一种强干扰下天线阵列DOA估计方法技术

本发明专利技术公开一种强干扰下天线阵列DOA估计方法，提出一种新的强干扰源抑制及加权的L1范数稀疏表示的DOA估计。首先，构建接收阵列数据模型；其次，并行功率倒置自适应波束形成算法抑制干扰并形成新阵列数据；再次，根据阵列数据子空间投影并进行权值求解；最后，将权值与新阵列数据构成加权l1范数稀疏表示并求解DOA估计。该方法不需要强干扰波达角作为先验知识，能有效地抑制强干扰，且谱图主瓣尖锐、噪声平均谱值低，对强干扰下弱信号的DOA估计具有较好性能。较好性能。较好性能。

【技术实现步骤摘要】
一种强干扰下天线阵列DOA估计方法


[0001]本专利技术属于电磁探测、无源定位及无线电监测管理
领域，尤其涉及一种强干扰下天线阵列DOA估计方法。

技术介绍

[0002]在复杂电磁环境下，强干扰信号会影响弱信号DOA估计。比如：无人机图传信号工作在2.4GHz、5.8GHz的公用频段，其经常受WiFi、蓝牙等强干扰信号的影响。相比于弱信号，当干扰信号幅度较小时，可以使用传统的谱估计算法同步估计干扰信号与弱信号的DOA；当干扰信号幅度较大，特别是产生强干扰时，弱信号的功率谱谱峰可能会被空间中的强干扰谱峰或者算法伪峰湮没而影响弱信号的DOA估计，难以实现弱信号的测向。
[0003]对于强干扰下弱信号的DOA估计，目前常用的解决方法有2种：第一是对强弱信号分离并同时估计，第二是先抑制强干扰信号再进行弱信号的DOA估计。对于第一种方法常采用迭代的方法实现，运算量比较大，难以实际应用。对于第2种方法，学者们分别提出有干扰阻塞(JJM)算法、扩展噪声子空间法(ENS)以及干扰特征向量消除法(EEOI)。这些方法有的需要干扰方向作为先验信息，有的在一定信干比范围内效果较好，当小于或大于一定信干比时，谱图峰与平均噪声比值较小，甚至伪峰增多，不利于弱信号的DOA估计。

