LMS波束形成代码（matlab）LMS算法的仿真程序：
%lms 算法
clear all
close all
hold off%系统信道权数
sysorder = 5 ;%抽头数
N=1000;%总采样次数
inp = randn(N,1);%产生高斯随机系列
n = randn(N,1);
[b,a] = butter(2,;
—
Gz = tf(b,a,-1);%逆变换函数
h= [;;;;;];%信道特性向量
y = lsim(Gz,inp);%加入噪声
n = n * std(y)/(10*std(n));%噪声信号
d = y + n;%期望输出信号
totallength=size(d,1);%步长
N=60 ; %60节点作为训练序列
%算法的开始
w = zeros ( sysorder , 1 ) ;%初始化
for n = sysorder : N
u = inp(n:-1:n-sysorder+1) ;% u的矩阵
…
y(n)= w' * u;%系统输出
e(n) = d(n) - y(n) ;%误差
if n < 20
mu=;
else
mu=;
end
w = w + mu * u * e(n) ;%迭代方程end
%检验结果
for n = N+1 : totallength
>
u = inp(n:-1:n-sysorder+1) ;
y(n) = w' * u ;
e(n) = d(n) - y(n) ;%误差
end
hold on
plot(d)
plot(y,'r');
title('系统输出') ;
xlabel('样本')
ylabel('实际输出')
figure
,
semilogy((abs(e))) ;% e的绝对值坐标title('误差曲线') ;
xlabel('样本')
ylabel('误差矢量')
figure%作图
plot(h, 'k+')
hold on
plot(w, 'r*')
legend('实际权矢量','估计权矢量') title('比较实际和估计权矢量') ;
axis([0 6 ])
！
算法的仿真程序：
%lms 算法
clear all
close all
hold off%系统信道权数
sysorder = 5 ;%抽头数
N=1000;%总采样次数
inp = randn(N,1);%产生高斯随机系列n = randn(N,1);
[b,a] = butter(2,;
Gz = tf(b,a,-1);%逆变换函数
…
h= [;;;;;];%信道特性向量
y = lsim(Gz,inp);%加入噪声
n = n * std(y)/(10*std(n));%噪声信号
d = y + n;%期望输出信号
totallength=size(d,1);%步长
N=60 ; %60节点作为训练序列
%算法的开始
w = zeros ( sysorder , 1 ) ;%初始化
for n = sysorder : N
u = inp(n:-1:n-sysorder+1) ;% u的矩阵
y(n)= w' * u;%系统输出
、
r(n)=u'*u;%自相关矩阵
e(n) = d(n) - y(n) ;%误差
fai=.0001;%修正参数，为防止u'*u过小导致步长值太大而设置的
if n < 20
mu=;
else
mu=;
end
w = w + mu * u * e(n)/(r(n)+fai) ;;%迭代方程end
%检验结果
|
for n = N+1 : totallength
u = inp(n:-1:n-sysorder+1) ;
y(n) = w' * u ;
e(n) = d(n) - y(n) ;%误差
end
hold on
plot(d)
plot(y,'r');
title('系统输出') ;
xlabel('样本')
ylabel('实际输出')
!
figure
semilogy((abs(e))) ;% e的绝对值坐标
title('误差曲线') ;
xlabel('样本')
ylabel('误差矢量')
figure%作图
plot(h, 'k+')
hold on
plot(w, 'r*')
legend('实际权矢量','估计权矢量')
title('比较实际和估计权矢量') ;
—
axis([0 6 ])
算法的仿真程序：
% RLS算法
randn('seed', 0) ;
rand('seed', 0) ;
NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % 自适应滤波权数
Lambda = ; % 遗忘因子
Delta = ; % 相关矩阵R的初始化
x = randn(NoOfData, 1) ;%高斯随机系列
h = rand(Order, 1) ; % 系统随机抽样
·
d = filter(h, 1, x) ; % 期望输出
% RLS算法的初始化
P = Delta * eye ( Order, Order ) ;%相关矩阵
w = zeros ( Order, 1 ) ;%滤波系数矢量的初始化
% RLS Adaptation
for n = Order : NoOfData ;
u = x(n:-1:n-Order+1) ;%延时函数
pi_ = u' * P ;%互相关函数
k = Lambda + pi_ * u ;
K = pi_'/k;%增益矢量
e(n) = d(n) - w' * u ;%误差函数
'
w = w + K * e(n) ;%递归公式
PPrime = K * pi_ ;
P = ( P - PPrime ) / Lambda ;%误差相关矩阵w_err(n) = norm(h - w) ;%真实估计误差
end ;
% 作图表示结果
figure ;
plot(20*log10(abs(e))) ;%| e |的误差曲线title('学习曲线') ;
xlabel('迭代次数') ;
ylabel('输出误差估计') ;
?
figure ;
semilogy(w_err) ;%作实际估计误差图
title('矢量估计误差') ;
xlabel('迭代次数') ;
ylabel('误差权矢量') ;
4.自适应均衡器的仿真程序：
% Illustration of the conventional RLS algorithm close all;
W=;
Nexp=10;
N=2000;
^
Nmc=1; % Number of ensemble realizations
M=11;%抽头系数
lambda=;%遗忘因子
varv=;%噪声方差
h=zeros(3,1);%h的初始化
er=zeros(N,Nmc);%er的初始化
h(1)=*(1+cos(2*pi*(1-2)/W));
h(2)=*(1+cos(2*pi*(2-2)/W));
h(3)=*(1+cos(2*pi*(3-2)/W));
% 学习曲线
hc=[0 h(1) h(2) h(3)]';
*
n0=7;
t=(1:N)';
for i=1:Nmc
y=sign(rand(N,1);%输入信号
v=sqrt(varv)*randn(N,1);%噪声信号
x=filter(hc,1,y)+v;%信号混合
x=[zeros(M-1,1);x];%x矩阵
yd=zeros(N+M-1,1); %延迟信号初始化e=yd;
yd(n0+M-1:N+M-1)=y(1:N-n0+1);
% CRLS 算法
.
