阵列信号DOA估计系列(三).MVDR/Capon波束形成(附代码)

标题阵列信号DOA估计系列(三).MVDR/Capon波束形成

MVDR算法得基本思路是在频域/空间形成一个窄带滤波器,从此出发,可见MVDR不但对噪声有抑制作用,来对观察频率/角度之外的信号有抑制作用,所以MVDR的分辨率远高于常规的FFT/DBF算法。
算法的推导和理解都比较简单,所以下面稍微推导一下。需要代码的请直接拉到最后。

1. 波束形成

波束形成,可以简单的理解为加权,或者滤波也可以。基本解释可以从这个图来看阵列信号DOA估计系列(三).MVDR/Capon波束形成(附代码)_第1张图片对各个阵元接收到的信号进行加权,权系数为 w = [ w 0 , w 1 , ⋯   , w M − 1 ] T \mathbf{w} = [w_{_0},w_{_1},\cdots,w_{_M-1}]^T w=[w0,w1,,wM1]T,使得输出 y ( n ) y(n) y(n) 达到我们想要的目的。
比如说:只让 30 ° 30\degree 30° 方向的信号进来,其他方向尽量抑制掉;或者,只是抑制 30 ° 30\degree 30° 方向的信号。
当然,对于权系数的设计,是一个比较重要的话题,此处不作展开。有兴趣的朋友,可以自行查阅DBF相关的资料。

2. MVDR波束形成基本推导

在前面已介绍了阵列接收信号模型和导向矢量,在此假设均匀线阵(ULA)含有 M M M 个阵元,当有 N N N 个信号 s 1 ( n ) , s 2 ( n ) , ⋯   , s N ( n ) s_{_1}(n),s_{_2}(n),\cdots,s_{_N}(n) s1(n),s2(n),,sN(n) 分别从 θ 1 , θ 2 , ⋯   , θ N \theta_1,\theta_2,\cdots,\theta_N θ1,θ2,,θN 入射到阵列时,按照叠加的思维,接收信号可以表述为 x ( n ) M × 1 = A M × N s N × 1 = [ a ( θ 1 ) , a ( θ 2 ) , ⋯   , a ( θ N ) ] M × N × [ s 1 ( n ) , s 2 ( n ) , ⋯   , s N ( n ) ] 1 × N T (1) \mathbf{x}(n) _{_{M\times 1}}= \mathbf{A_{_{M\times N}}s_{_{N\times 1}}}=[\mathbf{a(\theta_1)},\mathbf{a(\theta_2)},\cdots,\mathbf{a(\theta_N)}]_{_{M\times N}}\times [s_{_1}(n), s_{_2}(n),\cdots, s_{_N}(n)]^T_{_{1\times N}}\tag1 x(n)M×1=AM×NsN×1=[a(θ1),a(θ2),,a(θN)]M×N×[s1(n),s2(n),,sN(n)]1×NT(1)
现在假设我们需要设计一种权值 w \mathbf{w} w,使得 θ 1 \theta_1 θ1 方向的信号完全通过,其余的信号连同噪声被最大可能抑制。于是输出 y ( n ) y(n) y(n) 可以写作 y ( n ) = w H x ( n ) (2) y(n)= \mathbf{w}^H\mathbf{x}(n)\tag2 y(n)=wHx(n)(2)同时据此可以计算出输出信号的功率为 P ≜ E [ ∣ y ( n ) ∣ 2 ] = E [ w H x ( n ) x H ( n ) w ] = w H R w (3) P \triangleq E[|y(n)|^2]=E[\mathbf{w}^H\mathbf{x}(n)\mathbf{x}^H(n)\mathbf{w}]=\mathbf{w}^H\mathbf{R}\mathbf{w}\tag3 PE[y(n)2]=E[wHx(n)xH(n)w]=wHRw(3)

