原理介绍
在小快拍的情况下,采样协方差矩阵
R
^
x
{{\mathbf{\hat{R}}}_{x}}
R^x和理想协方差矩阵之间有较大的差距。为了能够提高采样协方差矩阵估计的准确性,研究学者提出了一种基于协方差矩阵的广义线性组合(General-Linear-Combination,GLC)方法。
考虑组合后的协方差矩阵
R
~
x
{{\mathbf{\tilde{R}}}_{x}}
R~x
R
~
x
=
α
I
+
β
R
^
x
{{\mathbf{\tilde{R}}}_{x}}\text{=}\alpha \mathbf{I}+\beta {{\mathbf{\hat{R}}}_{x}}
R~x=αI+βR^x
其中
R
~
x
≥
0
{{\mathbf{\tilde{R}}}_{x}}\ge 0
R~x≥0是半正定的,
I
\mathbf{I}
I为单位阵,
α
≥
0
\alpha \ge 0
α≥0,
β
≥
0
\beta \ge 0
β≥0为组合系数,也叫收缩参数,可以通过最小化与理想协方差矩阵的均方误差来确定
f
=
E
{
∥
R
~
x
−
R
x
∥
}
=
E
{
∥
α
I
−
(
1
−
β
)
R
x
+
β
(
R
^
x
−
R
x
)
∥
2
}
=
∥
α
I
−
(
1
−
β
)
R
x
∥
2
+
β
2
E
{
∥
R
^
x
−
R
x
∥
2
}
=
α
2
M
−
2
α
(
1
−
β
)
tr
(
R
x
)
+
(
1
−
β
)
2
∥
R
x
∥
2
+
β
2
E
{
∥
R
^
x
−
R
x
∥
2
}
\begin{aligned} & f=E\left\{ \left\| {{{\mathbf{\tilde{R}}}}_{x}}-{{\mathbf{R}}_{x}} \right\| \right\} \\ & =E\left\{ {{\left\| \alpha \mathbf{I}-(1-\beta ){{\mathbf{R}}_{x}}+\beta ({{{\mathbf{\hat{R}}}}_{x}}-{{\mathbf{R}}_{x}}) \right\|}^{2}} \right\} \\ & ={{\left\| \alpha \mathbf{I}-(1-\beta ){{\mathbf{R}}_{x}} \right\|}^{2}}+{{\beta }^{2}}E\left\{ {{\left\| {{{\mathbf{\hat{R}}}}_{x}}-{{\mathbf{R}}_{x}} \right\|}^{2}} \right\} \\ & ={{\alpha }^{2}}M-2\alpha (1-\beta )\text{tr}\left( {{\mathbf{R}}_{x}} \right)+{{\left( 1-\beta \right)}^{2}}\left\| {{\mathbf{R}}_{x}} \right\|^{2}+{{\beta }^{2}}E\left\{ {{\left\| {{{\mathbf{\hat{R}}}}_{x}}-{{\mathbf{R}}_{x}} \right\|}^{2}} \right\} \end{aligned}
f=E{∥∥∥R~x−Rx∥∥∥}=E{∥∥∥αI−(1−β)Rx+β(R^x−Rx)∥∥∥2}=∥αI−(1−β)Rx∥2+β2E{∥∥∥R^x−Rx∥∥∥2}=α2M−2α(1−β)tr(Rx)+(1−β)2∥Rx∥2+β2E{∥∥∥R^x−Rx∥∥∥2}
通过求解上述表达式,可以得到最优的
α
\alpha
α和
β
\beta
β
{
β
0
=
γ
ρ
+
γ
α
0
=
υ
(
1
−
β
0
)
=
υ
ρ
γ
+
ρ
\left\{ \begin{aligned} & {{\beta }_{0}}=\frac{\gamma }{\rho +\gamma } \\ & {{\alpha }_{0}}=\upsilon \left( 1-{{\beta }_{0}} \right)=\upsilon \frac{\rho }{\gamma +\rho } \\ \end{aligned} \right.