% Initialization
lambda=;
P=(10^-3)*eye(M,M);
c=zeros(M,1);
g=c;
glambda=g;
% 迭代范围
for n=M:M+N-1
xn=flipud(x(n-M+1:n));
glambda=P*xn;
alphal=lambda+conj(glambda')*xn;
）
g=glambda/lambda;a(n)=1-conj(g')*xn; P=(P-g*conj(glambda'))/lambda;
P=(P+P')/2;
e(n)=yd(n)-conj(c')*xn;
c=c+g*conj(e(n));
end
end
eplot=e(M:M+N-1).^2;
subplot(2,1,1), plot(t,abs(eplot)) ylabel('|e(n)|^2');
xlabel('n');
'
subplot(2,1,2), plot(t,a(M:M+N-1)); ylabel('\alpha(n)');
xlabel('n');
5.自适应陷波器的仿真程序：
N=400; %总采样长度
t=0:N-1; %时间的变化范围
s=sin(2*pi*t/20); %输入信号
A=; %干扰信号的幅值
fai=pi/3;%干扰信号的相移
n=A*cos(2*pi*t/10+fai);%干扰信号
x=s+n;%信号混合
[
subplot(2,2,1);%作第一子图
plot(t,s);
subplot(2,2,2); %作第二子图plot(t,x);
x1=cos(2*pi*t/10);
x2=sin(2*pi*t/10);
%初始化
w1=;
w2=;
e=zeros(1,N);
y=0;
u=;%迭代步长
for i=1:N
y=w1*x1(i)+w2*x2(i);
e(i)=x(i)-y;%误差信号
w1=w1+u*e(i)*x1(i);%迭代方程w2=w2+u*e(i)*x2(i);%迭代方程end
subplot(2,2,3); %作第三子图plot(t,e);
subplot(2,2,4); %作第四子图plot(t,s-e);
南京理工大学电光学院通信工程系 Nanjing University of Science and Technology Department of Communication Engineering 数字波束形成与智能天线 盛卫星 南京理工大学电光学院通信工程系 Nanjing University of Science and Technology Department of Communication Engineering 数字波束形成与智能天线 第一章引言 DBF and Smart Antennas Nanjing University of Science & Technology Sheng Wei Xing 2004.03.03引言 1.1 数字波束形成与智能天线发展的简史 1.2 移动通信中与雷达中的智能天线的异同 DBF and Smart Antennas Nanjing University of Science & Technology Sheng Wei Xing 2004.03.03 1.1 数字波束形成与智能天线发展的简史 数字波束形成与智能天线的概念来源于军事上雷达和声纳所采用的自适应阵列天线，目的是为了自适应地控制天线波束的主瓣使其对准目标，控制天线波束的零陷，使其对准干扰源，从而可以在强干扰环境下有效地发现和探测目标。 自适应天线阵列的概念自1959年由Van Atta 提出以来，到目前已经经历了四十多年的发展历程，大体上可划分为四个阶段： 第一个十年的研究集中在自适应波束控制上（六十年代）。如：自适应相控阵列天线，自适应波束控制天线等 z 50年代，美国出于卫星通信增强信号的需要，开始研究最初意义上的自适应天线。 z 1964年5月，IEEE Trans. on AP 第一次出版自适应天线专辑，总结了主波束自适应控制阶段的发展。 1.1 数字波束形成与智能天线发展的简史 第三个十年的研究主要集中在空间谱估计上（八十年代）。如：最大似然谱估计，最大熵谱估计，特征空间正交谱估计等 z 1986年3月，IEEE Trans. on AP 第三次出版自适应天线专辑，总结了DOA 估计的空间谱估计阶段的发展。 z 在八十年代，自适应天线阵从理论研究进入了广泛应用阶段，但主要限于雷达和声纳领域。 第二个十年研究集中在自适应零陷控制上（七十年代）。 如：自适应滤波，自适应调零与旁瓣对消，自适应杂波控制等。 z 1976年9月，IEEE Trans. on AP 第二次出版自适应天线专辑，总结了零向自适应控制阶段的发展。 1.1 数字波束形成与智能天线发展的简史 最近十年的研究主要集中在： z 1. 结合移动通信的智能天线的实现技术上（九十年代至今） 时隙、频率资源复用，码分多址导致同频干扰，成为制约通信容量的重要因素。现在的移动通信系统中采用的天线是全向天线，主要是为了确保与各个方向的用户都能通信。智能天线能根据信号的来波方向，自适应地调整天线方向图，形成一个窄的主波束对准用户，其它方向副瓣很低。这样可以增强用户信号，抑制干扰，提高信干比，增加通信系统容量。同时还可以降低发射功率，提高通信覆盖范围。同时多波束时，又称SDMA , 空分多址，大大增加通信系统容量。 移动通信得到了迅猛的发展，一方面，用户数量急剧增加，另一方面，移动业务主要由原来窄带的话音业务，向宽带的多媒体业务扩展。导致无线频谱资源日趋紧张，现在应用的多址方式包括： TDMA(时隙上错开) FDMA （载波频率上错开）, CDMA （码分多址）。
