小奥的学习笔记

  • Home
  • Learning & Working
    • Speech Enhancement Notes
    • Programming language
    • Computer & DL
    • MOOC
  • Life
    • Life Time
    • Thinking & Comprehension
    • Volunteer
    • Plan
    • Travel
  • Footprints
  • GuestBook
  • About
    • About Me
    • 个人履历
    • 隐私策略
  1. 首页
  2. Life Time
  3. 正文

《优化阵列信号处理》学习笔记(第四章)

2019年10月16日 2836点热度 5人点赞 1条评论

第四章:波束稳健性分析

在实际中,由于各种误差(如观察方向误差、阵型标定误差、通道幅度与相位误差等)的影响,造成导向向量存在误差;另外,由于接收数据协方差矩阵无法精确计算,只能通过接受数据进行估计,也不可避免的存在估计误差。导向向量与接受数据互谱矩阵误差都势必影响最佳波束形成器的输出信噪比性能。

4.1 最佳波束形成器稳健性影响因素

无论是MVDR还是MMSE,亦或是MSNR波束形成器,其加权向量其实统一可以写为

$$
{{w}{opt}}=\alpha R{x}^{-1}{{\bar{p}}_{s}}
$$

造成导向向量失配的原因有方向失配与阵元接收响应误差等。其中阵元接收响应误差包括通道幅相误差、阵元位置误差、阵元各向异性与不一致性引起的响应灵敏度误差等。

造成数据协方差矩阵误差的原因主要是:我们一般采用有限长度数据快拍估计得到数据协方差矩阵,估计值与实际值存在误差。

4.2 导向向量失配对波束性能的影响

我们知道MVDR的阵增益是
$$
{{G}{MVDR}}({{\bar{p}}{s}}:{{\tilde{p}}{s}})=\frac{{{\left| \bar{p}{s}^{H}R_{x}^{-1}{{{\tilde{p}}}{s}} \right|}^{2}}}{\bar{p}{s}^{H}R_{x}^{-1}{{\rho }{n}}R{x}^{-1}{{{\bar{p}}}_{s}}}
$$

将上式进行处理可以得到
$$
{{G}{MVDR}}=\frac{\bar{p}{s}^{H}\rho {n}^{-1}{{{\tilde{p}}}{s}}{{\cos }^{2}}({{{\bar{p}}}{s}},{{{\tilde{p}}}{s}},\rho {n}^{-1})}{1+{2(\sigma _{s}^{2}/\sigma _{n}^{2})\tilde{p}{s}^{H}\rho {n}^{-1}{{{\tilde{p}}}{s}}+{{[(\sigma {s}^{2}/\sigma _{n}^{2})\tilde{p}{s}^{H}\rho {n}^{-1}{{{\tilde{p}}}{s}}]}^{2}}}{{\sin }^{2}}({{{\bar{p}}}{s}},{{{\tilde{p}}}{s}},\rho _{n}^{-1})}
$$

根据上式分析导向向量误差、输入信噪比对MVDR波束形成器的阵增益的影响:

4.3 协方差矩阵失配对波束性能的影响

4.3.1 样本协方差矩阵求逆波束形成

接下来,我们对协方差矩阵统一用R来表示,于是MVDR波束形成器加权向量又可以表示为
$$
{{w}{MVDR}}=\alpha {{R}^{-1}}{{\bar{p}}{s}}
$$
式中
$$
\alpha \text{=}{{(\bar{p}{s}^{H}{{R}^{-1}}{{\bar{p}}{s}})}^{-1}}
$$

它不影响波束形成器的阵增益性能,只是为了满足无失真约束。

一个自适应波束形成器处于白噪声环境下的波束称为静态波束(quiescent pattern),对应的加权向量称为静态波束加权向量。对于式所示的MVDR对应的静态波束为常规时延求和波束。但是,其它自适应波束形成算法对应的静态波束不一定是常规波束。

在实际中,也包括自己编写的程序中,协方差矩阵都是通过一段数据快拍样本(长度为N)的空间相关矩阵来估计(当然实际中只是第一帧是如此估计),也就是
$$
\hat{R}\text{=}\frac{1}{N}\sum\limits_{n=1}^{N}{[x(n){{x}^{H}}(n)]}
$$

为了保证R ^ 可逆,快拍数需要满足N≥M。当N无穷大的时候,R ^逼近于真实协方差矩阵R。权向量也就变成了
$$
{{w}{MVDR}}=\alpha {{\hat{R}}^{-1}}{{\bar{p}}{s}}
$$

这种方法就是自适应波束形成。上面所示的直接对数据样本协方差矩阵求逆来实现MVDR波束形成器的方法称为样本协方差矩阵求逆(Sample Matrix Inversion, SMI)方法。在计算式的时候,主要计算量来源于对样本协方差矩阵进行特征分解,其计算复杂度为
$$
O({{M}^{3}})
$$

