基于MUSIC和LMS算法的智能天線(xiàn)設計
分析表明,協(xié)方差矩陣的特征向量屬于兩個(gè)正交子空間之一,稱(chēng)之為特征子空間(信號子空間)和非主特征子空間(噪聲子空間)。相應于DOA的導引向量位于信號子空間,因而與噪聲子空間正交。通過(guò)在所有可能的陣列導引向量中搜尋那些與非主特征向量張成的空間垂直的向量,就可以確定DOA。
為尋找噪聲子空間,構造一個(gè)包含噪聲特征向量的矩陣,如式(19)所示本文引用地址:http://dyxdggzs.com/article/188729.htm
因為相應于信號分量的導引向量引噪聲子空間特征向量正交,即對于θ為多徑分量的DOA時(shí),aH(θ)VnVHna(θ)=0。于是多個(gè)人射信號DOA可以通過(guò)確定MUSIC空間譜的峰值作出估計,這些峰值由式(20)給出
a(θ)和Vn的正交性將使分母達到最小,從而得到定義的MUSIC譜的峰值。MUSIC譜中個(gè)最大峰值對應于入射到陣列上的信號的DOA。
3 MUSIC算法的實(shí)現
MUSIC算法的實(shí)現步驟可以總結如下
(1)收集輸入樣本X(i),i=1,…,N,估計輸入協(xié)方差矩陣,如式(21)所示
(2)對上面得到的協(xié)方差矩陣Rx進(jìn)行特征分解,如式(22)所示
(3)利用最小特征值λmin的重數K估計信號數D^,如式(23)所示
D^=M-K (23)
按特征值的大小順序,把與信號個(gè)數D^相等的特征值和對應的特征向量看作信號子空間,把剩下的M一D^個(gè)特征值和對應的特征向量看作噪聲子空間,得到噪聲矩陣,如式(24)所示
(5)使θ變化,找出PMUSIC^(θ)的D^個(gè)最大峰值,得到DOA的估計值。
4 基于LMS算法的自適應波束算法
LMS算法是一種自適應波束賦形算法,通過(guò)迭代來(lái)求解最小均方誤差(MMSE)準則下的最優(yōu)權重。自適應算法包括兩個(gè)步驟,具體過(guò)程是:
第一步:假設陣列天線(xiàn)所接收到的信號可以表示為x(k)=[x0(k),x2(k),…,xM-1(k)]H,對當前第k次快拍接收信號的加權系數為w=[w0,w1,…,wM-1]H,波束賦形器的輸出可以寫(xiě)為y(k)=wH(k)x(k),輸出信號y(k)與期望信號s(k)的誤差信號為e(k)=s(k)一y(k);
第二步:根據公式w(k+1)=w(k)+2μx(k),求取對k+1次快拍的加權向量值,其中μ為固定步長(cháng)因子,0μ1/λmax,λmax為Rxx最大特征值。
5 仿真實(shí)驗和性能評估
智能天線(xiàn)系統實(shí)現先根據MUSIC算法得到天線(xiàn)陣列接收端的信號方向,然后選擇期望信號,使用LMS算法實(shí)現自適應波束成形,使得發(fā)射信號方向指向所選擇信號的入射方向。
仿真實(shí)驗一:模擬4個(gè)窄帶信號分別以20°,40°,60°,80°方向的信號入射到均勻線(xiàn)陣上,陣元間距為入射信號波長(cháng)的1/2,信號間互不相關(guān),與噪聲相互獨立,噪聲為理想高斯白噪聲,天線(xiàn)個(gè)數為8,采樣快拍次數為l 280。仿真結果,如圖2所示,采用MUSIC算法可以很好的估計出入射信號個(gè)數和方向。
仿真實(shí)驗二:由仿真實(shí)驗一,MUSIC算法可以識別天線(xiàn)接收端的信號的入射方向,而自適應波束成形通過(guò)最小二乘算法(LMS)來(lái)實(shí)現。選擇40°的波達方向信號進(jìn)行波束賦形和對其它方向信號進(jìn)行干擾抑制的仿真。
仿真條件:天線(xiàn)陣列的個(gè)數是8,陣元間距為入射信號波長(cháng)的l/2,噪聲為理想高斯白噪聲,信噪比lO dB,采樣快拍次數為1 280次,μ取值為0.001,仿真結果,如圖3顯示,在40°主瓣方向上的幅度響應比其他方向至少大10 dB,對20°和60°方向的干擾信號實(shí)現了很好的干擾抑制。
6 結束語(yǔ)
文中采用MUSIC和LMS算法實(shí)現智能天線(xiàn)系統。由仿真結果可以看出MUSIC算法能夠識別出等距線(xiàn)形天線(xiàn)陣列上入射信號的方向,采用LMS算法能夠實(shí)現自適應波束賦形,對干擾信號進(jìn)行有效抑制。但是對于MUSIC算法,如果入射信號相關(guān)時(shí),相關(guān)信號會(huì )導致陣列接收數據的協(xié)方差矩陣秩的虧缺,從而使得信號特征向量發(fā)散到噪聲子空間去,導致某些相關(guān)源的方向矢量與噪聲子空間不完全正交,無(wú)法正確估計信號源方向,此時(shí)MUSIC算法就會(huì )失效,所以這個(gè)時(shí)候應該考慮先解除信號的相關(guān)性。而對于固定步長(cháng)的LMS算法,雖然算法簡(jiǎn)單,μ值應為一個(gè)保持不變的估計值,且事先須取得輸入信號的統計特性。但隨著(zhù)向最優(yōu)解方向的前進(jìn),權值的調整由粗到細,μ值也應該由大到小改變,使收斂迅速趨近最優(yōu)解,所以未來(lái)將采用變步長(cháng)的LMS算法。但本實(shí)現方案對于其它陣列結構,如圓形天線(xiàn)陣列自適應波束成形的有效性和復雜度則有待進(jìn)一步研究。
評論