LCMV波束形成和GSC波束形成算法原理介绍及MATLAB实现

2024-02-18 02:10

本文主要是介绍LCMV波束形成和GSC波束形成算法原理介绍及MATLAB实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

LCMV波束形成

线性约束最小方差波束形成算法(Linearly constrained minimum variance,LCMV)
为了消除阵列方向图在期望信号出现零陷,采取多个线性约束的方式来强制接收期望信号,即
{ min ⁡ w w H R ^ x w s . t . C H w = f \left\{ \begin{aligned} & \underset{\mathbf{w}}{\mathop{\min }}\,\ {{\mathbf{w}}^{H}}\hat{\mathbf{R}}_{x}\mathbf{w} \\ & s.t.\ \ {{\mathbf{C}}^{H}}\mathbf{w}=\mathbf{f} \\ \end{aligned} \right. wmin wHR^xws.t.  CHw=f
其中, f = [ 1 , 1 , ⋯ , 1 ] T \mathbf{f}={{\left[ 1,1,\cdots ,1 \right]}^{T}} f=[1,1,,1]T N × 1 N\times 1 N×1的约束值向量, C = [ a ˉ ( θ 01 ) , a ˉ ( θ 02 ) , ⋯ , a ˉ ( θ 0 N ) ] \mathbf{C}=\left[ \bar{\mathbf{a}}\left( {{\theta }_{01}} \right),\bar{\mathbf{a}}\left( {{\theta }_{02}} \right),\cdots ,\bar{\mathbf{a}}\left( {{\theta }_{0N}} \right) \right] C=[aˉ(θ01),aˉ(θ02),,aˉ(θ0N)] M × N M\times N M×N维的约束矩阵, θ 0 n {{\theta }_{0n}} θ0n n = 1 , 2 , ⋯ , N n=1,2,\cdots ,N n=1,2,,N为可能的期望信号方向。 a ˉ ( θ 0 n ) \bar{\mathbf{a}}\left( {{\theta }_{0n}} \right) aˉ(θ0n)为对应的导向矢量。这样做的目的是在所有期望信号方向上设置无失真约束来达到扩展主瓣的目的。通过拉格朗日乘数法,可以求解得到最终的权系数为
w = R ^ x − 1 C ( C H R ^ x − 1 C ) − 1 f \mathbf{w}\text{=}\mathbf{\hat{R}}_{x}^{-1}\mathbf{C}{{\left( {{\mathbf{C}}^{H}}\mathbf{\hat{R}}_{x}^{-1}\mathbf{C} \right)}^{-1}}\mathbf{f} w=R^x1C(CHR^x1C)1f
当约束矩阵为一个矢量时,该方法退化为最小方差无失真响应(MVDR)波束形成算法,也就是说MVDR算法是LCMV算法的一个特例。

广义旁瓣对消(GSC)算法



在这里插入图片描述



GSC算法是与LCMV算法等效的,其权矢量被分解为自适应部分和非自适应部分,其中自适应部分正交于约束子空间,而非自适应部分位于约束子空间内,其权矢量可以表示为
w = w q − B w a \mathbf{w}={{\mathbf{w}}_{q}}-\mathbf{B}{{\mathbf{w}}_{a}} w=wqBwa
其中, w q = ( C C H ) − 1 C f {{\mathbf{w}}_{q}}={{\left( \mathbf{C}{{\mathbf{C}}^{H}} \right)}^{-1}}\mathbf{Cf} wq=(CCH)1Cf w a = ( B H R ^ x B ) − 1 B H R ^ x w q {{\mathbf{w}}_{a}}={{\left( {{\mathbf{B}}^{H}}{{{\mathbf{\hat{R}}}}_{x}}\mathbf{B} \right)}^{-1}}{{\mathbf{B}}^{H}}{{\mathbf{\hat{R}}}_{x}}{{\mathbf{w}}_{q}} wa=(BHR^xB)1BHR^xwq B \mathbf{B} B为阻塞矩阵,正交于约束矩阵 B H C = 0 {{\mathbf{B}}^{H}}\mathbf{C}=\mathbf{0} BHC=0,其作用是为了阻止期望信号进入辅助支路。关于 B \mathbf{B} B可以通过求 C \mathbf{C} C的补空间来确定
B = I − C ( C H C ) − 1 C H \mathbf{B}=\mathbf{I}-\mathbf{C}{{\left( \mathbf{C}^{H}{{\mathbf{C}}} \right)}^{-1}}{{\mathbf{C}}^{H}} B=IC(CHC)1CH
主支路的输出 y = w q H x \mathbf{y}=\mathbf{w}_{q}^{H}\mathbf{x} y=wqHx, 阻塞矩阵投影后的输出为 z = B H x \mathbf{z}={{\mathbf{B}}^{H}}\mathbf{x} z=BHx,那么自适应的权矢量可以表示为
w a = R ^ z − 1 P ^ z {{\mathbf{w}}_{a}}\text{=}\mathbf{\hat{R}}_{z}^{-1}{{\mathbf{\hat{P}}}_{z}} wa=R^z1P^z
其中, R ^ z = B H R ^ x B {{\mathbf{\hat{R}}}_{z}}={{\mathbf{B}}^{H}}{{\mathbf{\hat{R}}}_{x}}\mathbf{B} R^z=BHR^xB z \mathbf{z} z的协方差矩阵, P ^ z = B H R ^ x w q {{\mathbf{\hat{P}}}_{z}}={{\mathbf{B}}^{H}}{{\mathbf{\hat{R}}}_{x}}{{\mathbf{w}}_{q}} P^z=BHR^xwq z \mathbf{z} z y \mathbf{y} y的互协方差矩阵。
GSC是LCMV的等效,其将后者的有约束的优化问题变成了无约束的优化问题,当 z \mathbf{z} z中含有较少期望信号时,GSC还能正常工作,反之,其性能会大幅度下降。

