MVDR自适应波束形成算法研究.docx

MVDR自适应波束形成算法研究.docx

《MVDR自适应波束形成算法研究.docx》由会员分享，可在线阅读，更多相关《MVDR自适应波束形成算法研究.docx（23页珍藏版）》请在冰豆网上搜索。

MVDR自适应波束形成算法研究

MVDR自适应波束形成算法研究

摘要

波束形成技术和信号空间波数谱估计是自由空间信号阵列处理的两个主要研究方面。

MVDR是一种基于最大信干噪比（SINR）准则的自适应波束形成算法。

MVDR算法可以自适应的使阵列输出在期望方向上功率最小同时信干噪比最大。

将其应用于空间波数谱估计上可以在很大程度上提高分辨率和噪声抑制性能。

本文将在深入分析MVDR算法原理的基础上，通过计算机仿真和海上试验数据处理的结果，分析了MVDR算法在高分辨率空间波数谱估计应用中的性能。

同时通过比较对角加载前后的数据处理结果，分析对角加载对MVDR的改进效果。

关键词：

波束形成；空间波数谱估计；MVDR；对角加载

StudyofMVDRSelf-adaptingBeam-formingAlgorism

Abstract

Beamformingtechnologyandsignalspecialbeam-numberspectralestimationarethetwomajorresearchingemphasisinarraysignalprocessing.MVDRisaself-adaptingalgorismbasedonthemaximalSINRprinciple.Itcanself-adaptinglymakethearrayoutputreachmaximumontheexpecteddirectionwiththelowestSINR.Applyingthisalgorismtospecialbeam-numberspectralestimationcantogreatextentincreasetheresolutionandtheinhibitioncapability.ThispapermakesafurtheranalysisofMVDRalgorismwiththeresultofcomputeremulationandtheprocessingofexperimentaldata.Furthermore,thispaperalsoshowstheimprovementofdiagonal-loadingtechnologytoMVERalgorism.

Keywords:

