论文部分内容阅读
近年来,随着对波束形成技术中实时性要求的提高,神经波束形成算法的研究受到众多专家和学者的关注。基于线性代数的自适应波束形成算法需要用到矩阵的求逆运算,运算量大,影响实时性。神经网络方法具有高度的异步并行处理能力,很强的容错和函数逼近能力,并且易于在超大规模集成电路,光学硬件或具有特殊用途的大规模并行硬件上并行实现,可有效地提高自适应波束形成器的性能,具有很高的研究价值和较强的实用价值。
本文考虑到带有单层隐含层的径向基函数神经网络具有可实现不同维数空间之间的映射,逼近任意非线性函数的特点。针对阵列信号处理中关键技术之一的自适应波束形成问题,提出了一种基于径向基函数网络模型的并行算法。该算法将最优权向量分解成实部向量和虚部向量的叠加形式,进行并列数据处理,不仅收敛速度快,而且抗干扰能力强,对系统误差具有很强的鲁棒性。由于无需知道信号或信道的特性和阵列方向向量等先验知识,具有较强的实用性。
针对基于特征空间的自适应波束形成算法,利用次元分析算法实时计算矩阵的特征向量,提出了一种添加惩罚项的权向量更新次元分析算法。系统介绍了提案算法的稳定性、收敛性和与波束形成问题在数学描述上的相似性。实验结果证明了提案算法稳定性强,收敛速度快,能有效地用于抑制干扰、消除噪声和实时跟踪期望信号。
针对实际应用中,由于对传播环境、信源、传感器阵列的假设可能被破坏,导致算法的性能下降的问题。提出一种权向量长度恒定的约束最差情况性能最优波束形成器。采用次元分析算法实时更新权重向量,实现鲁棒自适应波束形成。与权向量长度恒定的线性约束波束形成算法相比,该算法具有更强的信号跟踪和干扰抑制能力,并且对信号方向向量的偏差具有更强的鲁棒性。