一种低复杂度的鲁棒自适应波束形成方法及装置

技术领域

本申请涉及波束形成技术领域，具体而言，涉及一种低复杂度的鲁棒自适应波束形成方法及装置。

背景技术

自适应波束形成算法被广泛应用于雷达和声纳，MIMO无线通信，目标检测等领域，其旨在对指定方向上的期望信号进行维持或者加强，并抑制其他方向上的干扰信号和噪声。然而在现实系统中，由于诸如信号的快拍数、阵列几何结构、DOA方向等先验信息的缺失，以最小方差无失真响应(Minimum Variance Distortionless Response，MVDR)为代表的传统自适应波束形成性能会大幅度下降。

为了弥补这个缺点，出现了许多对鲁棒自适应波束形成(robust adaptivebeamformer，RAB)的研究。其中最著名的要属对角加载技术(DL)，即对信号协方差矩阵增加一个对角加载系数乘单位阵，这种方法最大的缺点在于DL系数是一个经验值，难以确定。考虑到这点，基于不确定集的方法，如最差情况性能最优(WCPO)方法、双约束鲁棒capon波束形成器等，将对DL系数的选取转换为对不确定集约束的选取，但也并没有改变需要人为设置参数的本质。作为另一种经典的RAB方法，收缩法认为单纯的DL技术欠缺对信号协方差矩阵权重的考虑，所以使用最小化MSE以自适应的得到两个DL系数。而且这种方法一般要求解一个凸/非凸优化问题，这导致了不低的计算复杂度。除此之外，基于特征空间的方法也对任意的导向向量误差有不错的鲁棒性，但在低信噪比(Signal-to-noise ratio，SNR)情况下，由于子空间跳跃的影响，这种方法的表现很差。

发明内容

有鉴于此，本申请的目的在于提供一种低复杂度的鲁棒自适应波束形成方法及装置，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。

本申请实施例提供的一种低复杂度的鲁棒自适应波束形成方法，所述方法包括：

基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；

基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；

基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；

根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。

在一些实施例中，所述基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，包括：

基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；

针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；

基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；

将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；

基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。

在一些实施例中，所述基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计，包括：

根据所述误差项权值的最优估计和单位向量、以及联立信号导向向量的预估计值得到每个信号的导向向量的最优估计。

在一些实施例中，通过以下方式得到重构的干扰噪音协方差矩阵，包括：

基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。

在一些实施例中，所述基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵，包括：

将所述干扰信号的导向向量的最优估计和其Capon空间谱功率加权求和，并联立所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。

在一些实施例中，所述基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量，包括：

将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。

在一些实施例中，所述阵列为由多个阵元组成的均匀线性阵列。

在一些实施例中，还提供一种低复杂度的鲁棒自适应波束形成装置，所述装置包括：

获取模块，用于基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；

第一计算模块，用于基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；

第二计算模块，用于基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；

第三计算模块，用于根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。

在一些实施例中，还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述任意一项所述的一种低复杂度的鲁棒自适应波束形成方法的步骤。

在一些实施例中，还提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一项所述的一种低复杂度的鲁棒自适应波束形成方法的步骤。

本申请所述的一种低复杂度的鲁棒自适应波束形成方法及装置，基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵，其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束，从而提高自适应波束形成的鲁棒性以及减少时间复杂度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所述低复杂度的鲁棒自适应波束形成方法的流程图；

图2示出了本申请实施例所述基于采样协方差矩阵计算快拍采样信号包含的每个信号的导向向量的最优估计的流程示意图；

图3示出了本申请实施例所述存在DOA误差时的RAB性能对比示意图；

图4示出了本申请实施例所述存在阵元位置误差时的RAB性能对比示意图；

图5示出了本申请实施例所述存在阵元增益和相位误差时的RAB性能对比示意图；

图6示出了本申请实施例所述低复杂度的鲁棒自适应波束形成装置的结构示意图；

图7示出了本申请实施例所述电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

其中在背景技术中所提到的自适应波束形成并没有改变一个事实，即所使用的协方差矩阵依然是信号协方差矩阵的变体，所以当SNR高时，期望信号过高的比例会导致RAB性能迅速下降。为了改变这一点，越来越多的工作将目光投放到重构干扰噪声协方差矩阵(INCM)上，这能直接解决期望信号在样本中存在的问题。其中，Yujie Gu等人首先提出对干扰和噪声所在区间进行capon空间谱积分来重构INCM。基于他们的工作，Lei Huang等人直接通过对干扰信号的导向向量的环状表面进行积分来进一步提高积分域的准度，带来更高性能的同时也导致了更高的复杂度。这种先对导向向量进行估计，然后通过相关的信号导向向量和信号的功率进行加权求和得到ICNM的方法逐渐成为主流。基于此，本申请提出一种低复杂度的鲁棒自适应波束形成方法、装置、电子设备及存储介质，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。

参见说明书附图1，本申请提供的一种低复杂度的鲁棒自适应波束形成方法，包括以下步骤：

S1、基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；

S2、基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；

S3、基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；

S4、根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。

在该实施例中，步骤S1，所述阵列是由M个阵元组成的均匀线性阵列。若一共有J+1个远场平稳窄带信号以各自的方向(direction-of-arrival，DOA)入射到该阵列，其中包含1个期望信号和J个干扰信号，信号之间两两不相关。该阵列接收的快拍采样信号可以表述为：

其中a(·)表示信号的真实导向向量，n(t)是与期望信号和干扰信号无关的噪声，波束形成器的输出可以表示为：

y(t)＝w

其中

如果a(θ

通过最大化阵列的输出信干噪比(signal-to-interference-plus-noise ratio，SINR)来得到，SINR的定义如下：

其中R

其中

根据最大化公式(3)得到的波束形成器就是著名的MVDR波束形成器：

对应的SINR

另外如果a(θ

基于上述的假设，公式(5)的表达为：

即样本协方差矩阵求逆(sample matrix inversion，SMI)法，然而当样本的快拍数小时，

其中需要说明的导向向量会做范数假设，即||a(·)||＝M。

参见说明书附图2，所述基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，包括以下步骤：

S201、基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；

S202、针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；

S203、基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；

S204、将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；

S205、基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。

具体的，在该实施例中，采用谱峰搜索法作信号的DOA估计有：

即在信号j的假设DOA区间Θ

其中e

e

根据公式(3)的定义可知，w的任意常数倍不会影响阵列的输出SINR，即e

另外，定义子空间C

其中Δθ是Θ

其中λ

显然，当估计值

其中约束不等式的左边是

为了表述得更清楚，定义标量：

因此，公式(14)可以化简为

因为

将公式(12)带入公式(13)得目标方程，最大化的目标变成：

现在定义函数

对g(ε

为了表述得更清楚，定义标量：

令

因为

如果

显然

得到

其中I

其中，ξ

步骤S3中，将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。具体的，得到期望信号的导向向量的估计

最后，根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。

本申请所提出的鲁棒自适应波束形成方法中，主要的时间复杂度就是干扰噪声协方差矩阵INCM的重构。而重构的运算主要由两部分构成：特征向量分解和计算ε

进而通过实验仿真并与其他方法对比验证本申请的鲁棒性和时间复杂度。具体的，仿真的信号都是是远场窄带平面波。阵列是由10个阵元组成的均匀线阵(uniformlinear array，ULA)，阵元间距是信号波长的一半。期望信号的真实DOAθ

控制变量分别为期望信号的SNR和样本快拍数的个数。使用阵列的输出SINR作为性能分析的参考。当使用SNR作为控制变量时，样本快拍数固定为30个；当使用样本快拍数作为控制变量时，SNR固定为10dB。作为对照的最优SINR使用公式(6)得到。

在该实施例中本申请一共与七种其他算法进行对比，分别为一种新的最差情况性能最优方法(NWCPO；一种新的基于投影的波束形成算法(MPRJ)；一种基于线性Capon空间谱积分的INCM重构法(INCM-linear)；一种基于环形表面积分的INCM重构法(INCM-annulus)；一种基于RCB标准的INCM重构法(INCM-RCB)；一种基于子空间相交的INCM重构法(INCM-subspace)；一种基于梯度向量的INCM重构法(INCM-gradient)。

在第一实验中，每次蒙特卡洛实验的期望信号和干扰信号的真实DOA是不同的，与DOA设置会存在[-4°,4°]的误差，这个误差是个均匀分布。参见说明书附图3，为存在DOA误差时的RAB性能对比示意图，其中，(a)为阵列输出SINR随SNR增大而发生的变化；(b)为阵列输出SINR与理论最优SINR的距离随SNR增大而发生的变化；(c)为阵列输出SINR随样本快拍数增大而发生的变化。

图3中的(a)显示INCM-linear、INCM-annulus、INCM-RCB、INCM-subspace和INCM-gradient这五种基于INCM重构的算法的阵列输出SINR会关于期望信号SNR单调递增。并且NWCPO和MPRJ这两种非INCM重构算法会在当期望信号的SNR逼近干扰信号的INR时，由于分散效应，其性能会明显下降。

图3中的(a)、(b)说明了本申请的方法性能明显优于INCM-linear、INCM-annulus、INCM-RCB、NWCPO和MPRJ，并且与INCM-subspace和INCM-gradient这三种一起，几乎能达到最优的输出SINR。图3的(c)显示了提出的方法、INCM-subspace和INCM-gradient都能快速收敛，并且与最优值非常接近。

在第二实验中，作为仿真的ULA存在抖动，即阵列间距不再是固定值，实际值与理论值的误差服从[-0.05λ

从图4的(a)、(b)看出，本申请的方法、INCM-gradient和INCM-subspace几乎能达到同样的性能。同时，INCM-RCB、NWCPO和MPRJ在SNR低于5dB时有更高的SINR，但当SNR高时性能较差。图(4)的(c)说明提出的算法、INCM-gradient和INCM-subspace都能快速收敛到一个稳定的状态，并且性能几何相同。INCM-RCB和MRPJ对快拍数更敏感，当快拍数足够大时，其性能会有较大的提升。