⎩⎪⎨⎪⎧β0=ρ+γγα0=υ(1−β0)=υγ+ρρ
其中,
ρ
=
E
{
∥
R
^
x
−
R
x
∥
2
}
\rho =E\left\{ {{\left\| {{{\mathbf{\hat{R}}}}_{x}}-{{\mathbf{R}}_{x}} \right\|}^{2}} \right\}
ρ=E{∥∥∥R^x−Rx∥∥∥2},
υ
=tr
(
R
x
)
/
M
\upsilon \text{=tr}\left( {{\mathbf{R}}_{x}} \right)/M
υ=tr(Rx)/M,
γ
=
∥
υ
I
−
R
x
∥
2
\gamma ={{\left\| \upsilon \mathbf{I}-{{\mathbf{R}}_{x}} \right\|}^{2}}
γ=∥υI−Rx∥2。同时,我们可以看出
β
∈
[
01
]
\beta \in \left[ \text{0}\text{1} \right]
β∈[01]以及
α
≥
0
\alpha \ge 0
α≥0,但是无法求解具体的值,因为上述表达式包含理想协方差矩阵。只有得到
ρ
\rho
ρ的值后,才可以去估计
α
\alpha
α和
β
\beta
β,因此首先要对
ρ
\rho
ρ进行估计,可以得到以下的表达式
ρ
^
=
1
N
2
∑
n
=
1
N
∥
x
(
n
)
∥
4
−
1
N
∥
R
^
x
∥
2
\hat{\rho }=\frac{1}{{{N}^{2}}}\sum\limits_{n=1}^{N}{{{\left\| \mathbf{x}\left( n \right) \right\|}^{4}}}-\frac{1}{N}\left\| {{{\mathbf{\hat{R}}}}_{x}} \right\|^{2}
ρ^=N21n=1∑N∥x(n)∥4−N1∥∥∥R^x∥∥∥2
同时,注意到
γ
+
ρ
=
∥
υ
I
−
R
x
∥
2
+
E
{
∥
R
^
x
−
R
x
∥
2
}
=
E
{
∥
R
^
x
−
υ
I
∥
2
}
\gamma +\rho ={{\left\| \upsilon \mathbf{I}-{{\mathbf{R}}_{x}} \right\|}^{2}}+E\left\{ {{\left\| {{{\mathbf{\hat{R}}}}_{x}}-{{\mathbf{R}}_{x}} \right\|}^{2}} \right\}=E\left\{ {{\left\| {{{\mathbf{\hat{R}}}}_{x}}-\upsilon \mathbf{I} \right\|}^{2}} \right\}
γ+ρ=∥υI−Rx∥2+E{∥∥∥R^x−Rx∥∥∥2}=E{∥∥∥R^x−υI∥∥∥2}
因此,可以通过采样协方差矩阵
R
^
x
{{\mathbf{\hat{R}}}_{x}}
R^x来估计
υ
^
\hat{\upsilon }
υ^
基于上述过程,可以得到
α
\alpha
α和
β
\beta
β的估计值
{
β
^
0
=
1
−
ρ
^
∥
R
^
x
−
υ
^
I
∥
2
α
^
0
=
υ
^
(
1
−
β
0
)
=
υ
^
ρ
^
∥
R
^
x
−
υ
^
I
∥
2
\left\{ \begin{aligned} & {{{\hat{\beta }}}_{0}}=\text{1}-\frac{{\hat{\rho }}}{{{\left\| {{{\mathbf{\hat{R}}}}_{x}}-\hat{\upsilon }\mathbf{I} \right\|}^{2}}} \\ & {{{\hat{\alpha }}}_{0}}=\hat{\upsilon }\left( 1-{{\beta }_{0}} \right)=\hat{\upsilon }\frac{{\hat{\rho }}}{{{\left\| {{{\mathbf{\hat{R}}}}_{x}}-\hat{\upsilon }\mathbf{I} \right\|}^{2}}} \\ \end{aligned} \right.
⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧β^0=1−∥∥∥R^x−υ^I∥∥∥2ρ^α^0=υ^(1−β0)=υ^∥∥∥R^x−υ^I∥∥∥2ρ^
但是由于
α
≥
0
\alpha \ge 0
α≥0,
β
≥
0
\beta \ge 0
β≥0,而上面的求解方法得到的结果可能是负值,所以可以采用下列表达式进行计算
{
α
^
0
=
min
[
υ
^
ρ
^
∥
R
^
x
−
υ
^
I
∥
2
,
υ
^
]
β
^
0
=
1
−
α
^
0
υ
^
\left\{ \begin{aligned} & {{{\hat{\alpha }}}_{0}}=\min \left[ \hat{\upsilon }\frac{{\hat{\rho }}}{{{\left\| {{{\mathbf{\hat{R}}}}_{x}}-\hat{\upsilon }\mathbf{I} \right\|}^{2}}},\hat{\upsilon } \right] \\ & {{{\hat{\beta }}}_{0}}=1-\frac{{{{\hat{\alpha }}}_{0}}}{{\hat{\upsilon }}} \\ \end{aligned} \right.
⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧α^0=min⎣⎢⎡υ^∥∥∥R^x−υ^I∥∥∥2ρ^,υ^⎦⎥⎤β^0=1−υ^α^0
基于估计的系数,可以得到组合后的协方差矩阵
R
~
x
=
α
^
0
I
+
β
^
0
R
^
x
{{\mathbf{\tilde{R}}}_{x}}\text{=}{{\hat{\alpha }}_{0}}\mathbf{I}+{{\hat{\beta }}_{0}}{{\mathbf{\hat{R}}}_{x}}
R~x=α^0I+β^0R^x
那么,GLC波束形成器的加权系数可以表示为
w
=
R
~
x
−
1
a
0
a
0
H
R
~
x
−
1
a
0
\mathbf{w}=\frac{\mathbf{\tilde{R}}_{x}^{-1}{{\mathbf{a}}_{0}}}{\mathbf{a}_{0}^{H}\mathbf{\tilde{R}}_{x}^{-1}{{\mathbf{a}}_{0}}}
w=a0HR~x−1a0R~x−1a0
如果
β
^
0
≠
0
{{{\hat{\beta }}}_{0}}\ne0
β^0=0,那么加权系数还可以表示为
w
=
[
α
^
0
β
^
0
I
+
R
^
x
]
−
1
a
0
a
0
H
[
α
^
0
β
^
0
I
+
R
^
x
]
−
1
a
0
\mathbf{w}=\frac{{{\left[ \frac{{{{\hat{\alpha }}}_{0}}}{{{{\hat{\beta }}}_{0}}}\mathbf{I}+{{{\mathbf{\hat{R}}}}_{x}} \right]}^{-1}}{{\mathbf{a}}_{0}}}{\mathbf{a}_{0}^{H}{{\left[ \frac{{{{\hat{\alpha }}}_{0}}}{{{{\hat{\beta }}}_{0}}}\mathbf{I}+{{{\mathbf{\hat{R}}}}_{x}} \right]}^{-1}}{{\mathbf{a}}_{0}}}
w=a0H[β^0α^0I+R^x]−1a0[β^0α^0I+R^x]−1a0
可以看出,其等效为对角加载,而且可以自动计算对角加载的大小,避免了如何确定对角加载量大小的问题,所以该方法又称作为自动对角加载技术。
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∘ |
SNR | 10dB |
INR | 20 |
快拍数 | 60 |
基于上述仿真参数,可以得到其方向图为
从图中可以看出,波束方向图在期望方向上形成了最大增益,在干扰方向上形成了相应的零陷,实现了增强信号、抑制干扰的作用。
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 = 60; % 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,为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;
%% GLC算法
v=trace(Rx)/M;
p_sum=norm(rec_sig,'fro')^4;
rho=p_sum/(snap^2)-norm(Rx,'fro')^2/snap;
alpha=min(v*rho/(norm(Rx-v*eye(size(Rx)))^2),v);
beta=1-alpha/v;
R_glc=alpha*eye(M)+beta*Rx;
w_glc =inv(R_glc)*a0/(a0'*inv(R_glc)*a0);
theta = -90:0.1:90; % scan angle
p = exp(-1j*2*pi*d*(0:M-1)'*sind(theta)/lamda);
y = w_glc'*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] L. Du, J. Li and P. Stoica, “Fully Automatic Computation of Diagonal Loading Levels for Robust Adaptive Beamforming,” in IEEE Transactions on Aerospace and Electronic Systems, vol. 46, no. 1, pp. 449-458, Jan. 2010, doi: 10.1109/TAES.2010.5417174.
[2]Ledoit, Olivier & Wolf, Michael, 2004. “A well-conditioned estimator for large-dimensional covariance matrices,” Journal of Multivariate Analysis, Elsevier, vol. 88(2), pages 365-411, February.
[3]P. Stoica, J. Li, X. Zhu and J. R. Guerci, “On Using a priori Knowledge in Space-Time Adaptive Processing,” in IEEE Transactions on Signal Processing, vol. 56, no. 6, pp. 2598-2602, June 2008, doi: 10.1109/TSP.2007.914347.