仿真参数设置

参数名称参数值
阵元数10
期望信号角度 − 5 ∘ -5^{\circ} 5
干扰信号角度 − 3 0 ∘ -30^{\circ} 30 3 0 ∘ 30^{\circ} 30
SNR10dB
INR20
快拍数60

基于上述仿真参数,可以得到LCMV的方向图为

在这里插入图片描述

从图中来看,LCMV的方向图能够在干扰方向形成零陷, 但是由于增加了主瓣约束,将多个方向当作期望信号,导致其主瓣宽度增加。当约束只有一个时,可以得到如下结果
在这里插入图片描述
可以看出,其能够在期望信号方向形成最大增益,干扰方向上形成零陷。
代码如下:

clear;
close all;
clc;
warning off
%% 初始化
M = 10;             %阵元数
fs = 5000;          % 采样频率
f = 1000;           % 信号频率
snap = 600;         % 快拍数
T = 0.5;           %采样时间
t = 1/fs:1/fs:T;
c = 340;
lamda = c/f;              %波长
d = 0.5*lamda;          %阵元间距
theta0 =-5;                %期望信号角度
theta1 =-30;                %干扰角度
theta2 = 30;                %干扰角度
snr=10;                     %信噪比
inr1 =20;                   %干噪比
inr2 = 20;                   %干噪比
snr_noise = 0;              %噪声功率1,0dBW%% 导向矢量
a0 = exp(-1j*2*pi*d*sind(theta0)*(0:M-1)'/lamda);
a1 = exp(-1j*2*pi*d*sind(theta1)*(0:M-1)'/lamda);
a2 = exp(-1j*2*pi*d*sind(theta2)*(0:M-1)'/lamda);%% 信号、干扰和噪声
tar_sig = wgn(1,length(t), snr);
inf1 = wgn(1,length(t),inr1);
inf2 = wgn(1,length(t),inr2);
noise = wgn(M,length(t),snr_noise);%% 阵列接收信号
rec_sig = a0*tar_sig + a1*inf1 + a2*inf2 + noise;
interference = a1*inf1 + a2*inf2;
sig = a0 * tar_sig;%% 协方差矩阵
Rx = rec_sig(:,1:snap)*rec_sig(:,1:snap)'/snap;
Rs = sig(:,1:snap)*sig(:,1:snap)'/snap;
Ri = interference(:,1:snap)*interference(:,1:snap)'/snap;
Rn = noise(:,1:snap)*noise(:,1:snap)'/snap;%% LCMV算法
a01 = exp(-1j*2*pi*d*sind(theta0 + 5)*(0:M-1)'/lamda);
a02 = exp(-1j*2*pi*d*sind(theta0 - 5)*(0:M-1)'/lamda);
C=[a0,a01,a02]; 
f=[1,1,1]'; 
w_lcmv =inv(Rx)*C*(inv(C'*inv(Rx)*C))*f;	%权系数
theta = -90:0.1:90; % scan angle
p = exp(-1j*2*pi*d*(0:M-1)'*sind(theta)/lamda);
y = w_lcmv'*p;
yy = 20*log10(abs(y)/max(abs(y)));
%% 绘图
figure(1);
plot(theta,yy,'linewidth', 2);
xlabel('角度(\circ)');ylabel('归一化增益(dB)')
grid on;
xlim([-90 90])

参考文献:
[1]张小飞.阵列信号处理的理论和应用.国防工业出版社

这篇关于LCMV波束形成和GSC波束形成算法原理介绍及MATLAB实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/719720

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

性能测试介绍

性能测试是一种测试方法,旨在评估系统、应用程序或组件在现实场景中的性能表现和可靠性。它通常用于衡量系统在不同负载条件下的响应时间、吞吐量、资源利用率、稳定性和可扩展性等关键指标。 为什么要进行性能测试 通过性能测试,可以确定系统是否能够满足预期的性能要求,找出性能瓶颈和潜在的问题,并进行优化和调整。 发现性能瓶颈:性能测试可以帮助发现系统的性能瓶颈,即系统在高负载或高并发情况下可能出现的问题

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig