文/程院兵 鄭昱

基于干擾協(xié)方差矩陣重構(gòu)的自適應(yīng)波束形成

文/程院兵 鄭昱

針對傳統(tǒng)基于采樣協(xié)方差矩陣的自適應(yīng)波束形成在樣本數(shù)少、訓(xùn)練數(shù)據(jù)中存在期望信號等條件下，干擾抑制性能嚴重下降問題，提出一種基于干擾協(xié)方差矩陣重構(gòu)的自適應(yīng)波束形成算法。該算法采用自適應(yīng)譜估計回波空間譜，從角度維將空間譜分為期望信號區(qū)域和干擾區(qū)域，通過對干擾信號區(qū)域積分重構(gòu)干擾協(xié)方差矩陣。與傳統(tǒng)方法相比，該算法可避免訓(xùn)練數(shù)據(jù)中包含期望信號，且利用自適應(yīng)譜估計提高干擾空間譜的估計精度，從而提高干擾協(xié)方差矩陣估計精度。仿真結(jié)果證明了所提算法的有效性和優(yōu)越性。

自適應(yīng)空間譜估計 矩陣重構(gòu) 自適應(yīng)波束形成

自適應(yīng)波束形成(ADBF)技術(shù)作為陣列信號處理領(lǐng)域的重要分支，被廣泛應(yīng)用于雷達、聲吶、無線通信和語音處理等領(lǐng)域[1-8]，可根據(jù)接收陣列數(shù)據(jù)自適應(yīng)計算波束形成權(quán)值，抑制干擾。總所周知，自適應(yīng)波束形成對陣列模型和信號模型失配敏感，傳統(tǒng)基于采樣協(xié)方差矩陣(SCM)的自適應(yīng)波束形成，在訓(xùn)練數(shù)據(jù)中存在期望信號情況下，會出現(xiàn)期望信號自消。隨著信噪比(SNR)的增加，期望信號分量增加，尤其在高SNR下，輸出信干噪比(SINR)損失嚴重[2-5,8]。

為改善ADBF穩(wěn)健性，采用SCM的對角加載技術(shù)可緩解有用信號自消問題，但該方法對場景敏感，不同場景需要選擇不同的對角加載因子[4]。文獻[5]將空間角度離散化，采用對干擾角度搜索格點的CAPON空間功率譜求和得到干擾加噪聲協(xié)方差(INCM)，避免INCM中包含期望信號，但對于非角度搜索格點的干擾，其空間譜估計誤差大，造成INCM估計誤差大。

本文從空域角度出發(fā)，提出一種自適應(yīng)空間譜估計的干擾協(xié)方差矩陣重構(gòu)算法。文章首先建立了回波信號模型，回顧了傳統(tǒng)的基于采樣協(xié)方差矩陣的自適應(yīng)波束形成算法，然后給出了基于自適應(yīng)迭代算法估計空間功率譜，通過對空間譜干擾區(qū)域積分重構(gòu)干擾協(xié)方差矩陣，最后基于最小無失真方差響應(yīng)(MVDR)實現(xiàn)干擾抑制。該算法避免了訓(xùn)練數(shù)據(jù)中包含期望信號，且利用自適應(yīng)譜估計提高干擾空間譜的估計精度，從而提高干擾協(xié)方差矩陣估計精度。仿真實驗表明，本文算法對非角度搜索格點干擾的協(xié)方差矩陣具有較好的估計精度，且在低SNR和高SNR下均可獲得近似最優(yōu)的SINR性能。

1 信號模型

假設(shè)接收天線陣列為等間距均勻線陣，陣元數(shù)為M，陣元間距為半波長。期望信號和干擾信號均位于遠場，則回波信號可表示為

式中

對回波信號的波束形成輸出為

式中w∈CMx1為波束形成權(quán)矢量，(·)H表示矢量或矩陣共軛轉(zhuǎn)置。輸出信干噪比(SINR)可表示為[8]

求解式（4），可得最優(yōu)權(quán)值

2 干擾協(xié)方差矩陣重構(gòu)算法

2.1 基于自適應(yīng)空間譜估計的干擾協(xié)方差矩陣重構(gòu)

