波束形成-张小飞.doc

第三章 波束形成算法3.1 波束形成的发展近年来，阵列信号处理在无线通信系统中得到了广泛应用。在蜂窝移动通信中，通信信道的需求急剧增长，使提高频谱复用技术显得日益重要。这就是通常说的空分多址（SDMA）。其中一个重要部分便是波束形成。自适应波束形成（ADBF）亦称空域滤波，是阵列处理的一个主要方面，逐步成为阵列信号处理的标志之一，其实质是通过对各阵元加权进行空域滤波，来达到增强期望信号、抑制干扰的目的；而且可以根据信号环境的变化自适应地改变各阵元的加权因子。自从1959年Van Atta提出自适应天线这个术语以来，自适应天线发展至今已经40多年了，自适应研究的重点一直是自适应波束形成算法，而且经过前人的努力，已经总结出许多好的算法比如SMI算法，ESB算法等等。但理论与实际总是有差距的，因为实际系统存在误差，这使得实际阵列流形与理想阵列会把期望信号当干扰进行一直，造成输出信号干扰噪声比下降和副瓣电平升高，当输入信号的信噪比（SNR）较大时，这种现象尤为明显。面对误差，传统自适应波束形成算法的效果很不理想，所以，研究实际环境下稳健的自适应波束形成算法具有重要的理论意义和军事，民用应用价值。自适应波束形成常用协方差矩阵求逆（SMI）算法，该算法具有较快的信号干扰噪声比（SINR）意义下的收敛速度。从协方差矩阵分解的角度，自适应波束形成是协方差矩阵特征值分散，小特征值对应的特征矢量扰动，并参与自适应权值计算所致。针对这一问题，基于协方差矩阵非线性处理和对角线加载波束保形方法，对协方差矩阵非线性处理的加权因子的选取只能通过经验来取得；而在不同的干扰和噪声环境下对角线加载量的选取，至今没有很好的解决方法。文献3提出了利用投影算子对阵列数据进行降维处理,在一定程度上降低了运算量,同时提高了自适应波束的稳健性,其投影算子是根据目标和干扰的粗略估计,以及不完全的阵列流形知识得到的。当相关矩阵中含有期望信号时,导致输出SINR下降,波形畸变较严重,另外,当存在系统误差和背景噪声为色噪声时,该方法虽然能够减小协方差中的扰动量,但副瓣电平还会出现一定程度的升高以及主瓣发生偏离现象。文献45提出的基于特征空间(ESB)的自适应波束形成算法,其权向量是在线性约束最小方差准则(LCMV)下的最优化权,向信号相关矩阵的特征空间作投影得到的。文献6提出了一种改进的自适应波束形成算法,该算法根据期望信号输入的大小,进行不同的处理,同时在存在相关或者相干干扰时仍具有较好的抑制性能和波束保形能力,从而大大提高了波束形成的稳健性。在阵列信号处理自适应数字波束形成(ADBF)技术中,线性约束最小方差准则(LCMV)是比较常用的一种算法7,它在保证对期望信号方向增益一定值的条件下,计算最优权矢量使阵列输出功率最小,因此该算法需要知道精确的期望信号方向作为约束方向.但是实际系统常存在误差,当期望信号的实际方向与约束方向有误差时,称这一误差为指向误差,自适应波束形成会把实际期望信号作为干扰,在其方向上形成零陷,导致期望信号相消,线性约束最小方差准则的性能会急剧下降.为了克服LCMV算法对指向误差的敏感性,人们又提出了基于特征空间波束形成算法(ESB)811,其权矢量是由LCMV波束形成器的最优权矢量向信号相关矩阵特征空间作投影得到的,该算法比LCMV算法有较好的性能,具有较快的收敛速度和较强的稳健性.虽然ESB算法不象LCMV算法那样对指向误差敏感,但当指向误差较大时, ESB算法的性能也会急剧变差,尤其是当阵列孔径较大时,很小的指向误差也会使ESB算法性能下降,文献12提出一种改进的ESB自适应波束形成算法在指向误差较大时,仍能有较好的性能.该算法主要是利用阵列接收数据来校正ESB算法的约束导向矢量,使该导向矢量尽可能地接近期望信号的导向矢量,从而提高波束形成器的性能. ESB自适应波束形成算法的前提是必须知道信号源的数目11,估计信号源数的主要方法有AIC和MDL法;另外, ESB算法一般处理的都是信号不相干的情况,当信号相干时, ESB算法和空间平滑或Toeplitz化等解相关技术结合起来,同样可以达到好的效果。阵列天线自适应波束形成技术在理论上具有十分优良的性能，但是在实际应用中却不尽如人意，究其原因是阵列天线不可避免地存在各种误差（如阵元响应误差、通道频率响应误差、阵元位置扰动误差、互耦等），各种误差可以综合用阵元幅相误差来表示。近年来，许多文章从不同侧面分析了阵列误差对自适应阵性能的影响。文献13对各种误差的影响进行了分析综述，基本结论是，对于只利用干扰加噪声协方差矩阵求逆（Noise-Alone Matrix Inverse,NAMI）的方法，幅相误差对自适应波束形成的影响不大（干扰零点深度没有变化，波束指向有一定的误差）；但是对于利用信号加干扰和噪声协方差矩阵求逆（Signal-Plus-Nose Matrix Inverse,SPNMI）的自适应防哪个法，当信号噪声比(SNR)较大时，虽然干扰零点位置变化不大，但是在信号方向上也可能形成零陷，导致输出SNR严重下降。