4.3.2 样本协方差矩阵求逆法波束性能

在假设观察数据中不包含期望信号(β=0)的条件下分析SMI方法,归一化输出信干噪比定义如下

$$
{{\rho }{0}}\text{=}{{\left. \frac{SINR({{{\hat{w}}}{SMI}})}{SIN{{R}{opt}}} \right|}{\beta =0}}
$$

式中,分母表示在精确制导数据协方差矩阵与导向向量情况下的最优输出信干噪比。在采用N个快拍估计数据协方差矩阵时,归一化输出信干噪比的均值为
$$
E({{\rho }_{0}})=\frac{N-M+2}{N+1}
$$

上式表明,为了保证SMI波束形成的平均输出SINR比最有情况下损失在3dB以内,要求

$$N\ge 2M-3\approx 2M$$

在快拍数有限的时候,SMI波束旁瓣升高,它除了高于静态波束【一个自适应波束形成器处于白噪声环境下的波束】之外,平均旁瓣与样本数目的关系大约为

$$E(SLL)\text{=}\frac{1}{N+1}$$

在式中,SLL表示旁瓣级。

当数据样本中包含期望信号的时候(β=1),SMI波束形成的性能会收到更严重的影响。这就是信号“自消”现象。由于快拍数目有限,用样本协方差矩阵代替理想数值会产生误差,它不能和真实的信号响应向量匹配。因此,SMI波束形成器会误将期望信号视作干扰信号进行零陷,而不是增强。

如果信噪比较高,为保证SMI波束形成器的平均输出SINR损失在3dB以内,快拍数需要满足

$$N\ge SIN{{R}_{opt}}\centerdot (M-1)\gg M$$

从上式可以看出,在训练数据包括期望信号的时候,SMI方法收敛速度更慢,稳健性更差。

pdf版本下载链接: https://pan.baidu.com/s/1kR8lqyWiDmygWE27fwVwSQ

提取码请关注本人公众号,回复“优化阵列学习笔记”获取。

本人微信公众号为xiaoao_study,也可以扫描下图关注。

本作品采用 知识共享署名 4.0 国际许可协议 进行许可
标签: beamforming 阵列信号处理
最后更新:2019年10月16日

davidcheung

这个人很懒,什么都没留下

打赏 点赞
< 上一篇
下一篇 >

文章评论

razz evil exclaim smile redface biggrin eek confused idea lol mad twisted rolleyes wink cool arrow neutral cry mrgreen drooling persevering
取消回复

搜索
欢迎关注我的个人公众号
最新 热点 随机
最新 热点 随机
DEEPFILTERNET:一种基于深度滤波的全频带音频低复杂度语音增强框架 奥地利匈牙利九日游旅程 论文阅读之Study of the General Kalman Filter for Echo Cancellation 小奥看房之鸿荣源珈誉府 杭州往返旅途及西溪喜来登和万怡的体验报告 2022年的第一篇碎碎念
奥地利匈牙利九日游旅程论文阅读之Study of the General Kalman Filter for Echo CancellationDEEPFILTERNET:一种基于深度滤波的全频带音频低复杂度语音增强框架
吴恩达深度学习课程DeepLearning.ai笔记(5-2) Leetcode题目解析(191104) 博客升级为WordPress3.0.1 已修:C++面向对象程序设计【北京大学】[2018-12-25] 《剑指Offer》题目解析(3) 西霉们,为什么这些你们不报道?
标签聚合
Java leetcode python学习 鸟哥的linux私房菜 高中 Python 算法 生活 linux 学习
最近评论
davidcheung 发布于 5 个月前(02月09日) The problem has been fixed. May I ask if you can s...
tk88 发布于 5 个月前(02月07日) Hmm is anyone else having problems with the pictur...
cuicui 发布于 9 个月前(10月20日) :wink:
niming 发布于 10 个月前(09月19日) 同级校友,能刷到太巧了
davidcheung 发布于 2 年前(08月16日) 我得找一下我之前整理的word文档看一下,如果找到了我就更新一下这篇文章。
Nolan 发布于 2 年前(07月25日) 您的笔记非常有帮助。贴图不显示了,可以更新一下吗?
davidcheung 发布于 3 年前(06月19日) 到没有看webrtc的代码。现在主要在看我们公司的代码了。。。只是偶尔看一看webrtc的东西。。。
aobai 发布于 3 年前(03月13日) gain_change_hangover_ 应该是每三个block 只能够调整一次,这样保证每帧...
匿名 发布于 5 年前(12月30日) 烫
小奥 发布于 5 年前(12月12日) webRTC里面的NS本身我记得就是在C++里面呀

COPYRIGHT © 2025 小奥的学习笔记. ALL RIGHTS RESERVED.

Theme Kratos Made By Seaton Jiang

陕ICP备19003234号-1

鲁公网安备37120202000100号