智能天线的核心内容是波达方向(DOA)估计和波束形成,国内外已经提出了很多的相关算法。本论文主要研究了在智能天线领域里,当信号源的方向随时间变化时,如何跟踪信号源的方向并作波束形成。针对子空间自适应算法和基于神经网络的自适应算法做了研究。 首先,对国内外提出的波达方向估计和数字波束形成相关算法作了分析研究,然后重点研究了子空间自适应算法和神经网络自适应算法。 通常的基于特征空间的波束形成技术算法,在导向矢量不变或变化较小时效果比较理想。但是在实际通信环境中,会因为运动等原因而使导向矢量发生较大变化。因而针对性地在基于ESPRIT(借助旋转不变技术估计信号参数)方法的基础上,借助受限摄动子空间跟踪算法,提出了一种改进的波束形成方法。由于采用的跟踪算法具有实时更新性,该波束形成方法对时变信号的指向误差能产生一定的抑制。对波束形成方法的仿真结果表明了该算法能达到预期目的。 基于阵列的智能天线算法都建立了数学模型,由于多采用矩阵分解等技巧,因而算法所需运算量大,不易实时实现,而且对实际应用环境适应性差。近年来,利用人工神经网络做DOA估计思路已经出现。其计算量小、强容错性、巨量并行性以及具有的自适应、自组织、自学习的能力已展示了其诱人前景,易于在工程中得到应用。本文以径向基函数神经网络为基础,研究了相应的DOA估计的改进算法。在对接收数据作解相关处理后,能更好地估计相关信号的DOA。仿真结果表明,经解相关处理后,仅需较少的样本就可实现对信源方向变化的跟踪,能更有效的实现DOA估计,易于在工程中得到应用。 基于径向基函数神经网络,本论文也研究了波束形成的改进算法。利用接收数据矩阵的Toeplitz矩阵性质,仅利用部分元素,可简化径向基函数神经网络的结构。仿真结果表明,简化网络结构后,鲁棒性得到增强,能提高对期望信号接收性能,对干扰的零陷更深,性能得到改善。