自适应波束形成及算法
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第3章 自适应波束形成及算法
(3.2 自适应波束形成的几种典型算法)
3.2 自适应波束形成的几种典型算法
自适应波束形成技术的核心内容就是自适应算法。目前已提出很多著名算法,非盲的算法中主要是基于期望信号和基于DOA 的算法。常见的基于期望信号的算法有最小均方误差(MMSE )算法、小均方(LMS )算法、递归最小二乘(RLS )算法,基于DOA 算法中的最小方差无畸变响应(MVDR )算法、特征子空间(ESB )算法等[9]。
3.2.1 基于期望信号的波束形成算法
自适应算法中要有期望信号的信息,对于通信系统来讲,这个信息通常是通过发送训练序列来实现的。根据获得的期望信号的信息,再利用MMSE 算法、LMS 算法等进行最优波束形成。
1.最小均方误差算法(MMSE ) 最小均方误差准则就是滤波器的输出信号与需要信号之差的均方值最小,求得最佳线性滤波器的参数,是一种应用最为广泛的最佳准则。阵输入矢量为: 1()[(),,
()]T
M
x n x n x n =
(3-24)
对需要信号()d n 进行估计,并取线性组合器的输出信号()y n 为需要信号
()d n 的估计值ˆ()d
n ,即 *ˆ()()()()H T d n y n w x n x n w === (3-25) 估计误差为:
ˆ()()()()()H e n d n
d n d n w x n =-=-
(3-26)
最小均方误差准则的性能函数为:
2
{|()|}E e t ξ= (3-27)
式中{}E 表示取统计平均值。最佳处理器问题归结为,使阵列输出
()()T
y n w X n =与参考信号()d t 的均方误差最小,即:
2{
|()|}M i n E e t
式(3-28)也就是求最佳权的最小均方准则。
由式(3-26)~(3-28)得:
2*{|()|}{()()}E e t E e n e n ξ==
2{|()|}2R e []T H
xd
xx E d n
w r w R w =-+ (3-29)
其中,Re 表示取实部,并且:
[(
)()]H xx R E x n x n = (3-30)
为输入矢量()x n 的自相关矩阵。
*[(
)()]xd r E x n d n = (3-31)
为输入矢量()x n 与需要信号()d n 的互相关矢量。
一般而言,是通过确定向量函数的梯度的零点而使该函数最小的。一个复向量函数的梯度定义为:
⎥⎥⎥
⎥⎥⎦
⎤
⎢⎢⎢⎢⎢⎣⎡∂∂∂∂+
⎥⎥⎥⎥
⎥⎦
⎤
⎢⎢⎢⎢⎢⎣⎡∂∂∂∂=∇--)()()()()(10
10
w w w w w f b f b j f a f a f M M
(3-32)
其中,i i i jb a w +=。由此定义可以发现
)(2)(2)(=∇=∇=∇w c c
c w Aw
Aw w H H H
(3-33)
关于权矢量求梯度,得到梯度算子:
2((()))22w E t r R W ε∇=-+ (3-34)
令梯度算子为零,可以得到最小均方误差准则下的最佳权矢量opt W 应该满足的方程为:
x x o p
t x R W r =
式(3-34)称为正规方程(Normal Equation )。若xx R 满秩,则有 1
o p t x x
x d W R r -=
(3-36)
我们经常把此最佳权矢量称为维纳解,亦即利用MMSE 得到的阵列天线的最优权向量。
2.最小均方算法(LMS ) 最小均方算法(LMS )是B.Widrow 和Hoff 于1960年提出的。由于实现简单且对信号统计特性变化具有稳健性,所以应用非常广泛。LMS 算法是基于最小均方误差准则(MMSE )的维纳滤波器和最陡下降法提出的,约束的LMS 算法在每步迭代中对加权有约束。无约束的LMS 算法则在每步迭代中无约束,由于未知信号方向,其利用一个参考信号更新加权。
该算法以瞬时量代替统计平均量,故只在统计平均的意义下才与最速梯度下降法等效,其解与后者相比也呈现不同程度的波动。尽管如此LMS 算法仍以其简单的原理和较少的计算量受到重视,在自适应领域中占有重要地位。
对于实时无约束的LMS 利用参考信号计算加权向量: (1)()(()w n w n g w n μ+=-
(3-37)
其中μ是正常数,即步长,控制算法的收敛特性;(())g w n 是梯度的无偏估计。
2(())[|(1)|]()()2()H H MSE n E r n n Rw n n z =++-w w w 第n 步迭代后,有:
()()|2()2n MSE Rw n z
=∇=-W w w w
(3-38)
其中[()()],()z E x n r n r n =是在时刻n 得到的期望信号的估计。注意第1n +步的阵列输出利用了第n 步所得的权向量和新的阵列数据(1)x n +,即
()()(1)H y n w n x n =+。
通常将R 和z 用估计值替代,第n +1步迭代的梯度为:
(())2(1)(1)()2(1(1)H g n n n n n r n =++-++w x x w x )
2(
1)(()n n ε*
=+x w (3-39)
其中(())w n ε是阵列信号与参考信号间的误差,即
(())()(1)(1)H w n w n x n r n ε=+-+。设max λ为R 的最大特征值,当max 1μλ<时,算法是稳定的,权的平均估计收敛于最佳权。
总的来说,LMS 算法是数字信号处理中最经典的算法之一。它的主要优点就是能够稳定收敛,而且结构简单,实现方便。但是主要缺点是收敛速率问题。算法性能对阵列信号协方差矩阵的特征值分布很敏感,当特征值散步范围较大时