下, 投影后的导向向量USUHSa(θd)会比a(θd)更加接近实际的导向向量Ga(θd)​, 从而能够带来更精确的解.
  3. 从数学上子空间投影的角度看, 投影操作本身就能够减小导向向量a(θd)​​的误差, 从而增强了鲁棒性.
  4. 信号子空间S​的维数需要人为确定.

基于贝叶斯的方法

基于贝叶斯的方法的波束形成的最优权向量为(Bayes-Diagonal Loading-Sample Matrix Inversion, B-DL-SMI): wBDLSMI=Li=1p(θiX)wDLSMI(θi)

其中X​为K​个快拍采样的阵列信号; wDLSMI(θi)​为DL-SMI波束形成以θi​作为期望方向的解.

要点:

  1. 在DL-SMI的基础上, 结合了加权平均, 这增强了鲁棒性.
  2. 需要根据X给出DOA角度的概率估计p(θiX).
  3. DL-SMI波束形部分的对角加载系数ξ​​需要人为确定.

基于最坏情况的方法

这种方法给导向向量a(θd)​​的留下了一些误差余地ε: minwwHRws.t.|wH(a(θd)+δ)|1,δε

其中δ为导向向量的真实误差, a(θd)+δ表示真实的导向向量. 可用Lagrange乘子方法求得最优权向量(Worst-Sample Matrix Inversion, W-SMI): wWSMI=(R+λε2I)1a(θd)λaH(θd)(R+λε2I)1a(θd)1
要点:

  1. 给导向向量a(θd)​​留下的了一些误差余地带来了鲁棒性.
  2. Lagrange乘子λ​​​​​需要将最优权向量入原问题后用Newton迭代得到, 计算量较大.
  3. 误差余地ε需要人为确定.

基于概率约束的方法

当导向向量误差δ的分布已知, 可仅约束发生概率充分大的那些真实导向向量(Probability Constraint-Sample Matrix Inversion, PC-SMI) minwwHRws.t.Pr{|wH(a(θd)+δ)|1}p

比如假定导向向量误差δ​满足零均值复高斯分布, 上述问题等价于 minwwHRws.t.2erf1(p)C1/2δwwHa(θd)1
其中erf1(z)=2πz0ex2dx, Cδ为导向向量误差δ的二阶统计. 当Cδ=σ2δIε=σδ2erf1(p), 基于概率约束的方法就等价于基于最坏情况的方法.

要点:

  1. 概率值p需要人为确定.