线性约束最小方差（LCMV）准则是最常用的自适应波束形成方法，当信噪比差国一定的门限时，基于CPNMI方法的线性约束自适应波束形成器对阵列天线的幅相误差有很高的敏感度，即使在误差很小的情况下，期望信号也会如同干扰一样被抑制掉。广义旁瓣相消器（GSC）是LCMV的一种等效的实现结构，GSC结构将自适应波束形成的约束优化问题转换为无约束的优化问题，分为自适应喝非自适应两个支路，分别称为主支路和辅助支路，要求期望信号只能从非自适应的主支路通过，而自适应的辅助支路中仅含有干扰和噪声分量，其自适应过程可以克服上述SPNMI方法中期望信号含于协方差矩阵引起的信号对消问题。但是正如文献14中所指出，由于阵列天线误差的存在，GSC的阻塞矩阵并不能很好地将期望信号阻塞掉，而使其一部分能量泄露到辅助支路中，当信噪比较高的时候，辅助支路中也含有相当的期望信号能量，类同SPNMI方法，此时会出现严重的上下支路期望信号抵消的现象，文献14将泄露的期望信号功率作为惩罚函数，提出了人工注入噪声的方法，使GSC具有稳健性，人工注入的噪声必须具有合适的功率，文献15指出，波束形成齐的稳健性可用它的白噪声增益来衡量，对白噪声增益的限制可用对自适应权向量进行二次不等约会素来代替，使自适应权向量的范数小于一定的值，同样可以提高GSC的稳健性。此外，在这些基本算法的基础上，文献16提出了一种基于广义特征空间的波束形成器（GEIB）。文献17提出了正交投影方法(OP)。文献18，19提出了一种基于酉变换的谱估计方法,已成功应用于波达方向估计中。3.2 常用的波束形成算法本章介绍了几种常用的波束形成算法，并比较了适应波束形成的准则。文中对常用的波束形成算法进行了仿真。3.2.1 波束形成定义利用阵元直接相干叠加而获得输出，因而很显然只有在垂直于阵列平面的方向的入射波在阵列输出端才能同相叠加，以致形成方向图中的主瓣的极大值。反过来说，如果阵列可以围绕它的中心轴旋转，那么当阵列输出为最大时，空间波必然由垂直于阵列平面的方向入射而来。但有些天线阵列是很庞大的，是不能转动的。因此，我们设法设计一种相控阵天线（或称常规波束形成法）或称CBF法，这是最早出现的阵列信号处理方法。在这种方法中，阵列输出选取一个适当的加权向量以补偿各个阵元的传播延时，从而使在某一期望方向上阵列输出可以同相叠加，进而使阵列在该方向上产生一个主瓣波束，而对其他方向上产生较小的响应，用这种方法对整个空间进行波束扫描就可确定空中待测信号的方位。以一维M元等距线阵为例，如图所示，设空间信号为窄带信号，每个通道用一个复加权系数来调整该通道的幅度和相位。图3.2.1 波束形成算法结构图这时阵列的输出可表示为： （3.2.1）上式中“*”表示复共轭。如果采用向量来表示各阵元输出及加权系数： （3.2.2）那么，阵列的输出也可用向量表示： （3.2.3）为了在某一方向上补偿各阵元之间的时延以形成一个主瓣，常规波束形成器在期望方向上的加权向量可以构成为： （3.2.4）观察此加权向量，发现若空间只有一个来自方向的信号，其方向向量的表示形式跟此权向量一样。则有： （3.2.5）这时常规波束形成器的输出功率可以表示为： （3.2.6） 上式就是理想条件下的常规波束形成法的输出功率谱，3-4式中矩阵R为阵列输出X(t)的协方差矩阵。即。下面我们来分析以下常规波束形成法的角分辨率问题。一般来说，当空间有两个同频信号（例如多径信号或干扰信号），投射到阵列，如果它们的空间方位角的间隔小于阵列主瓣波束宽度时，这时不仅无法分辨它们而且还会严重影响系统的正常工作，或者说：对于阵列远场中的两个点信号源，仅当它们之间的角度分离大于阵元间隔（或称阵列孔径）的倒数时 ，他们方可被分辨开，这就是瑞利准则，说明常规波束形成法固有的缺点就是即角分辨低，如果要设法提高角分辨率，就要增加阵元间隔或增加阵元个数。这有时在系统施工上式难于实现的。除此之外，常规波束法中固定的加权向量即一旦选定就不能够改变了。3.2.2 波束形成的最佳权向量虽然阵列天线的方向图是全方向的，但阵列的输出经过加权求和后，却可以被调整到阵列接收的方向增益聚集在一个方向，相当于形成了一个“波束”。这就是波束形成的物理意义所在。波束形成技术的基本思想是：通过将各阵元输出进行加权求和，在一时间内将天线阵列波束“导向”到一个方向上，对期望信号得到最大输出功率的导向位置即给出波达方向估计。上述“导向”作用是通过调整加权系数完成的，阵列的是对各阵元的接收信号向量x(n)在各阵元上分量的加权和。