式中Θ=[-π/2,π/2]表示空間譜的角度區(qū)域?；谑剑?），則干擾加噪聲協(xié)方差矩陣可寫為

式中ΘI表示干擾角度區(qū)域。一般，干擾個數(shù)和方向未知，無法直接計算式（8），可采用下式計算

圖1：空間功率譜和自適應(yīng)波束形成方向圖

式中ks1和ks2分別對應(yīng)θs1和θs2對應(yīng)的搜索格點索引。P(θk)表示第k個角度的空間功率譜。則基于Capon譜估計得到干擾加噪聲協(xié)方差矩陣[5]

Capon譜估計能得到高分辨的空間譜，但當(dāng)干擾角度不落在搜索格點上時，空間功率譜估計誤差大，譜泄露嚴重。本文提出一種迭代自適應(yīng)空間譜(ASS)估計算法估計干擾加噪聲協(xié)方差矩陣。算法思路：計算第k個角度格點的空間譜時，其他角度格點的譜均認為是干擾項。第k個角度的干擾項協(xié)方差矩陣為

最小化除了第k點外的空間功率譜，需要求解代價函數(shù)

式中xn表示X的第n列,sk,n表示第n個采樣點在第k個角度的信號。求解式(14)得

則第k個角度的自適應(yīng)空間功率譜為

2.2 算法步驟

在2.1節(jié)基礎(chǔ)上，總結(jié)本文基于自適應(yīng)空間譜的干擾加噪聲協(xié)方差矩陣重構(gòu)算法步驟：

步驟1：初始化空間功率譜

步驟2：迭代計算空間功率譜

（1）將Pass(θk)帶入式（13）計算協(xié)方差矩陣

（3）將sk,n帶入式（17）計算Pass(θk)，k=1, …,K

（4）重復(fù)（1）～（3）至算法收斂，收斂準(zhǔn)則可設(shè)置為相鄰兩次迭代Pass(θk)的相對誤差小于某一極小值。

步驟3：將Pass(θk)帶入式（17）計算干擾項協(xié)方差矩陣

步驟4：基于MVDR準(zhǔn)則，本文基于干擾加噪聲協(xié)方差矩陣重構(gòu)的自適應(yīng)波束形成權(quán)矢量

3 仿真結(jié)果與性能分析

假設(shè)雷達收發(fā)陣列的陣元數(shù)32，陣元間距半波長。發(fā)射信號為帶寬5MB、脈寬20us、重復(fù)周期200us的線性調(diào)頻(LFM)信號。目標(biāo)信號角度0°，信噪比25dB，目標(biāo)位于第180個距離門。下面從對干擾抑制性能和輸出信干噪比與輸入信噪比關(guān)系兩個方面說明本文算法的有效性和優(yōu)越性。仿真實驗中，“MPDR-R”表示基于采樣協(xié)方差矩陣和MPDR準(zhǔn)則的結(jié)果，“MVDR-Ri+n-CAPON”表示采用Capon空間譜重構(gòu)干擾加噪聲協(xié)方差矩陣和MVDR準(zhǔn)則的結(jié)果，“MVDR-Ri+n-ASS”表示采用本文提出的基于自適應(yīng)空間譜重構(gòu)干擾加噪聲協(xié)方差矩陣和MVDR準(zhǔn)則的結(jié)果，“DBF”表示未采用自適應(yīng)算法的常規(guī)波束形成。

3.1 實驗1：干擾抑制性能

圖2：干擾抑制輸出結(jié)果

圖2給出了DBF和上述三種方法的干擾抑制輸出結(jié)果?？梢钥闯?，干擾抑制前，DBF輸出目標(biāo)SINR約6dB，無法檢測。干擾抑制后，MVDR-Ri+n-ASS算法輸出SINR=39.4dB，高于MPDR-R算 法7.7dB，高 于MVDR-Ri+n-CAPON算法11.5dB。這是因為MPDR-R算法中采樣協(xié)方差矩陣中含有目標(biāo)信號，造成信號自消；CAPON空間譜算法對干擾空間功率譜估計偏差大，造成干擾協(xié)方差矩陣估計誤差大。