将信号 s 1 ( n ) s_{_1}(n) s1(n) 单独分离出来,其余部分写作 z ( n ) \mathbf{z(n)} z(n),于是,上式变为 y ( n ) = w H x ( n ) = w H a ( θ 1 ) s 1 ( n ) + w H z ( n ) (4) y(n)= \mathbf{w}^H\mathbf{x}(n) =\mathbf{w}^H\mathbf{a(\theta_1)}s_{_1}(n) + \mathbf{w}^H\mathbf{z(n)}\tag4 y(n)=wHx(n)=wHa(θ1)s1(n)+wHz(n)(4)按照我们的预想,权向量要 w \mathbf{w} w,使得 s 1 s_{_1} s1 方向的信号完全通过,同时,想要 z ( n ) \mathbf{z(n)} z(n) 被最大可能抑制,就应该满足:

条件1: w H a ( θ 1 ) = 1 (5) \mathbf{w}^H\mathbf{a(\theta_1)}=1\tag5 wHa(θ1)=1(5)
条件2:输出功率 P = x ( n ) x ( n ) H = w H R w {P} =\mathbf{x}(n)\mathbf{x}(n)^H=\mathbf{w}^H\mathbf{R}\mathbf{w} P=x(n)x(n)H=wHRw最小。

条件1很好理解。条件2的可以这样来理解,在条件1已经满足的前提下,如果其他信号和噪声都被抑制了,那么接收的信号功率自然就是最低的了,因此条件2是 z ( n ) \mathbf{z(n)} z(n) 被最大可能抑制 的直接结果。

θ 1 \theta_1 θ1 推广到任意角度 θ \theta θ ,那么上面所有的东西,可以写成这么一个以权向量 w \mathbf{w} w 为变量的优化问题 min ⁡ w H R w , s t . w H a ( θ ) = 1 (6) \min \mathbf{w}^H\mathbf{R}\mathbf{w},st.\mathbf{w}^H\mathbf{a(\theta)}=1\tag6 minwHRwst.wHa(θ)=1(6)

运用拉格朗日乘子法,构造代价函数 J ( w ) J(\mathbf{w}) J(w) J ( w ) = w H R w − λ ( 1 − a ( θ ) ) (7) J(\mathbf{w}) = \mathbf{w}^H\mathbf{R}\mathbf{w} - \lambda(1-\mathbf{a(\theta)})\tag7 J(w)=wHRwλ(1a(θ))(7)以权向量 w \mathbf{w} w 为变量求代价函数 J ( w ) J(\mathbf{w}) J(w) 的梯度并令其等于 0 0 0,即$ ∇ J ( w ) = 2 R w − 2 λ a ( θ ) ≜ 0 (8) \nabla J(\mathbf{w}) = 2\mathbf{R}\mathbf{w}-2\lambda\mathbf{a(\theta)}\triangleq0\tag8 J(w)=2Rw2λa(θ)0(8) 可以解得 w = λ R − 1 a ( θ ) (9) \mathbf{w} = \lambda\mathbf{R}^{-1} \mathbf{a(\theta)}\tag9 w=λR1a(θ)(9)两端取共轭转置(H),并右乘 a ( θ ) \mathbf{a(\theta)} a(θ),同时注意到约束条件 w H a ( θ ) = 1 \mathbf{w}^H\mathbf{a(\theta)}=1 wHa(θ)=1,可以得到 λ = 1 a ( θ ) H ( R − 1 ) H a ( θ ) (10) \lambda =\frac{1}{\mathbf{a(\theta)}^H(\mathbf{R}^{-1})^H\mathbf{a(\theta)}}\tag{10} λ=a(θ)H(R1)Ha(θ)1(10) ( 10 ) (10) (10) 带入 ( 9 ) (9) (9) ,即可解得的权向量为 w = R − 1 a ( θ ) a ( θ ) H ( R − 1 ) H a ( θ ) (11) \mathbf{w} = \frac{\mathbf{R}^{-1} \mathbf{a(\theta)}}{\mathbf{a(\theta)}^H(\mathbf{R}^{-1})^H\mathbf{a(\theta)}}\tag{11} w=a(θ)H(R1)Ha(θ)R1a(θ)(11)