令权向量为，则输出可写作 （3.2.7）可见对不同的权向量，上式对来自不同方向的电波便有不同的响应，从而形成不同方向的空间波束。一般用移相器作加权处理，即只调整信号相位，不改变信号幅度，因为信号在任一瞬间各阵元上的幅度式相同的，不难看出，若空间只有一个来自方向的电波，其方向向量为，则当权向量w取作时，输出最大，实现导相定位作用。这时，各路的加权信号为相干叠加，我们称这一结果为空域匹配滤波。匹配滤波在白噪声背景下是最佳的，如果存在干扰信号就要令作考虑。下面考虑更复杂情况下的波束形成。令空间远场有一个我们感兴趣的信号d(t)（或称期望喜好，其波达方向为）和J个我们不感兴趣的信号（或称干扰信号，其波达方向为）。令每个阵元上的加性白噪声为，他们都具有相同的方差。在这些假设条件下，第k个阵元上的接收信号可以表示为 （3.2.8）式中等式右边的三项分别表示信号、干扰和噪声。 若用矩阵形式表示式（3.2.9），则有 (3.2.9)或简记作 (3.2.10)式中表示来自波达方向的发射信源的方向向量。N个快拍的波束形成器输出的平均功率为 (3.2.11a) (3.2.11b)这里忽略了不同用户之间的相互作用项即交叉项。当时，式（3.2.12a）可写为 (3.2.12)式中为阵列输出的协方差矩阵。另一方面，当时，式（3.2.12b）可表示为 (3.2.13)在获得上式的过程中，使用了各加性噪声具有相同的方差这一假设。表示波束形成器的期望输出功率的式（3.2.13）的两种形式是非常有用的。为了保证来自方向期望信号的正确接收，并完全抑制其他J个干扰，我们很容易根据式（3.2.13）得到关于权向量的约束条件： (3.2.14a) (3.2.14b)约束条件（3.2.14）习惯称为波束“置零条件”，因为它强迫接收阵列波束方向图的“零点”指向所有J个干扰信号。在以上两个约束条件下，式（3.2.13）简化为从提高信干噪比的角度来看，以上的干扰置零并不是最佳的：虽然选定的权值可使干扰输出为零，但可能使噪声输出加大。因此，抑制干扰和噪声应一同考虑。这样一来，波束形成器最佳权向量的确定现在可以叙述为：在约束条件（3.2.14）的约束下，求满足 (3.2.15)的权向量w。这个问题很容易用Lagrange乘子法求解。令目标函数为： (3.2.16)根据线性代数的有关知识，标量函数f(w)对复向量的偏导数定义为 (3.2.17)利用这一定义，可以得到 (3.2.18a) (3.2.18b)由式（3.2.16）和（3.2.18）易知的结果为 ，直接得到的接收来自方向的期望信号d(t)的波束形成器的最佳权向量为 (3.2.19a)式中,为一比例常数；是我们来自方向期望接收的信号的波达方向。这样，我们就可以决定J+1个发射信号的波束形成的最佳权向量，此时，波束形成器将只接收来自方向的信号，并拒绝所有来自其他波达方向的信号。注意到约束条件也可等价写作。式（3.2.19a）两边同乘，并与等价的约束条件比较，立即知式（3.2.19a）中的常数应满足 (3.2.19b)从上面介绍的阵列处理的基本问题可以看出，空域处理和时域处理的任务截然不同，传统的时域处理主要提取信号的包络信息，作为载体的载波在完成传输任务后，不再有用；而传统的空域处理则为了区别波达方向，主要利用载波在不同阵元间的相位差，包络反而不起作用，并利用窄带信号的复包络在各阵元的延迟可忽略不计这一特点以简化计算。如式（3.2.19）所示，波束形成器的最佳权向量w取决于阵列方向向量，而在移动通信里用户的方向向量一般是未知的，需要估计（称为波达方向估计）。因此，我们在使用式（3.2.19）计算波束形成的最佳权向量之前，必须在已知阵列几何结构的前提下先估计期望信号的波达方向。3.2.3 Capon波束形成器Capon于1969年提出的最小方差法式针对常规波束形成法的一种修正。它用一个可调节的加权向量代替了常规波束法中的固定的加权向量。因为常规波束形成器中在期望方向上的输出，既包含了期望方向上的空间信号的激励也包含了其他方向的空间信号激励。为了减少阵列对非期望方向上激励的响应，可构造一个约束的最优化条件。这一最优化问题的准则就是：在保证期望方向上阵列的增益为一常数的前提下，使阵列的输出功率达到最小。Capon波束形成器也称最小方差无畸变响应波束形成器，它试图使噪声以及来自非方向的任何干扰所贡献的功率为最小，但又能够保持在观测方向上的信号功率不变。根据式（3.2.8），此带有约束条件的最优化问题可表述为： （3.2.20）约束条件 （3.2.21）利用拉格朗日法来求解式（3.2.10）和（3.2.11）的带约束条件的最优化问题，为此构造一个代价函数： （3.2.22）其中为任意常数，式（3.2.15）对W求微分，并令其为零，则可求得最佳权向量。 （3.2.23）相应的阵列输出的方位角功率谱为 （3.2.24）最小方差估计器给出的方位分辨率较常规波束的要好，这是因为则有：另外，最小方差估计器的方位谱直接对应了阵列接受端的噪声功率，所以谱峰的高度表示了这些方位上的信号功率估计。最后还要指出：从式(3.2.14)可知，最小方差估计器的方向谱是通过扫描向量在观测空间中对采样协方差矩阵R的逆矩阵做扫描才得到的。如果空间信号强相关或相关，那么协方差矩阵可能出现病态甚至降秩。因此这种方法无法解相干源，而且相对而言，最小方差法的计算量也比较大。Capon波束形成器比常规波束形成器性能更好的主要原因是：前者使用每一个可利用的自由度，使得接收能量聚集在一个方向上。3.2.4 波束形成的准则由于传统的常规波束形成法分辨率较低，这促使人民开始对高分辨技术的探索，自适应波束形成算法很快就成了研究热点，并在近半个世纪的时间里历久不息。自适应波束形成亦称ADBF，它在某种最优准则下通过自适应算法来实现权集寻优的，自适应波束形成能适应各种环境的变化，实时地将权集调整到最佳位置附近。最优权向量准则实时高效的波束形成算法时自适应天线技术的关键，波束形成算法时在一定准则下综合各输入信息来计算最优权值的数学方法。这些准则中最重要最常用的有：*最大信号噪声比准则（MSNR）使期望信号分量功率与噪声分量功率之比为最大。但是必须知道噪声的统计量和期望信号的波大方向。*最大信干噪比准则（MSINR）使期望信号分量功率与干扰分量功率及噪声分量功率之和的比为最大。*最小均方误差准则（MMSE）在非雷达应用中，阵列协方差矩阵中通常都含有期望信号，基于此种情况提出的准则。使阵列输出与某期望响应的均方误差为最小，这种准则不需要知道期望信号的波达方向。*最大似然比准则（MLH）在对有用信号完全先验无知的情况，这时参考信号无法设置，因此，在干扰噪声背景下，首先要取得对有用信号的最大似然估计。*线性约束最小方差准则（LCMV）对有用信号形式和来相完全已知，在某种约束条件下使阵列输出的方差最小。前面提到的Capon波束形成器就是基于这种准则。就是它的约束条件。可以证明，在理想情况下这几种准则得到的权是等价的。并可写成通式 （3.2.25）通常称（3.2.25）为维纳解。其中，是无干扰的方向函数，亦称约束导向矢量，而是不含期望信号的阵列协方差矩阵。因此在自适应算法中选用哪一种性能度量并不重要，而选择什么样的算法来调整阵波束方向图进行自适应控制却是非常重要的，原因是各种自适应控制的算法虽然都收敛到相同的稳态解，但他们却直接决定这新的暂态响应速度和实现电路的复杂度。另外，定义为阵列的方向响应，也称为方向系数或者波束形成图。表3.2.1比较了MMSE，Max SNR和LCMV三种统计最佳波束形成技术的优化准则，代价函数、最佳解及具有的优缺点。表中LCMV方法的线性约束条件取作时，该方法也就是Capon最小方法无畸变响应（MVRD）波束形成器。表3.2.1 三种统计最佳波束形成方法的性能比较方法MMSEMax SNRLCMV准则使阵列输出与某期望响应的均方误差最小使期望信号分量功率与噪声分量功率之比最大在某种约束条件下使阵列输出的方差最小代价函数最佳解优点不需要波达方向的知识信噪比最大广义约束缺点产生干扰信号必须知道噪声的统计量和期望信号的波达方向必须知道期望分量的波达方向3.2.5 仿真与分析仿真一：LCMV波束形成方法在不同信噪比情况下的比较仿真中阵列中的天线数为16，阵列之间间距为半波长，信道为AWGN，在快拍数为200，SNR分别取-15，5和15的情况下，我们用计算机分别仿真出LCMV方法在不同SNR情况下得到的波束形成方向图。DOA分别取5o，20o，30o，40o，50o和60o。图3.2.2 DOA=20o的波束形成方向图图3.2.3 DOA=40o的波束形成方向图图3.2.2和3.2.3给出了在不同SNR情况下LCMV波束形成方法在DOA为20o和40o的波束形成方向图。由图3.2.2和3.2.3可以看出随着信噪比的提高波束形成的效果下降。这是因为接收信号的协方差矩阵R中对应的小特征值的扰动引起的。仿真二：LCMV波束形成方法在不同快拍数情况下的比较仿真中阵列中的天线数为16，阵列之间间距为半波长，信道为AWGN，在SNR为-15，快拍数分别为2000，200和20的情况下，我们用计算机分别仿真出LCMV方法在不同快拍数情况下得到的波束形成方向图。DOA分别取5o，20o，30o，40o，50o和60o。图3.2.4和3.2.5给出了在不同快拍数的情况下LCMV波束形成方法在DOA为20o和40o时的波束形成方向图。由图3.2.4和3.2.5可以看出随着快拍数的减小波束形成的效果下降。