3.2 實驗2：輸出信干噪比與輸入信干噪比關(guān)系

干擾參數(shù)、目標(biāo)角度和距離門同實驗1。圖3給出了輸出信干噪比與輸入信干噪比關(guān)系。圖中MVDR-Opt為基于式(5)最優(yōu)權(quán)值得到的結(jié)果，MVDR-R為基于式(6)權(quán)值得到的結(jié)果，MVDR-Ri+n-CAPON為式(12)權(quán)值的結(jié)果，MVDR-Ri+n-ASS為基于式(18)權(quán)值的結(jié)果?？梢钥闯?，MVDR-Opt接近輸出SINR理論值M×SNR，本文MVDR-ASS算法結(jié)果在低SNR和高SNR下的SINR均與最優(yōu)權(quán)值結(jié)果接近，優(yōu)于MPDR-R和MVDR-Ri+n-CAPON算法。這是因為：采樣協(xié)方差中含有目標(biāo)分量，造成MVDR-R方法隨著輸入SNR的增大，輸出SINR損失嚴重；本文基于自適應(yīng)空間譜(ASS)算法相比基于CAPON譜算法具有更高的干擾功率譜估計精度，可提高干擾協(xié)方差矩陣估計精度。

圖3：輸出SINR與輸入SNR的關(guān)系

4 結(jié)束語

本文提出一種基于干擾協(xié)方差重構(gòu)的自適應(yīng)波束形成算法。該算法采用自適應(yīng)迭代方法估計空間功率譜，通過對空間功率譜積分重構(gòu)干擾協(xié)方差矩陣。與基于采樣協(xié)方差矩陣算法相比，本文算法避免了由于協(xié)方差矩陣中包含目標(biāo)信號引起的信號自消，且在低SNR和高SNR下均可獲得近似最優(yōu)的SINR性能。同時，本文算法對落在非角度搜索格點的干擾同樣具有較高的功率譜估計精度，提高了干擾協(xié)方差矩陣估計精度，從而改善干擾抑制性能。

[1]H.Ruan and R.C.de lamare.Robust adaptive beamforming using a lowcomplexity sharinkage-base mismatch estimation algorithm[J].IEEESignal Processing Letter,2014,21(17)：60-64.

[2]Bin L.,Chongtao G.and Lei H.et al.Robust adaptive beamforming with random steering vector mismatch[J].Signal Processi ng,2016,129(04)：190-194.

[3]F.Shen,F.Chen and J.Song.Robust adaptive beamforming based on steering vector estimation and covariance matrix reconstruction[J]. IEEE Communications Letter,2015,19(09)：1636-1639.

[4]Li J.,Stoica P.and Wang Z. On robust Capon beamforming and diagonal loading[J].IEEE Transactions on Signal Processi ng,2003,51(07)：1702-1715.

[5]Y.Gu,N.A.Foodman,and S.Hong,et al.Robust adaptive beamforming based on interference covariance matrix reconstruction and steering vector estimation[J].IEEE Transactions on Signal Processi ng,2012,60(07)：3881-3885.

[6]陳沛,趙擁軍,劉成城.基于稀疏重構(gòu)的共性陣列穩(wěn)健自適應(yīng)波束形成算法[J].電子與信息學(xué)報,2017,39(02)：301-308.CHENPei,ZHAOYongjun,LIUChengc heng. Robust adaptive beamforming algorithm for conformal arrays based on spares reconstruction[J].Journal ofElectronics and Information Technology,2017,39(02)：301-308.

[7]李立欣,白童童,張會生,等.改進的雙約束穩(wěn)健Capon波束形成算法[J]. 電子與信息學(xué)報,2016,38(08)：2014-2019.LI Lixin,BAITongtong, ZHANG Huisheng,et al.Improved double constraint robust Capon beamformingalgorithm[J].Journal of Electronics and Information Techn ology,2016,38(08)：2014-2019.

[8]Li J.andStoica P.Robust adaptive beamforming[M].New Jersey：John Wiley & Sons Press,2006.

[9]王永良,陳輝,彭應(yīng)寧,等.空間譜估計理論與算法[M].北京：清華大學(xué)出版社,2004.WANG Yongliang,CHEN Hui,PENG Yingning, et al.Spatial spectrum estimation theory and algorithm[M]. Beijing： Tsinghua University Press,2004.

作者單位 南京電子技術(shù)研究所 江蘇省南京市 210039

程院兵（1984-），男，江蘇省南京市人。博士學(xué)位。現(xiàn)為南京電子技術(shù)研究所工程師。主要研究方向為機載雷達信號處理、MIMO雷達信號處理、譜估計等。