一种基于导向矢量模型的稳健波束成形优化方法技术

本发明专利技术公开了一种基于导向矢量模型的稳健波束成形优化方法，首先构建各向同性传感器阵列，并初始化设置阵列的参数；然后再根据当前参数求解得到当前迭代的波束赋形、辅助变量以及拉格朗日乘子；最后判断是否满足迭代停止条件，若是则输出当前迭代的波束赋形，结束波束成形优化，否则令迭代次数i加1，返回步骤S2。本发明专利技术通过提供比有界球体更严格的导向矢量不确定集，提高了导向矢量模型的稳健性，进而可以得到更加优化的波速成形结果。

【技术实现步骤摘要】
一种基于导向矢量模型的稳健波束成形优化方法
本专利技术属于无线通信和阵列信号处理
，具体涉及一种基于导向矢量模型的稳健波束成形优化方法的设计。
技术介绍
无线通信领域中，阵列方向图综合技术在抑制旁瓣的同时导向阵列主瓣方向，来达到增强期望信号、抑制干扰的目的，在各种电子系统中得到了广泛的应用。然而，由于导向矢量(SV)的缺陷，它在实际应用中存在严重的性能下降问题。许多早期的稳健波束成形方法研究采用了简单的对角加载技术，其中引入了波束赋形的L2正则化来提高鲁棒性，然而由于导向矢量(SV)的不确定性，其性能不佳。为了提高模型的鲁棒性，在稳健波束成形方法中考虑导向矢量(SV)的不确定性分布，采用有界球体模型来描述导向矢量(SV)的不确定性，即导向矢量(SV)扰动的L2范数由某个给定的常数限定，然后基于最小方差准则建立模型。在此基础上，基于球体不确定模型建立了一般秩信号子空间的鲁棒模式综合方法，其中扰动矩阵(而不是扰动向量)的范数是有界的。除了将导向矢量扰动的范数作为一个整体进行限定外，还有方法进一步限制了阵列波束形成器和导向矢量(SV)中单元的不确定性，最终在波束成形优化问题的目标中得到L1正则化惩罚项。然而这些方法对导向矢量(SV)不确定性的限定条件仍然相对宽松，性能相对不高。此外，尽管许多稳健波束成形方法已被证明是可以解决的，例如可以通过二阶锥规划(SOCP)进行问题求解，但仍然迫切需要开发计算效率高的算法，使这些稳健波束成形方法在实践中得以适用。
技术实现思路
本专利技术的目的是提出一种基于导向矢量模型的稳健波束成形优化方法，在相同的扰动场景中，提供比有界球体更严格的导向矢量不确定集，提高导向矢量模型的稳健性，进而得到更加优化的波速成形结果。本专利技术的技术方案为：一种基于导向矢量模型的稳健波束成形优化方法，包括以下步骤：S1、构建各向同性传感器阵列，并初始化设置阵列的参数。S2、根据当前参数求解得到当前迭代的波束赋形、辅助变量以及拉格朗日乘子。S3、判断是否满足迭代停止条件，若是则输出当前迭代的波束赋形，结束波束成形优化，否则令迭代次数i加1，返回步骤S2。进一步地，步骤S1中初始化设置的阵列的参数包括：阵列的导向矢量m＝0,1,…,M，其中N表示阵列中同性传感器的个数，表示N×1阶的复数域，m＝0表示主瓣方向索引，m＝1,2,…,M表示旁瓣方向索引，M表示旁瓣方向个数；主瓣方向θ0；旁瓣方向Θ＝{θ1,θ2,…,θM}；的扰动其中表示方向θ上第n个传感器的阵列导向矢量因子，Un为的幅度扰动界，Φn为的相位扰动界，n＝1,2,…,N；最坏情况下的主瓣响应η，0≤η＜＜1；惩罚因子ρ；初始迭代次数i＝1；最大迭代次数imax；最小误差err；初始辅助变量以及ti-1；初始拉格朗日乘子进一步地，步骤S2中的当前迭代的波束赋形的计算公式为：wi＝A-1bi-1其中wi表示第i次迭代的波束赋形，A与bi-1均为辅助变量，且上标H表示Hermitian转置，IN表示N×N的单位矩阵，上标*表示共轭。进一步地，步骤S2中的辅助变量包括以及ti。其中ti的计算公式为：其中为中间变量且K表示ti与取得最优解时的中间变量且1≤K≤M，[x]+＝max{0,x}。的计算公式为：其中表示取实部运算，为中间变量且表示关于主瓣方向的导向矢量，L表示与取得最优解时的中间变量且1≤L≤N，Ωi-1(L)为中间变量且为中间变量且表示第n个传感器第i次迭代的波束赋形因子。的计算公式为：其中m＝1,2,…,M。的计算公式为：其中n＝1,2,…,N。进一步地，中间变量K的计算方法为：假设则K满足进一步地，中间变量L的计算方法为：假设则L满足进一步地，步骤S2中求解辅助变量中的和时，如果则进一步地，步骤S2中的拉格朗日乘子包括和其中的计算公式为：其中0≤m≤M。的计算公式为：其中1≤n≤N。进一步地，步骤S3中的迭代停止条件为：波束赋形wi满足||wi-vi||2<err或者迭代次数i满足i>imax，其中||·||2表示二范数。本专利技术的有益效果是：本专利技术提供的导向矢量模型分别研究了每个导向矢量(SV)单元的振幅和相位扰动，而不是将导向矢量(SV)扰动作为一个整体限定在L2范数范围内，该模型比现有的单元不确定性模型更实用；同时在相同的扰动场景中，本专利技术通过提供比常用的有界球体更严格的导向矢量不确定集，提高了导向矢量模型的稳健性，进而可以得到更加优化的波束成形结果。附图说明图1所示为本专利技术实施例提供的一种基于导向矢量模型的稳健波束成形优化方法流程图。图2所示为本专利技术实施例提供的相同扰动情况下两种正则化方法的不确定性集对比示意图。图3所示为本专利技术实施例提供的三种情况下最坏情况旁瓣电平对比示意图。具体实施方式现在将参考附图来详细描述本专利技术的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本专利技术的原理和精神，而并非限制本专利技术的范围。本专利技术实施例提供了一种基于导向矢量模型的稳健波束成形优化方法，如图1所示，包括以下步骤S1～S3：S1、构建各向同性传感器阵列，并初始化设置阵列的参数。步骤S1中初始化设置的阵列的参数包括：阵列的导向矢量其中N表示阵列中同性传感器的个数，表示N×1阶的复数域，m＝0表示主瓣方向索引，m＝1,2,…,M表示旁瓣方向索引，M表示旁瓣方向个数；主瓣方向θ0；旁瓣方向Θ＝{θ1,θ2,…,θM}；的扰动其中表示方向θ上第n个传感器的阵列导向矢量因子，Un为的幅度扰动界，Φn为的相位扰动界，n＝1,2,…,N；最坏情况下的主瓣响应η，0≤η＜＜1；惩罚因子ρ；初始迭代次数i＝1；最大迭代次数imax；最小误差err；初始辅助变量以及ti-1；初始拉格朗日乘子S2、根据当前参数求解得到当前迭代的波束赋形、辅助变量以及拉格朗日乘子。步骤S2中的当前迭代的波束赋形的计算公式为：wi＝A-1bi-1其中wi表示第i次迭代的波束赋形，A与bi-1均为辅助变量，且上标H表示Hermitian转置，IN表示N×N的单位矩阵，上标*表示共轭。步骤S2中的辅助变量包括以及ti。其中ti的计算公式为：其中为中间变量且K表示ti与取得最优解时的中间变量且1≤K≤M，[x]+＝max{0,x}。本专利技术实施例中，中间变量K的计算方法为：假设则K满足的计算公式为：其中表示取实部运算，为中间变量且表示关于主瓣方向的导向矢量，L表示与取得最优解时的中间变量且1≤L≤N，Ωi-1(L)为中间变量且为中间变量且表示第n个传感器第i次迭代的波束赋形因子。本专利技术实施例中，中间变量L的计算方法为：假设则L满足xiθm的计算公式为：其中m＝1,2,…,M。的计算公式为：其中n＝1,2,…,N。特殊地，在求解辅助变量中的和时，如果则步骤S2中的拉格朗日乘子包括和其中的计算公式为：其中0≤m≤M。的计算公式为：其中1≤n≤N。S3、判断是否满足迭代停止条件，若是则输出当前迭代的波束赋形，结束波束成形优化，否则令迭代次数i加1，返回步骤S2。步骤S3中的迭代停止条件为：波束赋形wi满足||wi-vi||2<err或者迭代次数i满足i>imax，其中||·||2表示二范数。通过步骤S2的计算求解可以得到在步骤S3中判断是否满足本文档来自技高网...