图3.2.4 DOA=20o的波束形成方向图图3.2.5 DOA=40o的波束形成方向图3.3 自适应波束形成算法3.3.1 引言自适应研究的重点一直是自适应算法，经典的自适应波束形成算法大致可分为闭环算法（或者反馈控制方法）和开环算法（也称直接求解方法），一般而言，闭环算法比开环算法要相对简单，实现方便，但其收敛速率受到系统稳定性要求的限制，它包括最小均方（LMS）算法，差分最陡下降（DSD）算法、加速梯度（AG）算法以及这三算法的变形。近二十多年来，人们把兴趣更多地集中在开环算法的研究上。这种直接求解方法不存在收敛问题，可提供更快的暂态响应性能，但也同时受到处理精度和阵列协方差矩阵求逆运算量的控制。事实上，开环算法可以认为是实现自适应处理的最佳途径，目前被广泛使用，但开环算法运算量较大，人们想到了采用部分自适应处理技术，它减轻了自适应算法的实时计算负荷，且能产生较快的自适应响应，设计部分自适应波束形成器的方法主要有波束法，特征结构法和功率最小法，当然，这将带来误差。当阵列流形精确已知时，自适应波束形成能在干扰位置自动形成零点，使得阵列输出信号干扰噪声比（SINR）最大。但是实际系统总存在误差，包括自适应训练样本有限引起的协方差矩阵的估计误差和各种系统误差，如阵元幅相误差、阵元位置误差、阵元之间的互耦、通道频率特性失配等，误差使得实际阵列流形与理想阵列流形存在差异，在不少场所合误差不是很小，自适应阵列会将信号误当作干扰进行抑制，造成输出信号干扰噪声比下降合副瓣电平升高，特别是当输入信号的信噪比较大时，这种现象尤为明显。3.3.2 自适应波束形成的最佳权向量图3.3.1 自适应波束形成的结构传统自适应波束形成的结构见图3.3.1所示，通过自适应信号处理获得波束形成的权重。假定阵元m的输出为连续基带（即复包络）信号，经过A/D转换后，变成离散基带信号，其中m=0，1，M-1，并以阵元0为参考点。另外假定共有Q个信源存在，表示在时刻k对第q信号解调所加的权向量，其中q=1，Q。权向量用某种准则确定，以使解调出来的第q个信号的质量在某种意义下最优。在最佳波束形成中，权向量通过代价函数的最小化确定。典型情况，这种代价函数越小，阵列输出信号的质量也越好，因此当代价函数最小时，自适应阵列输出信号的质量最好。代价函数有两种最常用的形式，它们分别对应为在通信系统中广泛使用的最著名方法最小均方误差（MMSE）方法和最小二乘（LS）方法。在这两种方法里，都是通过求在时刻k得到的第q个拥护的期望信号的估计。MMSE方法MMSE准则是在波形估计，信号检测和系统参数辨识等信号处理中广泛使用的一种优化准则。顾名思义，MMSE准则就是使估计误差的均方值（总体平均）最小化，即代价函数取 （3.3.1）式中代价函数为第q个信号的阵列输出与该信号在深刻k的期望形式之间的平方误差的数学期望值。上式可以展开成由上式可以求得 （3.3.2）式中是数据向量x(k)的自相关矩阵，即 （3.3.3）而是数据向量x(k)与期望信号的互相关向量，即 （3.3.4）令 ，则得 （3.3.5）这就是MMSE意义下的最佳天线阵列权向量，它是Wiener滤波理论中最佳滤波器的标准形式。LS方法在MMSE方法中，代价函数定义为阵列输出与第q个用户期望响应之间误差平方的总体平均（均方差），实际数据向量总是有限长的，如果直接定义代价函数为其误差平方，则得到LS方法。假定有N个快拍的数据向量x(k)，k=1,.,N，定义代价函数 （3.3.6）容易求出其梯度为 （3.3.7）令梯度等于零，易得 （3.3.8）这就是最小二乘意义下针对第q个用户的波束形成器的最佳权向量，式中 （3.3.9）分别是数据向量和期望信号向量。上面介绍的MMSE方法和LS方法的核心问题是，在对第q个用户进行波束形成时，需要在接受端使用该用户的期望响应。为了提供这一期望响应，就必须周期性发送对发射机和接受机二者皆为已知的训练序列。训练序列占用了通信系统宝贵的频谱资源，这是MMSE方法和LS方法共同的主要缺陷。一种可以代替训练序列的方法时采用决策指向更新（decision-directed adaptation）对期望响应进行学习。在决策指向更新中，期望信号样本的估计 根据阵列输出和信号解调器的输出重构。由于期望信号是在接受端产生的，不需要发射数据的知识，因此不需要训练序列。然而，当解调器出现误差时，重构的期望信号估计值的质量会很差，使用这一估计的自适应酸法就可能导致权向量不正确，这又会进一步加剧解调信号的误差。除了MMSE和LS这两种最佳波束形成技术外，还有最大信噪比（Max SNR）和线性约束最小方差（LCMV：linearly constrained minimum variance）两种统计最佳波束形成技术。