多波束形成技术研究 陈晓萍 （中国西南电子技术研究所，四川成都610036） 摘要：讨论了跟踪与数据中继卫星系统（TDRSS）中关于多波束形成的算法，优选的有LMS自适应方式和相位调整自适应方式；并简单介绍了波束控制和波束形成的实现。 关键词：TDRSS；多波束形成；LMS自适应算法；相位调整自适应算法 一、前言 随着航天技术的发展，要求测控通信站能高覆盖地对飞船等多个目标进行测控通信。要解决这个问题靠现有地面测控网和业务接收站已不能满足要求，需要建立天基测控通信系统，即跟踪与数据中继卫星系统(TDRSS)。 TDRSS把测控通信站搬移到天上同步定点轨道的中继星上，从上向下观测中低轨卫星、飞船、航天飞机等空间飞行器，从而提高了覆盖率。为了减轻中继星的复杂性和负担，将中继卫星观测到的数据和信息传到地面，由地面中心站进行处理。TDRSS中继星相控阵天线同时与多个用户航天器保持跟踪，地面站到航天器的正向通讯为时分多波束，反向通讯为码分和同时多波束。为了减轻中继星的负担，中继星上只装有形成正向天线波束扫描所需的电调移相器，由地面终端计算并发出指令，调节星上移相器相位，让天线波束以时分方式扫描对准各用户航天器，在对准期间完成正向数传。多个用户航天器送到中继星的反向数传信号在星上进行多波束形成会大大增加中继星的复杂性，反向信号经星上阵列天线接收和变换，各阵元收到的信号用频分多路方式相互隔离送往地面，由地面接收前端将频分多路还原成同频多路阵元输出，交由终端进行相控阵多波束形成处理。所谓波束形成, 就是利用开环控制或闭环自适应跟踪方法，对不同反向到达的信号用不同的权系数矢量对各阵元输出进行幅度和相位加权, 使各阵元收到的同一用户信号在合成器中得以同相相加, 输出信号最大, 干扰和噪声最小。当存在多个目标时, 地面终端利用码分多址方法和利用多个波束形成器并行地完成各目标的波束合成处理完成各用户的数传与测控。 二、多波束形成算法 数据中继卫星系统在多址方式下，服务对象一般分布在较低的地球轨道上，当用户星离地面的轨道高度在3 000 km以下时，中继星各阵元波束宽度只要26°就可覆盖地球周围的所有用户星。 当用户星以最大速度10 km/s运动,用户星穿过3.5°宽的合成波束所需的时间最短为205 s，所以中继星跟踪用户星所需的波束移动角速度是很小的。假定波束移动步进量为阵合成波束宽度3.5°的5％即0.175°，波束步进间隔时间长达10.5 s。只要计算机能在10.5 s 内依据用户星位置更新相控阵的相位加权系数，就会使合成波束移动并时刻对准目标。 按照目标的捕获与跟踪过程，多波束形成应有3种工作方式：主波束控制方式（开环）、扫描方式（开环）及自跟踪方式（闭环）。 当有先验信息如根据目标的轨道方程计算出目标在空中的当前位置时，可采用开环的主波束控制方式, 由用户星的实时俯仰角和方位角，计算机算出加权系数矢量，送到多波束处理器完成波束加权合成。用户星相对中继星来说角度移动缓慢，随着用户星的移动，计算机实时逐点计算出权系数矢量，可维持主波束的开环跟踪。主波束控制方式一般用于目标的初始捕获，完成后进入自动跟踪状态。 如果没有先验信息不知道目标的起始位置，可以采用波束扫描方式，根据事先制定的空
波束赋形算法研究包括以下几个方面: 1.常规的波束赋形算法研究。即研究如何加强感兴趣信号,提高信道处理增益,研究的是一 般的波束赋形问题。 2.鲁棒性波束赋形算法研究。研究在智能天线阵列非理想情况下,即当阵元存在位置偏差、 角度估计误差、各阵元到达基带通路的不一致性、天线校准误差等情况下,如何保证智能天线波束赋形算法的有效性问题。 3.零陷算法研究。研究在恶劣的通信环境下,即当存在强干扰情况下,如何保证对感兴趣信 号增益不变,而在强干扰源方向形成零陷,从而消除干扰,达到有效地估计出感兴趣信号的目的。 阵列天线基本概念（见《基站天线波束赋形及其应用研究_ 白晓平》） 阵列天线（又称天线阵）是由若干离散的具有不同的振幅和相位的辐射单元按一定规律排列并相互连接在一起构成的天线系统。利用电磁波的干扰与叠加，阵列天线可以加强在所需方向的辐射信号，并减少在非期望方向的电磁波干扰，因此它具有较强的辐射方向性。组成天线阵的辐射单元称为天线元或阵元。相邻天线元间的距离称为阵间距。按照天线元的排列方式，天线阵可分为直线阵，平面阵和立体阵。 阵列天线的方向性理论主要包括阵列方向性分析和阵列方向性综合。前者是指在已知阵元排列方式、阵元数目、阵间距、阵元电流的幅度、相位分布的情况下分析得出天线阵方向性的过程；后者是指定预期的阵列方向图，通过算法寻求对应于该方向图的阵元个数、阵间距、阵元电流分布规律等。对于无源阵，一般来说分析和综合是可逆的。 阵列天线分析方法 天线的远区场特性是通常所说的天线辐射特性。天线的近、远区场的划分比较复杂，一般而言，以场源为中心，在三个波长范围内的区域，通常称为近区场，也可称为感应场；在以场源为中心，半径为三个波长之外的空间范围称为远区场，也可称为辐射场。因此，在分析天线辐射特性时观察点距离应远大于天线总尺寸及三倍的工作波长。阵列天线的辐射特性取决于阵元因素和阵列因素。阵元因素包括阵元的激励电流幅度相位、电压驻波比、增益、方
LOW C OST PHASED ARRAY ANTENNA TRANSCEIVER FOR WPAN APPLICATIONS Introduction WPAN (Wireless Personal Area Network) transceivers are being designed to operate in the 60 GHz frequency band and will mainly be used for home environment radio links. So far, three basic technologies have been developed for implementing these WPAN devices: 1. Transceivers with a fixed antenna beam and wide aperture: have limited RF performance and no user-tracking ability. 2. MIMO (Multi Input Multi Output): have potential user-tracking ability, but also have marginal RF performance due to high losses that affect waves at 60 GHz reflected by the walls which cancels the potential advantage. 