Beam-forming；SpatialWave-numberspectralestimation；MVDR；Diagonalloading

一．引言

MVDR（MinimumVarianceDistortionlessResponse）是Capon于1967年提出的一种自适应的空间波数谱估计算法。

通过MVDR算法得到的权系数可以使在期望方向上的阵列输出功率最小，同时信干噪比最大。

与CBF相比，MVDR算法在很大程度上提高了波数谱估计的分辨率，有效的抑制了干扰和噪声。

MVDR算法采用了自适应波束形成中常用的采样矩阵求逆（SMI）算法，该算法具有较快的信干噪比意义下的收敛速度。

SMI算法只用较少的采样数据（快拍数）就能保证权系数收敛。

然而，当快拍数较少时，波束响应的主旁瓣比往往达不到有求，波束图发生畸变。

为了能在较少快拍数下得到符合要求的波束相应图，Carlson提出了对协方差矩阵进行对角加载的算法。

通过对角加载可以有效降低由快拍数不足造成的协方差矩阵小特征值的扰动，从而避免了由此产生的波束相应图畸变。

本文的主要工作是：

分析MVDR算法以及对角加载技术的基本原理，对MVDR算法在快拍数不足和高信噪比的情况下发生畸变的原因进行讨论。

通过仿真实验给出MVDR算法相对于CBF在波束形成和空间波数谱估计应用中的改善效果，同时给出对角加载技术对MVDR算法的改善效果。

通过对海上实验数据的处理给出MVDR算法的几组应用实例，根据应用实例进一步分析MVDR相对于CBF的性能特点以及对角加载对MVDR算法的改善效果。

二．MVDR自适应波束形成算法原理

2.1MVDR权矢量

加权后的阵列输出可以表示为：

（2.1.1）

其中，Y为阵列的输出幅值，

为权矢量，

为

个阵元的输出矢量。

在一般情况下，阵元输出矢量被认为是入射信号和噪声加方向性干扰的叠加。

因此，

（2.1.2）

其中

为入射信号矢量，

为噪声加干扰矢量。

在平面波假设下，

（2.1.3）

（2.1.4）

其中

（2.1.5）

为信号入射的方向矢量，

（2.1.6）

为M个干扰源的方向矢量矩阵。

分别为信号以及干扰源和各个阵元的坐标向量，

为信源处的发射信号幅度以及

个干扰源的幅度，

为加性噪声的幅度。

将（2.1.2）带入（2.1.1）得：

（2.1.7）

由此求出阵列的输出功率为（设信号与干扰加噪声完全不相干）：

（2.1.8）

其中

分别为信号和干扰加噪声的协方差矩阵。

由（2.1.8）得，阵列输出的信干噪比为：

（2.1.9）

将

分解为

（2.1.10）

其中

为可逆方阵。

将（2.1.10）带入（2.1.9）得，

（2.1.11）

由（2.1.3）和（2.1.5）得

（2.1.12）

带入（2.1.11）得

（2.1.13）

由Schwartz不等式得，

（2.1.14）

当且尽当

（2.1.15）时等号成立。

由（2.1.15）式可以求得到最优权矢量：

（2.1.15）

由线性约束条件

得

，所以MVDR最优权矢量可以表示为：

（2.1.16）

从MVDR权矢量的表达式中我们可以看出，权矢量可以根据噪声加干扰的协方差矩阵的变化而变化，因而MVDR算法可以自适应的使阵列输出在期望方向上的SINR最大，达到最佳效果。