上面介绍了确定自适应阵列系统的最佳权向量的集中方法，但他们都是批处理方法。我们在前面曾反复强调，由于移动用户的运动，移动通信中的无线信道和信源的波达方向均是时变的，因此最佳波束形成应该具有自适应不断更新权向量的功能。3.3.3 权向量更新的自适应算法上面介绍的自适应阵列的最佳权向量确定需要求解法方程，一般说来，我们并不希望直接求解法方程，其理由如下：（1）由于移动用户环境是时变的，所以权向量的解必须能及时更新；（2）由于估计最佳解需要的数据是含噪声的，所以希望使用一种更新技术，它能够利用已求出的劝降量求平滑最佳响应的估计，以减小噪声的影响。因此，我们希望使用自适应算法周期更新权向量。自适应算法既可采用迭代模式，也可采用分块模式工作。所谓迭代模式，就是在每个迭代步骤，n时刻的权向量加上一校正量后，即组成（n+1）时刻的权向量 ，用它逼近最加权向量w。在分块模式中，权向量不是在每个时刻都更新，而是每隔一定时间周期才更新；由于一定时间周期对应于一数据块而不是一数据点，所以这种更新又称分块更新。为了使阵列系统能自适应工作，就必须将上节介绍的方法归结为自适应算法。这里以MMSE方法为例，说明如何把它变成一种自适应算法。考虑随机梯度算法，其更新权向量的一般公式为 （3.3.10）式中，；称为收敛因子，它控制自适应算法的收敛速度。由式（3.3.2）直接有 （3.3.11）上式中的数学期望用各自的瞬时值代替，即得k时刻的梯度估计值如下： （3.3.12）式中，代表阵列输出与第q个用户期望响应之间的瞬时误差。容易证明（例如参考文献35），梯度估计是真实梯度的无偏估计。将式（3.3.12）代入式(3.3.10)，即得到我们熟悉的LMS自适应算法如下： （3.3.13）MMSE方法可以用LMS算法实现，而LS方法的自适应算法为递推最小二乘（RLS）算法。表3.3.1列出了自适应阵列系统权向量更新的三种自适应算法，它们是LMS算法，RLS算法和Bussgang算法。从表中可看出，自适应算法LMS和RLS需要使用训练序列，但Bussgang算法不需要训练序列。除了Bussgang算法外，还由一些自适应算法也不需要训练序列。这些不需要训练序列的方法习惯统称为盲目自适应算法。表3.3.1 三种自适应波束形成算法的比较算法最小均方（LMS）算法递推最小二乘（RLS）算法Bussgang算法初始化更新公式收敛因子注意，在Bussgang算法中，g(y(k)是一个非线性的估计子，它对解调器输出的信号y(k) 作用，并用g(y(k)代替期望信号d(k)，然后产生误差函数e(k)=d(k)-y(k)=g(y(k)-y(k)。个人无线通信系统与雷达、声纳等军事应用不同，移动用户通常是合作性对象。由于是合作性的，虽然直接利用发射信号本身（训练序列）不可取（因为浪费宝贵的频谱资源），但我们却可充分利用发射信号的某些特征，例如前面介绍的时间特征（恒模性、非高斯性和循环平稳性等）。Bussgang算法对发射的信号（接收机的输入信号）是完全“闭上眼睛”的，对可以利用的发射信号的特征视而不见。因此，估计子 （相对于发射信号）是无记忆的。相反，另外一些盲自适应算法则对发射信号“张开眼睛”，灵巧地利用发射信号的特征进行相应 的算法设计。从这个角度讲，Bussgang算法是一种全盲的自适应算法，而其他盲目自适应算法则是“半盲”的。由于充分利用了发射信号的固有特征、半盲自适应算法往往可以收到事半功倍的效果。3.4 广义旁瓣相消(GSC)的波束形成算法及其改进在分析传统广义旁瓣相消(GSC)自适应波束形成的基础上，提出一种改进的广义旁瓣相消(GSC)的波束形成方法，即基于特征结构的GSC波束形成算法 (ES-GSC)，该算法在投影特征空间中引入了期望信号方向矢量，能在期望信号功率较大时保持自适应波束形成方法性能，又能在期望信号功率较小时（甚至为零）具有较好的波束保形能力，对噪声有很好的鲁棒性。线性约束最小方差(LCMV)准则是最常用的自适应波束形成方法。广义旁瓣相消器(GSC)是LCMV的一种等效的实现结构，GSC结构将自适应波束形成的约束优化问题转换为无约束的优化问题，分为自适应和非自适应两个支路，分别称为主支路和辅助支路，要求期望信号只能从非自适应的主支路通过，而自适应的辅助支路中仅含有干扰和噪声分量，在高信噪比的情况下，将有一部分期望信号泄漏到辅助之路中，出现了信号相消现象。文献23提出了信号子空间投影的GSC改进算法，来提高GSC稳健性,但在低信噪比下发生波束形成畸变。文中将提出一种改进的广义旁瓣相消(GSC)的波束形成方法，即基于特征结构的GSC算法 (ES-GSC)，该算法不仅克服了传统GSC算法在高信噪比下波束形成效果变差的缺点，而且克服了文献23中提出的改进GSC算法在低信噪比下性能差的缺点。