3. Digital Active Phased Array Antenna systems (APAA): have user-tracking ability and good RF power density. In principle digital APAA can handle both compressed as well as uncompressed signals. Digital beam forming is performed by dividing the baseband signal power in as many parts as there are antenna array elements. Then, the bit stream corresponding to each antenna element is digitally phased accordingly with the requested phase value. Now the phased bit streams are used for modulating the RF carrier in one or more steps. At last the modulated carriers are radiated by the antenna array. The baseband processor is complex and expensive; the related conventional RF subsystem is complex and expensive as well. The digital APAA system becomes even more complex when the bit stream is not directly available: this happens when the signal is still compressed. In this case, the baseband processor must first perform a decompression function in order to make available the bit stream. This additional function can significantly increase the cost of the digital APAA. Moreover, if multiple radiated channels are required, the above process and its complications will be multiplied by the number of contemporary channels that are to be handled. We could conclude that ANALOG APAA should be the best technical solution. In fact, analog APAA can handle compressed and uncompressed signals because the signal
第3章 自适应波束形成及算法 （3.2 自适应波束形成的几种典型算法） 3.2 自适应波束形成的几种典型算法 自适应波束形成技术的核心内容就是自适应算法。目前已提出很多著名算法，非盲的算法中主要是基于期望信号和基于DOA 的算法。常见的基于期望信号的算法有最小均方误差（MMSE ）算法、小均方（LMS ）算法、递归最小二乘（RLS ）算法，基于DOA 算法中的最小方差无畸变响应（MVDR ）算法、特征子空间（ESB ）算法等[9]。 3.2.1 基于期望信号的波束形成算法 自适应算法中要有期望信号的信息，对于通信系统来讲，这个信息通常是通过发送训练序列来实现的。根据获得的期望信号的信息，再利用MMSE 算法、LMS 算法等进行最优波束形成。 1．最小均方误差算法（MMSE ） 最小均方误差准则就是滤波器的输出信号与需要信号之差的均方值最小，求得最佳线性滤波器的参数，是一种应用最为广泛的最佳准则。阵输入矢量为： 1()[(),, ()]T M x n x n x n = （3-24） 对需要信号()d n 进行估计，并取线性组合器的输出信号()y n 为需要信号 ()d n 的估计值?()d n ，即 *?()()()()H T d n y n w x n x n w === （3-25） 估计误差为： ?()()()()()H e n d n d n d n w x n =-=- （3-26） 最小均方误差准则的性能函数为： 2 {|()|}E e t ξ= （3-27） 式中{}E 表示取统计平均值。最佳处理器问题归结为，使阵列输出 ()()T y n w X n =与参考信号()d t 的均方误差最小，即： 2{ |()|}M i n E e t
摘要 随着高速、超高速信号采集、传输及处理技术的发展,数字阵列雷达已成为当代雷达技术发展的一个重要趋势。数字波束形成(DBF)技术采用先进的数字信号处理技术对阵列天线接收到的信号进行处理,能够极大地提高雷达系统的抗干扰能力,是新一代军用雷达提高目标检测性能的关键技术之一。并且是无线通信智能天线中的核心技术。 本文介绍了数字波束形成技术的原理，对波束形成的信号模型进行了详细的推导，并且用matlab仿真了三种计算准则下的数字波束形成算法，理论分析和仿真结果表明以上三种算法都可以实现波束形成，并对三种算法进行了比较。同时研究了窄带信号的自适应波束形成的经典算法。研究并仿真了基于最小均方误差准则的LMS算法、RLS算法和MVDR自适应算法，并且做了一些比较。 关键词：数字波束形成、自适应波束形成、智能天线、最小均方误差、最大信噪比、最小方差
ABSTRACT With the development of high-speed, ultra high-speed signal acquisition, transmission and processing technology, digital array radar has became an important trend in the development of modern radar technology. Digital beamforming (DBF) technology uses advanced digital signal processing technology to process the signal received by antenna array. It can improve the anti-jamming ability of radar system greatly and it is one of the key technology。It is the core of the smart antenna technology in wireless communication too。 