[发明专利]一种改进特征矢量的投影子空间估计自适应波束合成方法

说明书

技术领域

本发明涉及一种改进特征矢量的投影子空间估计自适应波束合成方法。

背景技术

阵列信号处理作为新兴起的事物，已广泛应用于雷达、声呐、导航、通信等众多领域。阵列天线自适应波束合成作为阵列信号处理的重要方面，具有较强的干扰抑制能力，并且能够有效提高输出信号信干噪比(Signal to interference plus noise ratio,SINR)，因此具有较高的实际应用价值。其中，最小方差无失真响应(Minimum variable distortionless response,MVDR)波束合成法是一种经典算法。然而，在实际应用中，有限的采样快拍，使得采样协方差矩阵存在较大误差。阵元位置误差及阵元相位响应不一致等因素，使导向矢量先验信息不准确。如何使算法在输入导向矢量先验信息存在误差，同时在较小的采样快拍下得到收敛，并且使输出信号具有较高的SINR，具有重要的工程应用价值。

广大学者相继提出了诸多稳健性算法，其中具有代表性的算法有对角加载(Diagonal loading,DL)[7]波束合成算法、特征子空间(Eigenspace projection,ESB)波束合成算法等。文献[10]提出的大角度失配稳健性(Robust beamforming against large DOA mismatch,RLM)自适应波束合成算法，将期望信号导向矢量用正交子空间特征矢量线性表示。文献[Modified projection approach for robust adaptive array beamforming]提出的特征矢量投影的子空间估计(Eigenvector projection approach for subspace estimation,EPS)自适应波束合成算法，通过向假设导向矢量投影来估计期望信号子空间，假设导向矢量向期望信号子空间投影来减小误差。运用子空间方法来减小协方差矩阵估计误差也是提升波束合成算法性能的常用方法。文献[DOA estimation of quasi-stationary signals via Khatri-rao subspace]提出一种Khatri-Rao(KR)来波角度估计算法，通过研究准平稳信号的二次数据结构，使KR子空间可以有效消除噪声协方差矩阵，同时增大阵元孔径。文献[Sparse covariance fitting for direction of arrival estimation]运用导向矢量构造字典结构来稀疏表示阵列协方差矩阵。但以上算法并未在减小采样协方差矩阵估计误差时，有效修正导向矢量的估计误差，使算法能够在较小快拍下得到收敛，并使得输出信号具有较高的SINR。

针对以上不足，本文提出一种改进特征矢量投影的子空间估计(Modified eigenvector projection approach for subspace estimation,MEPS)自适应波束合成方法。首先构造KR信号子空间来减小采样协方差矩阵的估计误差。其次利用修正后的协方差矩阵特征向量构造干扰加噪声子空间，通过将假设导向矢量正交投影到干扰加噪声子空间来减小采样协方差矩阵的估计误差。

发明内容

本发明的目的在于提出一种能够在较少快拍下收敛到较高精度的改进特征矢量的投影子空间估计自适应波束合成方法。

本发明的目的是这样实现的：

包括如下步骤：

(1)阵列天线对输入信号进行采样：

采样数据用采样数据协方差矩阵表示为：

其中，K为采样快拍数，x为输入信号；

(2)由Khatri-Rao积构造KR信号协方差矢量：

vec(·)为将矩阵各列堆积到第一列：

d(θ)＝vec(a(θ)a^H(θ))

其中，a(θ)为输入信号导向矢量；

两边求协方差矢量得：

为期望信号与干扰信号协方差矢量的线性组合，构造矩阵S：

信号协方差矢量由矩阵S的特征向量线性表示，d(θ)子空间维数等于矩阵S非零特征值的个数；

由矩阵S的非零特征值对应的特征向量构造矩阵Q：

Q＝[e₁,e₂,...,e_K]

其中，为矩阵Q的非零特征值对应的特征向量，Q的列相互正交，构成信号协方差矢量的特征子空间；