3.4.1 广义旁瓣相消器（GSC）算法线性约束最小方差（LCMV）准则可表示为 s.t.： (3.4.1)其中：为接收信号的自相关矩阵，C为M（J1）维约束矩阵，f为（J1）维约束向量，M为阵列中天线数，J为干扰信号的个数。上式的最优解为： (3.4.2)如图3.4.1所示，在与LCMV等效的广义旁瓣相消器结构中，权向量被分解为自适应权和非自适应两部分，其中非自适应部分位于约束子空间中，而自适应部分正交于约束子空间，系统的权向量可表示为： (3.4.3)其中： (3.4.4) (3.4.5)图3.4.1 广义旁瓣阻消器结构B为M（MJ1）维阻塞矩阵，B的作用就是将期望信号阻塞掉而不使之进入辅助支路，组成B的列向量位于约束子空间的正交互补空间中，令，则自适应权向量又可表示为，是使上下支路均方误差最小化的维纳解，其中 是z的协方差矩阵，是z和的互相关向量，若z中含有很少的期望信号时，GSC仍能正常工作，但若z所含的期望信号超过一定程度时，将会引起严重的期望信号相消现象。3.4.2 GSC的改进算法3.4.2.1 信号子空间投影的GSC改进算法 文献23提出了信号子空间投影的GSC改进算法（IGSC），来提高GSC稳健性。GSC的阻塞矩阵B一般由约束子空间可正交互补空间的一个基构成，从而有。为了便于说明，假设，即期望信号方向矢量。在高信噪比的情况下，阻塞矩阵B不能全部阻塞期望信号，将有一部分期望信号泄漏到辅助之路中，出现了信号相消现象。为了减少泄露到GSC辅助支路中期望信号的能量，对阻塞矩阵B加以改进。对阵列协方差矩阵进行特征分解，得到期望信号和干扰信号的子空间U，统称为信号子空间，其中是R的p个大特征值对应的特征矢量，把向信号子空间投影，得到： (3.4.6)用的正交补生成的阻塞矩阵比直接用的正交补生成的阻塞矩阵B有更好的阻塞能力。波束形成的权向量可表示为： (3.4.7)其中：在公式（3.4.4）表示，表示为： (3.4.8)3.4.2.2 基于特征结构的GSC算法当数据协方差矩阵中含有较强的期望信号时，文献5中提到的IGSC方法较为有效。而当期望信号功率较小时，对阵列协方差矩阵进行特征分解，大特征值对应的特征矢量组成的空间已经不是信号子空间，其中包含了噪声分量，此时对投影后方向矢量求取正交补得到阻塞矩阵存在较大的误差，使得IGSC算法的波束形成图发生畸变（在下面的仿真我们进行实验证明）。对于出现的这种情况，我们做了如下的改进，提出一种基于特征结构的GSC算法 (ES-GSC)，假设有l个期望信号，J个干扰信号。ES-GSC算法为：（1）作特征分解后，特征值从大到小排列，计算第p（pJ1）和p+1两个特征值之比，当大于某个门限值，则构成 (3.4.9)否则 (3.4.10)（2）对作奇异值分解 (3.4.11)（3）将GSC方法求得的权矢量向的大特征值对应的左奇异矢量列空间投影，则ES-GSC算法的权重为： (3.4.12)由于引入了期望信号方向矢量，并且在期望信号功率与噪声功率相当或更弱时，去除了干扰较大的特征矢量，该方法能在期望信号功率较大时保持自适应波束形成方法性能，又能在期望信号功率较小时（甚至为零）具有较好的波束保形能力，对噪声有很好的鲁棒性。3.4.3 仿真及分析为了验证提出的基于特征结构的GSC算法 (ES-GSC)的性能，对该算法进行仿真实验和性能对比。仿真中采用16元均匀线阵，阵元间距为半波长，DOA分别取。假设期望信号的DOA为。实验中比较了在不同信噪比的情况下GSC算法、IGSC算法5以及文中所提出的ES-GSC算法的波束形成性能。图3.4.2给出了GSC、IGSC和ES-GSC算法在SNR=-25下的波束形成方向图，从图3.4.2可以看出此时GSC和ES-GSC方法具有较好的波束形成效果，而且它们性能相近，而IGSC方法此时具有较大的旁瓣，即具有较差的波束形成性能。图3.4.3给出了它们在SNR=5下的波束形成方向图，从图3.4.3可以看出此时GSC、IGSC和ES-GSC方法性能相近。图3.4.4给出了它们在SNR=25下的波束形成方向图，从图3.4.4可以看出此时IGSC和ES-GSC方法具有较好的波束形成效果，而且它们性能相近，而GSC方法此时具有较大的旁瓣，有较差的波束形成性能。仿真结果表明：IGSC算法在高信噪比的情况下明显优于GSC算法，旁瓣较低，波束保形能力好，GSC算法的波束形成接近于失效。在信噪比很低的情况下，IGSC算法由于受到3.2节中所提到的原因的影响，波束形成的方向图严重畸变。从图3.4.2，3.4.3，3.4.4可以看出：ES-GSC算法对SNR具有鲁棒性，在高、中、低的信噪比下都具有较好的波束形成能力。