This paper introduces the principle of digital beam forming technology, the signal model of beam forming was presented, And the digital beam forming algorithm under the three calculation criterion was simulated by MATLAB, theoretical analysis and simulation results show that the three algorithms can achieve beamforming, and made some comparison between the three algorithms. At the same time, made some study about the adaptive narrow-band signal beam forming algorithm. Learned and Simulateded the LMS algorithm base on minimum mean square error criterion and RLS algorithm and MVDR algorithm, and do some comparison Key Words:DBF, ADBF, Smart antenna, The minimum mean square error, The maximum signal to noise ratio
自适应波束形成仿真 一、理想情况 在理想情况下，假设阵列中各阵元是各向同性的且不存在通道不一致、互耦等因素的影响，则()()()t t t =+X AS N 。 在波束形成时，通过适当的时延可以改变阵列的主瓣方向，数字波束形成时可通过复加权来实现，也就是说加权系数可以改变阵列方向图，如果加权系数使得在干扰方向对阵列方向图形成零点，那么就可以完全抑制该干扰，这种加权方式就可通过自适应波束形成的方式来获得。 考虑一个线性阵列，由M=2M ’+1个感应器构成 图1-1 线性阵列空间采样 空间平面波信号为： 0(,)exp[()]s x t j t k x ω=-? 第m 个感应器的坐标为： ?(')m x m M dx =- 感应器的输出为： 0()(,)exp[(('))]m m x y t s x t j t k m M d ω==-- 如果对每个阵列输出采样则信号复包络可构成向量： 1 1 sin sin 2 2 ()[]M M jk d jk d T s a k e e θθ ---= 设干扰（噪声）协方差阵为n R ，则在最大信噪比准则下加权向量w 的最优解为： *1()n s w R a k -= 波束响应 ()(),H p θθθ=∈Θw a 。d 。 。 。 。 。 。 。
1．改变信号、干扰方向 条件：L=1; %采样数（快拍数） SNR=20; %信号的信噪比 INR1=30; %干扰噪声比 INR2=30; %干扰噪声比 (1) 信号方向：0°干扰方向：20°，-20°
权值W 波束响应P
(2) 信号方向：-10°干扰方向：-20°，30° 权值W
3.5 两种特殊的波束形成技术 3.5.1协方差矩阵对角加载波束形成技术 常规波束形成算法中，在计算自适应权值时用XX R ∧ 代替其中的X X R 。由于采样快拍数是有限的，则通过估计过程得到的协方差矩阵会产生一定误差，这样会引起特征值扩散。从特征值分解方向来看，自适应波束畸变的原因是协方差矩阵的噪声特征值扩散。自适应波束可以认为是从静态波束图中减去特征向量对应的 特征波束图，即:m in 1 ()()( )()(()())N i V V iv iv V i i G Q E E Q λλθθθθθλ* =-=-∑,其中()V G θ是 是自适应波束图，()V Q θ是静态波束图，即没有来波干扰信号而只有内部白噪声时的波束状态。i λ是矩阵X X R 的特征值。()iv E θ是对应i λ的特征波束图。 由于X X R 是 Hermite 矩阵，则所有的特征值均为实数，并且其特征向量正交，特征向量对应的特征波束正交。而最优权值的求解表达其中的X X R 是通过采样数据估计得到的，当采样快拍数很少时，对协方差矩阵的估计存在误差，小特征值及对应的特征向量扰动都参与了自适应权值的计算，结果导致自适应波束整体性能的下降。鉴于项目中的阵列形式，相对的阵元数较少，采样数据比较少，很容易在估计协方差矩阵的时候产生大的扰动，导致波束的性能下降，所以采用对角加载技术来保持波束性能的稳定及降低波束的旁瓣有比较好的效果。 （1）对角加载常数λ 当采样数据很少时，自适应波束副瓣很高，SINR 性能降低。对因采样快拍数较少引起自相关矩阵估计误差而导致的波束方向图畸变，可以采用对角加载技术对采样协方差矩阵进行修正。修正后的协方差矩阵为:XX XX R R I λ∧ =+ 。 自适应旁瓣抬高的主要原因是对阵列天线噪声估计不足，造成协方差矩阵特征值分散。通过对角加载，选择合适对角加载λ ，则对于强干扰的大特征值不会受到很大影响，而与噪声相对应的小特征值加大并压缩在λ附近，于是可以得到很好的旁瓣抑制效果。对于以上介绍的通过 LCMV 准则求得的权值o p t w 经过对角加载后的最优权值为：111()(())H opt XX XX w R I A A R I A f λλ---=++ （2）广义线性组合加载技术 对角加载常数λ 来修正采样协方差矩阵，能够有效实现波束旁瓣降低的同时提高波束的稳健性。但是对加载值λ 的确定有一定难度，目前还是使用经验值较多。于是，来考虑另外一种能够有效实现协方差矩阵的修正，而且组合参数
信息与通信工程学院 阵列信号处理实验报告（自适应波束形成Matlab仿真） 学号：XXXXXX 专业：XXXXXX 学生姓名：XXX 任课教师：XXX 2015年X月
题目：自适应波束形成Matlab 仿真 1. 算法简述： 自适应波束形成，源于自适应天线的一个概念。接收端的信号处理，可以通过将各阵元输出进行加权求和，将天线阵列波束“导向”到一个方向上，对期望信号得到最大输出功率的导向位置即给出波达方向估计。 波束形成算法是在一定准则下综合个输入信息来计算最优权值的数学方法，线性约束最小方差准则（LCMV ）是最重要、最常用的方法之一。LCMV 是对有用信号形式和来向完全已知，在某种约束条件下使阵列输出的方差最小。该准则属于广义约束，缺点是需要知道期望分量的波达方向。准则的代价函数为 Rw w w J H )(=，约束条件为H ()θ=w a f ；最佳解为f c R c c R w 11H 1H ][---。 2. 波束形成原理 以一维M 元等距离线阵为例，如图1所示，设空间信号为窄带信号，每个通道用一个附加权值系数来调整该通道的幅度和相位。 图1 波束形成算法结构图 这时阵列的输出可以表示为： *1 ()()()M i i i y t w x t θ== ∑ 如果采用矢量来表示各阵元输出及加权系数，即 T 12()[()()()]M x t x t x t x t = T 12()[()()()]M w w w w θθθθ= 1()w θ 1()x n 1()w θ 1()x n 1()w θ 1()x n …….. ()y n
