为提升极化阵列波束形成的稳健性,将广义线性组合(general linear combination,GLC)算法应用于极化阵列.分析了GLC算法在较高输入信噪比条件下,阵列存在阵元扰动和期望信号(signal of interest,SOI)波达方向(direction of arrival,DOA)...为提升极化阵列波束形成的稳健性,将广义线性组合(general linear combination,GLC)算法应用于极化阵列.分析了GLC算法在较高输入信噪比条件下,阵列存在阵元扰动和期望信号(signal of interest,SOI)波达方向(direction of arrival,DOA)误差时,输出的信干噪比随快拍数增加而下降的原因,并提出了一种结合转换函数的改进GLC算法.所提算法根据采样协方差矩阵(sample covariance matrix,SCM)特征值相关参数的大小,对信噪比进行判断.信噪比较高时,采用改进GLC算法计算对角加载量(diagonal loading level,DLL);信噪比较低时,采用原GLC算法计算DLL,从而使得所提算法在任意输入信噪比和快拍下的输出信干噪比均大于或等于原GLC算法.通过主瓣干扰条件下的计算机仿真实验验证了所提算法的有效性.展开更多
针对传统的自适应波束形成算法在目标导向矢量失配及接收数据的协方差矩阵存在误差时,性能急剧下降的问题,提出了一种基于小快拍场景的联合协方差矩阵重构,及导向矢量优化的稳健波束形成算法。对不确定集约束求解得到干扰导向矢量,根据...针对传统的自适应波束形成算法在目标导向矢量失配及接收数据的协方差矩阵存在误差时,性能急剧下降的问题,提出了一种基于小快拍场景的联合协方差矩阵重构,及导向矢量优化的稳健波束形成算法。对不确定集约束求解得到干扰导向矢量,根据稀疏干扰来向的导向矢量近似正交,求出干扰导向矢量对应的干扰功率,从而完成协方差矩阵重构;对期望信号来向及其邻域进行权值求解,对加权后的数据特征分解,利用多信号分类(Multiple Signal Classification, MUSIC)谱估计算法对信号区域积分得到信号协方差矩阵,将其主特征值近似为期望信号的导向矢量完成重新估计。仿真结果表明,在无误差时,算法输出信干噪比(Signal to Interference Plus Noise Ratio, SINR)接近理论最优;在多种误差环境下输出性能随信噪比(Signal to Noise Ratio, SNR)的变化均具有较好的稳健性,并且在信号来向可精准形成波束;在小快拍时可以较快收敛至理论最优值。展开更多
文摘为提升极化阵列波束形成的稳健性,将广义线性组合(general linear combination,GLC)算法应用于极化阵列.分析了GLC算法在较高输入信噪比条件下,阵列存在阵元扰动和期望信号(signal of interest,SOI)波达方向(direction of arrival,DOA)误差时,输出的信干噪比随快拍数增加而下降的原因,并提出了一种结合转换函数的改进GLC算法.所提算法根据采样协方差矩阵(sample covariance matrix,SCM)特征值相关参数的大小,对信噪比进行判断.信噪比较高时,采用改进GLC算法计算对角加载量(diagonal loading level,DLL);信噪比较低时,采用原GLC算法计算DLL,从而使得所提算法在任意输入信噪比和快拍下的输出信干噪比均大于或等于原GLC算法.通过主瓣干扰条件下的计算机仿真实验验证了所提算法的有效性.
文摘针对传统的自适应波束形成算法在目标导向矢量失配及接收数据的协方差矩阵存在误差时,性能急剧下降的问题,提出了一种基于小快拍场景的联合协方差矩阵重构,及导向矢量优化的稳健波束形成算法。对不确定集约束求解得到干扰导向矢量,根据稀疏干扰来向的导向矢量近似正交,求出干扰导向矢量对应的干扰功率,从而完成协方差矩阵重构;对期望信号来向及其邻域进行权值求解,对加权后的数据特征分解,利用多信号分类(Multiple Signal Classification, MUSIC)谱估计算法对信号区域积分得到信号协方差矩阵,将其主特征值近似为期望信号的导向矢量完成重新估计。仿真结果表明,在无误差时,算法输出信干噪比(Signal to Interference Plus Noise Ratio, SINR)接近理论最优;在多种误差环境下输出性能随信噪比(Signal to Noise Ratio, SNR)的变化均具有较好的稳健性,并且在信号来向可精准形成波束;在小快拍时可以较快收敛至理论最优值。