技术实现思路

[0004]本专利技术提出一种新的强干扰源抑制及加权的l1范数稀疏表示的DOA估计。首先，构建接收阵列数据模型；其次，并行功率倒置自适应波束形成算法抑制干扰并形成新阵列数据；再次，根据阵列数据子空间投影并进行权值求解；最后，将权值与新阵列数据构成加权l1范数稀疏表示并由二阶锥规划求解DOA估计。本专利技术不需要强干扰波达角作为先验知识，能有效地抑制强干扰，且谱图主瓣尖锐、噪声平均谱值低，对强干扰下弱信号的DOA估计具有较好性能。本专利技术具体采用以下技术方案：
[0005]一种强干扰下天线阵列DOA估计方法，包括以下步骤：
[0006]S1，由接收阵列数据构建阵列数据模型；
[0007]X＝A
k
S+A
q
J+N
[0008]其中，X＝[x1(t),x2(t),
…
,x
M
(t)]T
，M是均匀线性阵列的阵元数，阵元间距是半波长。期望信号的阵列流形矩阵A
k
＝[a(θ1),a(θ2),
…
,a(θ
K
)]是一个M
×
K的矩阵，K个窄带期望信号个数，θ
k
是期望信号入射角，是一个M
×
1的期望信号方向矢量，d是相邻阵元的间距，λ是信号的波长。强干扰信号的阵列流形矩阵A
q
＝[a(θ1),a(θ2),
…
,a(θ
Q
)]是一个M
×
Q的矩阵，Q是窄带强干扰信号个数，且K+Q<M，是一个M
×
1的干扰信号方向矢量。期望信号矩阵S＝[s1(t),s2(t),
…
,s
K
(t)]T
是一个K
×
T的矩阵，T是快拍数。干扰信号矩阵J＝[J1(t),J2(t),
…
,
J
Q
(t)]T
是一个Q
×
T的矩阵。N(t)＝[N1(t),N2(t),
…
,N
M
(t)]T
是均值为零、方差为的加性高斯白噪声矩阵。
[0009]S2，将第一个阵元数据作为参考信号，剩余M
‑
1个阵元作为输入信号，由阵列数据功率倒置自适应波束形成算法求出以第一个阵元为参考的输出信号y1；
[0010]为了抑制混合信号中的强干扰信号，我们采用功率倒置波束形成算法，该算法通过输出功率最小来计算阵列加权矢量。我们令第一个阵元接收的信号作为参考信号，剩余的M
‑
1个阵元的加权输出
[0011][0012]式中：W
M
‑1＝[w2,w3,
…
,w
M
]T
是加权矩阵，X
M
‑1＝[x2,x3,
…
,x
M
]T
第2至M阵元的信号。根据最小均方误差准则，可以得出加权矩阵
[0013][0014]式中：是第2至M阵元数据的自相关，是第2至M阵元数据与第一个阵元数据的互相关。因此，该模型下的最优加权矩阵
[0015][0016]为了得到最佳的权向量并及时更新，我们使用最小均方算法实现自适应求权值，即：n+1时刻得权值由n时刻的权值与校正量决定。自适应权值为
[0017][0018]式中，μ(0<μ<tr(R
b
))是收敛因子，M个阵元加权后的输出信号为
[0019]y1＝W
opt1
X
[0020]分别令2至M个阵元中的一个阵元数据作为参考信号，另M
‑
1个阵元作为输入信号，由接收阵列功率倒置自适应波束形成算法求出以另M
‑
1个阵元为参考的输出信号y2,y3,
……
,y
M
，形成并行功率倒置自适应波束形成算法；
[0021]S3，将输出的信号y1,y2,
……
,y
M
形成新阵列数据Y＝[y1,y2,
…
,y
M
]T
；
[0022]S4，根据阵列数据子空间投影抑制干扰；
[0023]由于阵列接收信号中的期望信号、干扰信号及噪声互不相关，因此，阵列接收信号的协方差矩阵
[0024]R
x
＝E{X(t)X
H
(t)}＝R
s
+R
j
+R
n
[0025]式中R
s
、R
j
、R
n
分别是期望信号、干扰信号及噪声的协方差矩阵。将阵列接收信号的协方差特征值分解
[0026][0027]式中，λ
m
(m＝1
,
2,
…
,M,λ1>λ2>
…
>λ
M
)是R
x
的M个特征值，u
m
是对应的特征向量，Σ
j
＝diag{λ1,λ2,
…
,λ
Q
}是干扰对应的特征矩阵，其对应的干扰子空间U
j
＝span{u1,u2,
…
,u
Q
}，Σ
s
＝diag{λ
Q+1
,λ
Q+2
,
…
,λ
Q+K
}本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种强干扰下天线阵列DOA估计方法，其特征在于，包括以下步骤：S1，由接收阵列数据构建阵列数据模型；X＝A
k
S+A
q
J+N其中，X＝[x1(t),x2(t),
…
,x
M
(t)]
T
，M是均匀线性阵列的阵元数，阵元间距是半波长。期望信号的阵列流形矩阵A
k
＝[a(θ1),a(θ2),
…
,a(θ
K
)]是一个M
×
K的矩阵，K个窄带期望信号个数，θ
k
是期望信号入射角，是一个M
×
1的期望信号方向矢量，d是相邻阵元的间距，λ是信号的波长。强干扰信号的阵列流形矩阵A
q
＝[a(θ1),a(θ2),
…
,a(θ
Q
)]是一个M
×
Q的矩阵，Q是窄带强干扰信号个数，且K+Q<M，是一个M
×
1的干扰信号方向矢量。期望信号矩阵S＝[s1(t),s2(t),
…
,s
K
(t)]
T
是一个K
×
T的矩阵，T是快拍数。干扰信号矩阵J＝[J1(t),J2(t),
…
,J
Q
(t)]
T
是一个Q
×
T的矩阵。N(t)＝[N1(t),N2(t),
…
,N
M
(t)]
T
是均值为零、方差为的加性高斯白噪声矩阵。S2，将第一个阵元数据作为参考信号，剩余M
‑
1个阵元作为输入信号，由阵列数据功率倒置自适应波束形成算法求出以第一个阵元为参考的输出信号y1；为了抑制混合信号中的强干扰信号，采用功率倒置波束形成算法，该算法通过输出功率最小来计算阵列加权矢量。我们令第一个阵元接收的信号作为参考信号，剩余的M
‑
1个阵元的加权输出式中：W
M
‑1＝[w2,w3,
…
,w
M
]
T
是加权矩阵，X
M
‑1＝[x2,x3,
…
,x
M
]
T
第2至M阵元的信号。根据最小均方误差准则，可以得出加权矩阵式中：是第2至M阵元数据的自相关，是第2至M阵元数据与第一个阵元数据的互相关。因此，该模型下的最优加权矩阵为了得到最佳的权向量并及时更新，使用最小均方算法实现自适应求权值，即：n+1时刻得权值由n时刻的权值与校正量决定。自适应权值为式中，μ(0<μ<tr(R
b
))是收敛因子，M个阵元加权后的输出信号为y1＝W
opt1
X分别令2至M个阵元中的一个阵元数据作为参考信号，另M
‑
1个阵元作为输入信号，由接收阵列功率倒置自适应波束形成算法求出以另M
‑
1个阵元为参考的输出信号y2,y3,
……
,y
M
，形成并行功率倒置自适应波束形成算法；S3，将输出的信号y1,y2,
……
,y
M
形成新阵列数据Y＝[y1,y2,
…
,y
M
]
T
；S4，根据阵列数据子空间投影抑制干扰；
由于阵列接收信号中的期望信号、干扰信号及噪声互不相关，因此，阵列接收信号的协方差矩阵R
x
＝E{X(t)X
H
(t)}＝R
s
+R
j
+R
n
式中R
s
、R
j
、R
n
分别是期望信号、干扰信号及噪声的协方差矩阵。将阵列接收信号的协方差特征值分解式中，λ
m
(m＝1,2,
…
,M,λ1>λ2>
...

【专利技术属性】
技术研发人员：谢树果，左铭，张申达，宋雨杭，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：