在第三实验中，阵列中每个阵元的增益和相位会出现误差，分别符合高斯分布

图5的(a)、(b)显示当SNR大于4dB时，提出的算法性能优于所有其他算法。当SNR小于4dB时，NWCPO、MPRJ和INCM-RCB的输出SINR高于其他方法，但当SNR增大时又会小于其他方法。图5的(c)显示提出的算法、INCM-gradient和INCM-subspace性能几乎相同，并且都能快速收敛到稳定状态。

并且统计了上述多种RAB单次模拟的平均运行时间，如表1所示。所有的模拟实验都是在具有24GB RAM和Intel(R)Core(TM)i7-8700 3.20GHz的同一台计算机上进行的。在几种性能相似的RAB中，例如INCM-subspace和INCM-gradient，我们可以看到我们的方法具有最小的计算复杂度。与MPRJ相比，虽然该方法耗时最短，但本申请方法的性能明显优于MPRJ。

表1

本申请提供的一种低复杂度的鲁棒自适应波束形成方法，将实际的导向向量拆成理论向量和误差向量之和，将对INCM的重构转化对误差向量的估计。首先在信号所在的假设区间构造出相关的噪声子空间后，可以将其最小特征值对应的特征向量当成是单位误差向量估计。然后利用Capon谱功率最大化问题求解误差向量的权值。与现有方法相比，该方法几乎可以达到最佳的性能。同时，与其他性能相近的算法相比，该算法具有最小的计算量。

基于同一发明构思，本申请实施例中还提供了一种低复杂度的鲁棒自适应波束形成装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述一种低复杂度的鲁棒自适应波束形成方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

如图6所示，本申请实施例还提供一种低复杂度的鲁棒自适应波束形成装置，所述装置包括：

获取模块601，用于基于阵列接收的快拍采样信号获取所述阵列的采样协方差矩阵；其中，所述快拍采样信号包括期望信号、干扰信号、以及与所述期望信号和所述干扰信号不相关的噪音信号；

第一计算模块602，用于基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计，并得到重构的干扰噪音协方差矩阵；

第二计算模块603，用于基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量；

第三计算模块604，用于根据所述加权向量和所述快拍采样信号得到所述阵列的自适应波束。

在一些实施例中，第一计算模块602基于所述采样协方差矩阵计算所述快拍采样信号包含的每个信号的导向向量的最优估计时，还用于：

基于空间谱估计法得到所述快拍采样信号包含的信号个数、以及每个所述信号的DOA估计；

针对每个所述信号构造该信号区域的所有导向向量撑起的子空间，并通过特征分解将该子空间内最小的特征值对应的特征向量作为该信号的导向向量误差项的单位向量估计；

基于含误差项和不含误差项的Capon空间谱功率间的大小关系得到误差项权重的支撑集区间；

将含误差项的Capon空间谱功率作为关于导向向量误差项权值的函数，并对该函数求极值得到误差项权值的最优估计；

基于所述误差项权值的最优估计得到每个信号的导向向量的最优估计。

在一些实施例中，第一计算模块602还用于：

根据所述误差项权值的最优估计和单位向量、以及联立信号导向向量的预估计值得到每个信号的导向向量的最优估计。

在一些实施例中，第一计算模块602还用于：基于所述干扰信号的导向向量的最优估计和其Capon空间谱功率、以及所述噪音信号的平均噪声功率得到重构的干扰噪音协方差矩阵。

在一些实施例中，第二计算模块603基于所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵得到所述阵列的加权向量时，还用于：

将所述期望信号的导向向量的最优估计和重构的所述干扰噪音协方差矩阵带入Capon波束形成得到所述阵列的加权向量。

本申请所述的一种低复杂度的鲁棒自适应波束形成装置，将实际的导向向量拆成理论向量和误差向量之和，将对INCM的重构转化对误差向量的估计。首先在信号所在的假设区间构造出相关的噪声子空间后，可以将其最小特征值对应的特征向量当成是单位误差向量估计。然后利用Capon谱功率最大化问题求解误差向量的权值，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。

基于本发明的同一构思，如说明书附图7所示，本申请实施例提供的一种电子设备700的结构，该电子设备700包括：至少一个处理器701，至少一个网络接口704或者其他用户接口703，存储器705，至少一个通信总线702。通信总线702用于实现这些组件之间的连接通信。该电子设备700可选的包含用户接口703，包括显示器(例如，触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等)，键盘或者点击设备(例如，鼠标，轨迹球(trackball)，触感板或者触摸屏等)。

存储器705可以包括只读存储器和随机存取存储器，并向处理器701提供指令和数据。存储器705的一部分还可以包括非易失性随机存取存储器(NVRAM)。

在一些实施方式中，存储器705存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：

操作系统7051，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

应用程序模块7052，包含各种应用程序，例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。

在本申请实施例中，通过调用存储器705存储的程序或指令，处理器701用于执行如一种低复杂度的鲁棒自适应波束形成方法的步骤。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如一种低复杂度的鲁棒自适应波束形成方法中的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种低复杂度的鲁棒自适应波束形成方法，能够提高自适应波束形成的鲁棒性以及减少时间复杂度。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。