到此,权向量就计算出来了。回望一下,这个权向量的目的:仅使得 ( 11 ) (11) (11) 式中给定的 a ( θ ) \mathbf{a(\theta)} a(θ) 对应方向的信号通过,其余方向的信号和噪声最大程度的抑制。 这时候,输出的平均功率由 ( 3 ) (3) (3) 式给定,稍微计算一下可得 P θ = 1 a ( θ ) H R − 1 a ( θ ) (12) P_{\theta}=\frac{1}{\mathbf{a(\theta)}^H\mathbf{R}^{-1}\mathbf{a(\theta)}}\tag{12} Pθ=a(θ)HR1a(θ)1(12)

( 12 ) (12) (12) 式可以这样理解:
任意给一个角度,就有其对应的导向矢量 a ( θ ) \mathbf{a(\theta)} a(θ) ,如果这个方向有信号,那么 ( 12 ) (12) (12) 式计算出来的就是此方向信号平均功率,其值应该较大;如果没有信号只有噪声,那么计算出来的就是噪声平均功率,其值应该较小。
因此,将 θ \theta θ 在自己想观察的角度扫描一圈,每个地方都计算一遍功率,选出其中较大的值,其对应的 θ \theta θ 就是DOA估计结果。

3.MVDR波束形成计算步骤

Step1:由接收到的快拍信号 x ( n ) \mathbf{x}(n) x(n) 估计自相关矩阵 R \mathbf{R} R;
Step2:计算自相关矩阵 R \mathbf{R} R 的逆矩阵 R − 1 \mathbf{R}^{-1} R1 ;
Step3:按照阵列几何形状,构造对应的导向矢量 a ( θ ) \mathbf{a(\theta)} a(θ);
Step4:使 θ \theta θ 按照一定的步进,在自己想观察的角度扫描,逐次计算 P θ P_{\theta} Pθ;
Step5:对 P θ P_{\theta} Pθ 进行谱峰搜索,找出峰值点对应的 θ \theta θ;

4. 结论和思考

  1. MVDR波束形成方法只能处理非相干信号。
    在对 ( 8 ) (8) (8) 式的求解中,对自相关矩阵 R \mathbf{R} R 进行了求逆运算。这就要求 R \mathbf{R} R 满秩,即信号之间是不相干的。若存在相干信号,那么上面的推导,到 ( 8 ) (8) (8) 式就无法继续进行了。
    那么,如果信号相干又该怎么办?
  2. MVDR波束形成具有通用性,而不限于线阵。
    从通篇推导可以看出,没有应用到 a ( θ ) \mathbf{a(\theta)} a(θ) 的具体结构。对于其他形式的阵列,修改 a ( θ ) \mathbf{a(\theta)} a(θ) 的形式即可;
  3. 用MVDR波束形成方法进行DOA估计,不用知道信源个数。MUSIC、ESPRIT算法等均需要进行信源个数估计;
  4. 用MVDR波束形成方法进行DOA估计,分辨率比空间FFT高得多,这一点从下面的仿真中可以看出来。

5.仿真结果

假设一个均匀线阵有16阵元, λ / 2 \lambda/2 λ/2 布阵;取1024个快拍估计自相关矩阵 R \mathbf{R} R,两个信号分别从 10 ° , 20 ° 10\degree,20\degree 10°,20° 方向入射大阵列,信噪比均为 10 d B 10dB 10dB。取信号相干和不相干的情况,用本文所述的MVDR波束形成方法和空间FFT及进行DOA估计,结果如下。

5.1 用MVDR波束形成方法进行DOA估计

阵列信号DOA估计系列(三).MVDR/Capon波束形成(附代码)_第2张图片
阵列信号DOA估计系列(三).MVDR/Capon波束形成(附代码)_第3张图片
从仿真结果可以看出,信号非相干时,此方法具有较高的分辨率;但当信号相干是,虽然还是在  10 ° , 20 ° 10\degree,20\degree 10°,20° 方向依然有两个峰值,但是其对应的纵坐标较小,且其余地方也有峰值,这就给后续的检测算法带来了难度。

作为对比,也将空间FFT的结果放在这里,可以看到,MVDR波束形成方法的分辨率要高很多阵列信号DOA估计系列(三).MVDR/Capon波束形成(附代码)_第4张图片

6.仿真代码

代码在此处,请点击下载

PS:如有错误,请大家不吝指正。谢谢!

你可能感兴趣的:(阵列信号处理之DOA估计)