【技术保护点】
1.一种基于导向矢量模型的稳健波束成形优化方法，其特征在于，包括以下步骤：S1、构建各向同性传感器阵列，并初始化设置阵列的参数；S2、根据当前参数求解得到当前迭代的波束赋形、辅助变量以及拉格朗日乘子；S3、判断是否满足迭代停止条件，若是则输出当前迭代的波束赋形，结束波束成形优化，否则令迭代次数i加1，返回步骤S2。

【技术特征摘要】
1.一种基于导向矢量模型的稳健波束成形优化方法，其特征在于，包括以下步骤：S1、构建各向同性传感器阵列，并初始化设置阵列的参数；S2、根据当前参数求解得到当前迭代的波束赋形、辅助变量以及拉格朗日乘子；S3、判断是否满足迭代停止条件，若是则输出当前迭代的波束赋形，结束波束成形优化，否则令迭代次数i加1，返回步骤S2。2.根据权利要求1所述的稳健波束成形优化方法，其特征在于，所述步骤S1中初始化设置的阵列的参数包括：阵列的导向矢量其中N表示阵列中同性传感器的个数，表示N×1阶的复数域，m＝0表示主瓣方向索引，m＝1,2,…,M表示旁瓣方向索引，M表示旁瓣方向个数；主瓣方向θ0；旁瓣方向Θ＝{θ1,θ2,…,θM}；的扰动其中表示方向θ上第n个传感器的阵列导向矢量因子，Un为的幅度扰动界，Φn为的相位扰动界，n＝1,2,…,N；最坏情况下的主瓣响应η，0≤η＜＜1；惩罚因子ρ；初始迭代次数i＝1；最大迭代次数imax；最小误差err；初始辅助变量以及ti-1；初始拉格朗日乘子3.根据权利要求2所述的稳健波束成形优化方法，其特征在于，所述步骤S2中的当前迭代的波束赋形的计算公式为：wi＝A-1bi-1其中wi表示第i次迭代的波束赋形，A与bi-1均为辅助变量，且上标H表示Hermitian转置，IN表示N×N的单位矩阵，上标*表示共轭...

【专利技术属性】
技术研发人员：杨金泰，顾成露，林静然，利强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51