那么，阵列的输出也可以用矢量表示为 H ()()()y t t θ=w x 为了在某一方向θ上补偿各阵元之间的时延以形成一个主瓣，常规波束形成器在期望方向上的加权矢量可以构成为 (1)T ()[1e e ]j j M w ωτ ωτθ---= 观察此加权矢量，发现若空间只有一个来自方向θ的信号，其方向矢量()αθ的表示形式与此权值矢量相同。则有 H H ()()()()()y t t t θαθ==w x x 这时常规波束形成器的输出功率可以表示为 2H H ()[()]()()()()CBF P E y t θθθαθαθ===w Rw R 式中矩阵R 为阵列输出()t x 的协方差矩阵。 3. 实验内容与结果： 实验使用均匀线阵，阵元间距为信号波长的一半，输入信号为1个BPSK 信号，2个非相干的单频干扰，设置载波频率10MHz 、采样频率50MHz 、快拍数300、信噪比-25dB 、信干比-90dB 、信号方位角0、干扰方位角40-和50，分析阵元数分别在3、6、9和12时波束图的变化。实验结果见图1。 图1 不同阵元数情况下的波束图
阵列雷达数字波束形成技术仿真与研究 【摘要】本文首先介绍了数字波束形成的基本原理，随后对普通波束形成及基于LCMV准则和MVDR准则的单多波束自适应形成技术分别进行了原理介绍和仿真分析。仿真结果表明，基于自适应技术的数字波束形成能有效提取有用信号，并在干扰方向上形成零陷，有效的抑制噪声和干扰，大大提高了阵列雷达的天线性能。 【关键词】阵列雷达；波束形成；自适应 1.引言 波束形成（Beam Forming，BF）[1]是指将一定几何形状排列的多元阵列各阵元的输出经过加权、时延、求和等处理，形成具有空间指向性波束的方法。BF技术的广泛应用赋予了雷达、通信系统诸如多波束形成、快速、灵活调整方向图综合等许多优点。阵列天线的波束形成可以采用模拟方式，也可以采用数字方式，采用数字方式在基带实现滤波的技术称为数字波束形成（Digital Beaming Forming，DBF），它是天线波束形成原理与数字信号处理技术结合的产物，是对传统滤波技术的空域拓展，在通信领域中也称为智能天线技术。 2.普通波束形成 2.1 普通波束形成的基本原理 要研究数字波束形成技术，首先要建立阵列信号的表示形式。假设接收天线为N元均匀线阵，阵元间的间隔为d，各阵元的加权矢量为W=[w1，w2，…，wN]，假设信号为窄带信号S（t），信号波长为，来波方向为，经过加权控制的阵列天线示意图如图1所示[2]。 图1 阵列天线波束形成示意图 若以阵元1为参考点，则各阵元接收信号可以写成： （1） （2） 将上式写成矢量形式，得： （3） 称为为方向矢量或导向矢量。在窄带条件下，它只依赖于阵列的几何结构和波的传播方向，因此，均匀线阵的导向矢量可表示为：
多波束形成技术研究 摘要：讨论了跟踪与数据中继卫星系统（TDRSS）中关于多波束形成的算法，优选的有LMS自适应方式和相位调整自适应方式；并简单介绍了波束控制和波束形成的实现。 关键词：TDRSS；多波束形成；LMS自适应算法；相位调整自适应算法 一、前言 随着航天技术的发展，要求测控通信站能高覆盖地对飞船等多个目标进行测控通信。要解决这个问题靠现有地面测控网和业务接收站已不能满足要求，需要建立天基测控通信系统，即跟踪与数据中继卫星系统(TDRSS)。 TDRSS把测控通信站搬移到天上同步定点轨道的中继星上，从上向下观测中低轨卫星、飞船、航天飞机等空间飞行器，从而提高了覆盖率。为了减轻中继星的复杂性和负担，将中继卫星观测到的数据和信息传到地面，由地面中心站进行处理。TDRSS中继星相控阵天线同时与多个用户航天器保持跟踪，地面站到航天器的正向通讯为时分多波束，反向通讯为码分和同时多波束。为了减轻中继星的负担，中继星上只装有形成正向天线波束扫描所需的电调移相器，由地面终端计算并发出指令，调节星上移相器相位，让天线波束以时分方式扫描对准各用户航天器，在对准期间完成正向数传。多个用户航天器送到中继星的反向数传信号在星上进行多波束形成会大大增加中继星的复杂性，反向信号经星上阵列天线接收和变换，各阵元收到的信号用频分多路方式相互隔离送往地面，由地面接收前端将频分多路还原成同频多路阵元输出，交由终端进行相控阵多波束形成处理。所谓波束形成, 就是利用开环控制或闭环自适应跟踪方法，对不同反向到达的信号用不同的权系数矢量对各阵元输出进行幅度和相位加权, 使各阵元收到的同一用户信号在合成器中得以同相相加, 输出信号最大, 干扰和噪声最小。当存在多个目标时, 地面终端利用码分多址方法和利用多个波束形成器并行地完成各目标的波束合成处理完成各用户的数传与测控。 二、多波束形成算法 数据中继卫星系统在多址方式下，服务对象一般分布在较低的地球轨道上，当用户星离地面的轨道高度在3 000 km以下时，中继星各阵元波束宽度只要26°就可覆盖地球周围的所有用户星。 当用户星以最大速度10 km/s运动,用户星穿过3.5°宽的合成波束所需的时间最短为205 s，所以中继星跟踪用户星所需的波束移动角速度是很小的。假定波束移动步进量为阵合成波束宽度3.5°的5％即0.175°，波束步进间隔时间长达10.5 s。只要计算机能在10.5 s 内依据用户星位置更新相控阵的相位加权系数，就会使合成波束移动并时刻对准目标。 按照目标的捕获与跟踪过程，多波束形成应有3种工作方式：主波束控制方式（开环）、扫描方式（开环）及自跟踪方式（闭环）。 当有先验信息如根据目标的轨道方程计算出目标在空中的当前位置时，可采用开环的主波束控制方式, 由用户星的实时俯仰角和方位角，计算机算出加权系数矢量，送到多波束处理器完成波束加权合成。用户星相对中继星来说角度移动缓慢，随着用户星的移动，计算机实时逐点计算出权系数矢量，可维持主波束的开环跟踪。主波束控制方式一般用于目标的初始捕获，完成后进入自动跟踪状态。 如果没有先验信息不知道目标的起始位置，可以采用波束扫描方式，根据事先制定的空间角度扫描轨迹图形，顺序调出各角度位置的加权矢量，形成波束的空中扫描，当波束扫到目标时，波束合成器输出最大信号并给出目标捕获指示，完成目标初始捕获，随即进入波束