在高信噪比的情况下，如图3.4.4所示，其波束形成性能与IGSC相近，继承了IGSC算法的优点；在低信噪比的情况下，如图3.4.2所示，其波束形成的性能与GSC算法接近，又继承了GSC的优点。所以ES-GSC算法解决的GSC和IGSC算法各自的缺点，是一种性能优越的波束形成算法。图3.4.2 SNR-25dB 波束形成方向图比较图3.4.3 SNR5dB波束形成方向图比较图3.4.4 SNR25dB波束形成方向图比较本节提出一种改进的广义旁瓣相消(GSC)的波束形成方法，即基于特征结构的GSC算法 (ES-GSC)，该算法不仅克服了传统GSC算法在高信噪比下波束形成效果变差的缺点，而且克服了文献23中提出的改进GSC算法(IGSC)在低信噪比下性能差的缺点。而且ES-GSC算法具有鲁棒性，在高、中、低的信噪比下都具有较好的波束形成能力，是一种鲁棒且性能优越的波束形成算法。3.5 基于投影分析的波束形成3.5.1 基于投影的波束形成3.5.1.1 EBS波束形成算法假设有l个期望信号，J个干扰，对有限次快拍下的协方差矩阵作特征分解 (3.5.1)式中是相应的M个特征值，其对应的特征矢量为，记 (3.5.2) (3.5.3)我们知道,的列矢量张成信号子空间，而的列矢量张成噪声子空间。在SMI算法中，自适应权为。即 (3.5.4)上式表明权矢量是由信号子空间分量和噪声子空间分量构成。在理想情况下，期望信号位于信号子空间。有，因此权矢量仅为信号子空间的分量，噪声子空间的分量为零。ESB算法就是基于这种原理，摒弃权矢量在噪声子空间中的分量而仅保留在信号子空间中的分量，成为基于特征结构的自适应波束形成方法或投影方法。即 (3.5.5)当数据协方差矩阵中含有较强的期望信号时，该方法较为有效。而当期望信号功率较小时，直接摈弃权矢量在噪声子空间中的分量将会有较大的误差，一个极端情况是，中不含期望信号，即使在理想情况下，不成立。权矢量在噪声子空间的分量不为零，此时不是最优权了，它将导致输出SINR性能下降。另一方面，由于噪声子空间的扰动，使自适应方向图发生畸变。所以ESB算法不适用于小期望信号。3.5.1.2 EBS改进算法（IESB）（1）作特征分解后，特征值从大到小排列，计算第J+1和J+2两个特征值之比，当大于某个门限值，则构成 (3.5.6)否则 (3.5.7)（2）对作奇异值分解 (3.5.8)（3）将SMI方法求得的权矢量向的大特征值对应的左奇异矢量列空间 投影，即由于引入了期望信号导向矢量，并且在期望信号功率与噪声功率相当或更弱时，去除了干扰较大的特征矢量，该方法能在输入信号较大时保持基于特征结构的自适应波束形成方法性能，又能在期望信号较小时（甚至为零）具有较好的波束保形能力。但是，该方法计算量较大，需要进行一次特征分解和一次奇异值分解。3.5.1.3 仿真及分析仿真1 采用16点均匀线阵，阵列之间间距为半波长，信道为AWGN，DOA分别取5o，20o，30o，40o，50o和60o。分别仿真出ESB方法和IESB算法的波束形成方向图。图3.5.1 SNR25dB时 IESB、ESB波束形成方向图比较 图3.5.2 SNR5dB时 IESB、ESB波束形成方向图比较 从图3.5.1中可以看出，在低信噪比的情况下，IESB算法明显比ESB算法优越，波束的旁瓣较低，保形能力强，这是因为ESB算法摒弃了噪声子空间，当信噪比较低，期望信号功率较小时，直接摈弃权矢量在噪声子空间中的分量将会造成较大的误差，所以ESB算法不适用于小期望信号。从图3.5.2中可以看出，ESB与IESB方法在信噪比较高的情况下波束形成的效果完全相同。仿真2 分别仿真比较出在快拍数大于2M3，满足SMI的收敛条件61时的ESB算法、IESB算法以及SMI算法的波束形成效果。图3.5.3 SNR25dB时 IESB、ESB和SMI波束形成方向图比较 图3.5.4 SNR20dB时 IESB、ESB和SMI波束形成方向图比较 从图3.5.3可以看出，在低信噪比的情况下，SMI和IESB算法的波束形成情况较好，性能较为相近。ESB算法摒弃了噪声子空间，当信噪比较低，期望信号功率较小时，直接摈弃权矢量在噪声子空间中的分量将会造成较大的误差，算法性能在低信噪比的情况下比较差。从图3.5.4看出，在高信噪比的情况下ESB和IESB算法不受小特征值和对应特征向量的扰动，仍然保持较低的旁瓣和较尖锐的主瓣，而SMI算法的旁瓣较高，主瓣展宽。仿真3 分别仿真比较出ESB算法、IESB算法以及SMI算法在较少的快拍数下的波束形成效果。图3.5.5 SNR25dB时 IESB、ESB和SMI波束形成方向图比较图3.5.6 SNR5dB时 IESB、ESB和SMI波束形成方向图比较图3.5.7 SNR5dB时 IESB、ESB和SMI波束