2.2协方差矩阵估计

在实际的阵列处理中，我们无法得到统计意义上理想的协方差矩阵，因此只能通过估计来代替。

通常采用的是最大似然估计：

（2.2.1）

其中

是同一时刻阵元输出中噪声加干扰成分，称为一次快拍，

为快拍数。

从MVDR权矢量表达式（2.1.16）中我们还可以看出，MVDR算法需要已知噪声加干扰的协方差矩阵。

在实际的阵列处理中，尤其是通过空间波数谱进行DOA估计时，噪声加干扰成分往往不能从阵元输出中分离出来，这在一定程度上限制了MVDR算法在声呐被动测向中的应用。

在实际应用中，可以用包含期望信号的协方差矩阵

来代替

。

根据（2.1.2）得（设期望信号与噪声加干扰完全不相干）：

（2.2.2）

将（2.1.12）式带入（2.2.2）式得：

（2.2.3）

用

代替（2.1.16）中的

得：

（2.2.4）

因此，在期望信号与噪声加干扰完全不相干时，用包含期望信号的协方差矩阵进行估计所得的权系数与理想情况下的最优权系数相同。

在实际信号空间波数谱估计中，往往使用

代替

求得MVDR权矢量。

2.3MVDR性能分析

MVDR算法可以使阵列在期望方向上的输出功率最小，同时信干噪比（SINR）最大。

从第一节MVDR权矢量表达式（2.1.16）中不难看出，MVDR算法之所以具有这种性质是因为最优权矢量能够自适应的在期望方向形成峰值并在干扰方向形成零点。

这样就在最大程度上消除了方向性干扰的影响。

下面将给出波束相应图来说明MVDR权矢量的这种性质。

图表1：

阵列波束相应图

图1中期望信号方向为40度，三个方向性干扰分别来自80度、90度、150度。

背景噪声为加性高斯白噪声。

图中实线表示MVDR波束相应，虚线为CBF波束相应。

从图1中可以看出，MVDR自适应的在3个干扰方向形成了零点，同时干扰越强零点越深。

CBF算法使用的是静态权矢量，无法自适应的对干扰形成零点。

2.4MVDR算法在空间波数谱估计中的应用

MVDR算法实际上是一种最小方差的谱估计方法（MVSE-PSD），将（2.1.16）式带入阵列输出功率表达式（2.1.8）得到MVDR空间波数谱估计的表达式：

（2.4.1）

同时不难求得CBF空间波数谱估计的表达式为：

（2.4.2）

两式相比得

（2.4.3）

根据Cauchy-Schwarz不等式

（2.4.3）大于等于1。

所以对于任意的波数分量，MVDR的输出功率要小于CBF，因此MVDR可以得到比CBF更陡的峰值从而具有更强的抑制噪声能力和更高的分辨率。

下面将给出MVDR在空间波数谱估计中应用的仿真实验结果。

仿真实验1

实验中入射信号为单频正弦信号，信号频率1300HZ，采样频率为6000HZ。

入射角度为90度。

等间隔直线阵阵元个数为16，阵元间隔为1/4信号波长。

信噪比为3.5dB.

图表2：

MVDR、CBF仿真对比图1

图中横坐标为信号方位，纵坐标为相对幅值

仿真实验2

实验中入射信号为单频正弦信号，信号频率分别为1100、1300、1500HZ，采样频率为6000HZ，入射角度为60度、70度、110度。

等间隔直线阵阵元个数为16，阵元间隔为1/4最短信号波长。

背景噪声为高斯白噪声，信噪比为3.5dB。

图表3：

MVDR与CBF对比图2

图中横坐标为信号方位，纵坐标为相对幅值

从图2中可以看出：

CBF的主瓣较宽，主瓣旁出现旁瓣，应用于信号DOA估计中分辨率不高且容易造成虚警。

相比之下，MVDR的主瓣宽度明显变窄，主瓣旁没有旁瓣干扰。

图中CBF、MVDR的半功率主瓣宽度分别为14.4度、0.6度。

从图3中可以进一步看出，CBF中60度和80度方向的信号完全重合在一起，无法分辨。

与之相比，MVDR的分辨率有了显著提高，60度和80度方向的信号清晰可辨。

仿真实验1、2的结果说明，MVDR作为一种空间波数谱估计算法有着较CBF更高的分辨率和更强的抑制噪声、消除旁瓣干扰的能力，将其应用于阵列信号DOA估计中可以提高目标测向的分辨率，降低虚警概率。

下面将给出MVDR处理海上实验数据的应用实例来进一步分析MVDR算法的性能。

应用实例1

海上实验数据为32阵元舷侧阵采样得到。

实验中共有5个合作目标，入射角度大致位于40度、55度、80度、140度、155度。

实验中存在位于90度和135度的两个非合作目标，分别为载体自身干扰和海底的反射干扰。

数据采样频率为6000HZ，处理频带为400~700HZ。

图表4：

MVDR航路图

图表5：

CBF航路图

图4、图5分别为MVDR和CBF信号DOA估计的航路图。

从图中可以看出，MVDR的目标航路清晰明显，各个方向的合作目标清晰可辨，航路两旁的噪声抑制良好，颜色与目标航路差别明显。

相比之下，CBF的目标航路明显变宽，航路两旁由于旁瓣和噪声的影响与目标航路混在一起，致使无法清晰的辨别目标方位。

通过对比可以看出，MVDR的分辨率比CBF高出很多，同时抑制噪声和旁瓣干扰的能力也好于CBF。

三．MVDR性能改善

3．1快拍数不足对MVDR算法的影响

如（2.1.16）式所示，MVDR采用了采样矩阵求逆（SMI）的自适应算法。

然而，在实际应用中很难的得到理想的信号协方差矩阵，需要用（2.2.1）式的最大似然估计来代替。

当估计所用快拍数不足，协方差矩阵特征值相差过大时，矩阵求逆不稳定，SMI的自适应波束旁瓣会升高，影响其抑制噪声的能力，严重时会使波束相应图发生畸变。

MVDR对波束响应旁瓣高度的抑制却对快拍数有着较高的要求。

根据Kelly,Boroson的研究，MVDR波束响