MVDR自适应波束形成算法研究 摘要 波束形成技术和信号空间波数谱估计是自由空间信号阵列处理的两个主要研究方面。MVDR是一种基于最大信干噪比（SINR）准则的自适应波束形成算法。MVDR算法可以自适应的使阵列输出在期望方向上功率最小同时信干噪比最大。将其应用于空间波数谱估计上可以在很大程度上提高分辨率和噪声抑制性能。本文将在深入分析MVDR算法原理的基础上，通过计算机仿真和海上试验数据处理的结果，分析了MVDR算法在高分辨率空间波数谱估计应用中的性能。同时通过比较对角加载前后的数据处理结果，分析对角加载对MVDR的改进效果。 关键词：波束形成；空间波数谱估计；MVDR；对角加载
Study of MVDR Self-adapting Beam-forming Algorism Abstract Beamforming technology and signal special beam-number spectral estimation are the two major researching emphasis in array signal processing. MVDR is a self-adapting algorism based on the maximal SINR principle. It can self-adaptingly make the array output reach maximum on the expected direction with the lowest SINR. Applying this algorism to special beam-number spectral estimation can to great extent increase the resolution and the inhibition capability. This paper makes a further analysis of MVDR algorism with the result of computer emulation and the processing of experimental data. Furthermore, this paper also shows the improvement of diagonal-loading technology to MVER algorism. Keywords: Beam-forming ；Spatial Wave-number spectral estimation；MVDR；Diagonal loading
超声成像波束形成的基本理论 声场在成像场域的分布称为波束形成(beam forming)。波束形成在整个超声中处于心位置，对成像质量起着决定性的作用，如图2.1。 本章以传统的延时叠加波束形成方法为中心来阐述波束形成的基本原理及其对波束形成的影响，并介绍了波束控制方法(聚焦偏转、幅度变迹、动态孔径)及成像质量的评价标准。. 1 延时叠加波束形成算法 延时叠加波束形成是超声成像中最传统、最简单也是应用最广泛的成像方法，它包括发射聚焦和接收聚焦两种方式。由于成像过程实际就是对成像区域逐点聚焦，所以一帧完整的图像需要进行至少上万次的聚焦才能完成。如果采用发射聚焦方式来实现超声成像，则完成一帧超声图像需要非常长的时间(至少需要几分钟)，不符合实时成像的要求。因此，平常所说的延时叠加波束形成一般是指接收聚焦，其形成过程如图2.2 所示。
1.1 声场分布的计算 图像分辨率通常是评价图像质量的重要标准之一，而在超声成像系统中的图像横向分辨率是由超声波束的声场分布决定的[25]。超声辐射声场的空间分布与换能器的辐射频率、辐射孔径及辐射面结构有关，称为换能器的空间响应特性为了表征换能器空间响应特性，常引入一指向性函数。指向性函数是描述发射器辐射声场或接收器灵敏度的空间函数。由于探头类型不尽相同，包括连续曲线阵、连续曲面阵、连续体性阵和离散阵四大类，因此指向性函数的类型也有所不同。本节以常用的凸阵探头(离散阵)为例介绍超声空间发射声场的计算
如图2.3 所示，设阵元数为N，阵元的半径为R，相邻两阵元间的距离为d，由于d << R，可近似得到相邻两个阵元之间的夹角为Q=d/R。那么探头上任一阵元i 与中心线的夹角
1.均匀线阵方向图 （1）matlab 程序 clc; clear all; close all; imag=sqrt(-1); element_num=32;%阵元数为8 d_lamda=1/2;%阵元间距d与波长lamda的关系 theta=linspace(-pi/2,pi/2,200); theta0=0;%来波方向 w=exp(imag*2*pi*d_lamda*sin(theta0)*[0:element_num-1]'); for j=1:length(theta) a=exp(imag*2*pi*d_lamda*sin(theta(j))*[0:element_num-1]'); p(j)=w'*a; end patternmag=abs(p); patternmagnorm=patternmag/max(max(patternmag)); patterndB=20*log10(patternmag); patterndBnorm=20*log10(patternmagnorm); figure(1) plot(theta*180/pi,patternmag); grid on; xlabel('theta/radian') ylabel('amplitude/dB') title([num2str(element_num) '阵元均匀线阵方向图','来波方向为' num2str(theta0*180/pi) '度']); hold on; figure(2) plot(theta,patterndBnorm,'r'); grid on; xlabel('theta/radian') ylabel('amplitude/dB') title([num2str(element_num) '阵元均匀线阵方向图','来波方向为' num2str(theta0*180/pi) '度']); axis([-1.5 1.5 -50 0]);
