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]
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,...,e−j(M−1)wτ], w=2πf=2πcλ, τ=dsinθc.
阵列信号由波达方向为θd的期望信号d[t]、波达方向为θj的J个干扰信号ij[t]和白噪声n[t]构成 x[t]=a(θd)d[t]+J∑j=1a(θj)ij[t]+n[t]
期望能从x[t]恢复出d[t].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+J∑j=1E[|ij[t]|2]|wHa(θj)|2+σ2n‖w‖2
要点:
- 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
要点:
- C, f需要人为确定, 且C包含a(θd).
- 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.
- 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
- 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.
- 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.
- 要求J+1<M, 且当J+1=M时, 投影为恒等变换.
- 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
- 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.
- 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.
- 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
- 可类比IGSC波束形成, 区别在于对a(θd)和wo做投影.
- 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.
- 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.
- 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R∈CM×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
- 可类比ES-GSC波束形成, 区别在于对wGSC和wo做投影.
- 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.
- 要求J+1<M.
基于斜投影的波束形成
关于投影:
- P is a projection along null space V onto range space U.
- In Hilbert space, we have the concept of inner ⟨u1,v1⟩=uH1v1, then the concept of orthogonality⟨u1,v1⟩=0.
- If U and V are orthogonal, call P orthogonal projection; If U and V are non-orthogonal, call P oblique projection(斜投影);
- 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.
- 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B到A上的投影: EAB=A(AHP⊥BA)−1AHP⊥B
- 该算法不涉及权重向量w.
- P⊥B难以计算, 一般对协方差矩阵R∈CM×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=R−σ2I,用RA的伪逆R+A取代P⊥B.
- 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
- 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.
- 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:
M维随机变量x[t]的r=k1+⋯+kM阶累积量定义为 Ck1,...,kM=∂rΨ(ω1,…,ωM)(∂ω1)k1⋯(∂ωM)kM∣ωi=0
其中Ψ(ω1,…,ωM)=ln(E[ω1x1[t]+⋯+ωMxM[t]])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],x∗1[t],x∗1[t],xm[t]}=E(x1[t]x∗1[t]x∗1[t]xm[t])−E(x1[t]x∗1[t])E(x∗1[t]xm[t])−E(x1[t]x∗1[t])E(x∗1[t]xm[t])−E(x1[t]xm[t])E(x∗1[t]x∗1[t])若d[t]与ij[t]独立, 有 cum{d[t]+ij[t],d[t]+ij[t]}=cum{d[t],d[t]}+cum{ij[t],ij[t]}
若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],x∗1[t],x∗1[t],xm[t]},m=1,…,M
要点:
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.
结合???, C4=βa(θd)的证明只需要用到性质???, ??? C4m=cum{a1(θd)d[t],a∗1(θd)d∗[t],a∗1(θd)d∗[t],am(θd)d[t]}=|a1(θd)|2a∗1(θd)cum{d[t],d∗[t],d∗[t],d[t]}am(θd)=βam(θd)
因此β=|a1(θd)|2a∗1(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)|2a∗1(θ1)cum{i1[t],i∗1[t],i∗1[t],i1[t]}.
CAB波束形成
关于周期平稳信号:
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]e−j2παk]∞=limN→∞1NN∑k=1x[k]xH[k]e−j2παk
类似的, 周期共轭平稳相关矩阵定义为 ϕxx(n0,α)=¯[x[k]xT[k]e−j2παk]∞=limN→∞1NN∑k=1x[k]xT[k]e−j2παk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.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]e−j2παk]Nˆϕxx∗(n0,α)=¯[x[k]xT[k]e−j2παk]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
要点:
- 假定了期望信号为周期平稳信号.
- 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
- 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 wR−CAB=(R−Rs+γI)−1wCAB
要点:
- 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]|p−1|q]
要点:
- 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=μR−1a(θd)
要点:
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=P∑i=1λiuiuHi+σ2nM∑i=P+1uiuHi=P∑i=1(λi−σ2n)uiuHi+σ2nI
其中λ1≥λ2≥⋯≥λP>λP+1=⋯=λM=σ2n, 继而由矩阵求逆引理得 wo=μR−1a(θd)=μσ2n[a(θd)−P∑i=1λi−σ2nλiuiuHia(θd)]实际计算由K次采样信号来得到R的估计值ˆR=1K∑Ki=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=μˆR−1a(θd)=μˆλM[a(θd)−M∑i=1ˆλi−ˆλMˆλiuiuHia(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)
- 计算ξ=1M−P∑Mi=P+1λi
- 给定常数字d, ξ>d视为信噪比较低的情况, 取L=0; ξ≤d视为信噪比较高的情况, 取L逐渐变大.
要点:
- 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.
- 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
- 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]=1√Mexp(−j2πuvM)u,v∈[0,M−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:
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.
对于一般的矩阵范数, 矩阵的条件数定义为κ(A)=‖A‖‖A−1‖, 由 κ(AB)=‖AB‖‖(AB)−1‖≤‖A‖‖B‖‖B−1‖‖A−1‖=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.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
- 首先对阵列信号x[t]进行小波变换
r[t]=Wx[t]
这里W.
- 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:
- 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
- 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.
- 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
- 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.
- 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.
- 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.
- 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): wB−DL−SMI=L∑i=1p(θi∣X)wDL−SMI(θi)
要点:
- 在DL-SMI的基础上, 结合了加权平均, 这增强了鲁棒性.
- 需要根据X给出DOA角度的概率估计p(θi∣X).
- 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,∀‖δ‖≤ε
- 给导向向量a(θd)留下的了一些误差余地带来了鲁棒性.
- 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.
- 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
要点:
- 概率值p需要人为确定.