MIMO 系统的波束形成技术研究及其仿真 杨尚贤1，王明皓2 （1.沈阳航空航天大学辽宁沈阳110136；2.沈阳飞机设计研究所辽宁沈阳110035） 摘要：概述了智能天线中的波束形成技术和MIMO 系统中空时分组码原理，基于传统的最小均方（LMS ）算法和MI - MO 系统中空时分组码，研究分析了两者相结合的可行性。 关键词：智能天线；LMS 算法；MIMO ；空时分组码；误码率中图分类号：TN821.91 文献标识码：A 文章编号：1674－6236（2012）24-0093-03 MIMO systems beamforming technology and its simulation YANG Shang -xian 1，WANG Ming -hao 2 （1.Shenyang Aerospace University ，Shenyang 110136；China ； 2.Shenyang Aircraft Design Institute ，Shenyang 110035；China ） Abstract:The overview of beamforming technology in the smart antenna and space -time block code principle in the multiple -input multiple -output （MIMO ）system ，studied and analyzed the feasibility of combination based on the traditional least mean square （LMS ）algorithm and the multiple -input multiple -output （MIMO ）system space -time block codes.Key words:smart antenna ；LMS algorithm ；MIMO ；STBC ；BER 收稿日期：2012-09-03 稿件编号：201209021 作者简介：杨尚贤（1985—），男，辽宁大石桥人，硕士研究生。研究方向：航空电子信息系统。 随着移动通信技术的快速发展，移动通信用户的数目迅速增加，有限的频谱资源难以满足日益增长的全球市场对于移动通信的巨大需求。采用多输入多输出（MIMO ）技术充分利用频域资源实现移动通信系统性能的有效提高，已经成为近些年来的研究热点[1-4]。在无线通信系统中，多径衰落和各种干扰是普遍存在的。智能天线技术能够有效地抑制多径干扰、同信道干扰、多址干扰等各类型的干扰。而空时编码技术可以在不损失带宽的情况下获得很高的编码增益和分集增益，从而实现抗多径衰落的目的。因此，如果将空时编码技术与波束形成技术相结合将会获得更好的系统性能，文中将对空时编码技术与波束形成技术相结合的可行性进行研究。 1智能天线中的自适应波束形成技术 自适应波束形成技术的基本原理，是根据一定的准则和 算法自适应地调整阵列天线阵元激励的权值，使得阵列接收信号通过加权叠加后，输出信号的质量在所采取的准则下最优。波束形成原理图，如图1所示。 经典的自适应波束形成算法有最小均方算法（LMS ）和递归最小二乘算法（RLS ），采样矩阵求逆（SMI ）算法，最小二乘横模算法（LS-CMA ），基于DOA 估计的空间线性约束最小方差算法（LCMV ）、最小方差无畸变响应（MVDR ）算法、特征子空间（ESB ）算法等，以上算法各有其优缺点[5-9]。本文将以LMS 算法为基础探讨研究波束形成技术。W （n +1）=W （n ）+12 μ[-Δ W （E {ε2（n ）}）]=W （n ）+μ[r xd -R xx W （n ）]（1） 其中，W 是加权向量，μ是常数，称为步长因子，ε（n ）是输出信号与有用信号之间的误差，r xd 是输入信号与有用信号的互相关矩阵，R xx 是输入向量自相关矩阵。 因为r xd ，R xx 都是统计量，因此实际计算需要用估计值代替，LMS 算法的原理[10]是：采用瞬时采样值进行这两项的估 计，即在第n 个快拍，r xd 和R xx 的估计值R 赞xd 和R 赞xx 为r 赞xd =d *（n ）x （n ）（2）R 赞xx =x （n ）x H （n ）（3） 于是将式（2）、（3）代入式（1）得， W （n +1）=W （n ）+μ[d *（n ）x （n ）-x （n ）x H （n ）W （n ）]=W （n ）+μx （n ）[d *（n ）-y *（n ）]=W （n ）+μx （n ）ε*（n ） （4） 电子设计工程 Electronic Design Engineering 第20卷Vol.20第24期No.242012年12月Dec.2012 图 1 波束形成原理图 Fig.1 Principle diagram of beamforming
第三章波束形成算法 3.1 波束形成的发展 近年来，阵列信号处理在无线通信系统中得到了广泛应用。在蜂窝移动通信中，通信信道的需求急剧增长，使提高频谱复用技术显得日益重要。这就是通常说的空分多址（SDMA）。其中一个重要部分便是波束形成。 自适应波束形成（ADBF）亦称空域滤波，是阵列处理的一个主要方面，逐步成为阵列信号处理的标志之一，其实质是通过对各阵元加权进行空域滤波，来达到增强期望信号、抑制干扰的目的；而且可以根据信号环境的变化自适应地改变各阵元的加权因子。 自从1959年Van Atta提出自适应天线这个术语以来，自适应天线发展至今已经40多年了，自适应研究的重点一直是自适应波束形成算法，而且经过前人的努力，已经总结出许多好的算法比如SMI算法，ESB算法等等。但理论与实际总是有差距的，因为实际系统存在误差，这使得实际阵列流形与理想阵列会把期望信号当干扰进行一直，造成输出信号干扰噪声比下降和副瓣电平升高，当输入信号的信噪比（SNR）较大时，这种现象尤为明显。面对误差，传统自适应波束形成算法的效果很不理想，所以，研究实际环境下稳健的自适应波束形成算法具有重要的理论意义和军事，民用应用价值。 自适应波束形成常用协方差矩阵求逆（SMI）算法，该算法具有较快的信号干扰噪声比（SINR）意义下的收敛速度。从协方差矩阵分解的角度，自适应波束形成是协方差矩阵特征值分散，小特征值对应的特征矢量扰动，并参与自适应权值计算所致。针对这一问题，基于协方差矩阵非线性处理和对角线加载波束保形方法，对协方差矩阵非线性处理的加权因子的选取只能通过经验来取得；而在不同的干扰和噪声环境下对角线加载量的选取，至今没有很好的解决方法。 文献[3]提出了利用投影算子对阵列数据进行降维处理,在一定程度上降低了运算量,同时提高了自适应波束的稳健性,其投影算子是根据目标和干扰的粗略估计,以及不完全的阵列流形知识得到的。当相关矩阵中含有期望信号时,导致输出SINR下降,波形畸变较严重,另外,当存在系统误差和背景噪声为色噪声时,该方法虽然能够减小协方差中的扰动量,但副瓣电平还会出现一定程度的升高以及主瓣发生偏离现象。文献[4～5]提出的基于特征空间(ESB)的自适应波束形成算法,其权向量是在线性约束最小方差准则(LCMV)下的最优化权,向信号相关矩阵的