您的位置:首页 > 文旅 > 美景 > 【信号频率估计】MVDR算法及MATLAB仿真

【信号频率估计】MVDR算法及MATLAB仿真

2024/10/5 19:42:55 来源:https://blog.csdn.net/weixin_45317919/article/details/140518418  浏览:    关键词:【信号频率估计】MVDR算法及MATLAB仿真

目录

  • 一、MVDR算法
    • 1.1 简介
    • 1.2 原理
    • 1.3 特点
      • 1.3.1 优点
      • 1.3.2 缺点
  • 二、算法应用实例
    • 2.1 信号的频率估计
    • 2.2 MATLAB仿真代码
  • 三、参考文献

一、MVDR算法

1.1 简介

最小方差无失真响应(Mininum Variance Distortionless Response,MVDR)算法最早是J. Capon于1969年提出,用于多维地震阵列传感器的频率-波数分析。随后,Lacoss在1971年将其引入到一维时间序列的分析中。
MVDR算法由于是Capon提出的,所以也将其称为Capon算法。

1.2 原理

根据数字波束形成的原理,得到输入信号 x ( n ) x(n) x(n) 经空域滤波后的输出为:
y ( n ) = w H x ( n ) = w H a ( θ ) s ( n ) ( 1 − 1 ) y(n)=w^{H}x(n)=w^{H}a(θ)s(n) (1-1) y(n)=wHx(n)=wHa(θ)s(n)11
其中,输入信号 x ( n ) x(n) x(n) 为期望、干扰、噪声三种信号的耦合; a ( θ ) a(θ) a(θ) 为导向矢量。
当一个远场窄带信号 s ( n ) s(n) s(n) 入射到 M 个阵元的均匀线阵时,阵列输出信号的平均功率为:
P ( θ ) = E [ ∣ y ( n ) ∣ 2 ] = E [ w H x ( n ) x H ( n ) w ] = w H R w ( 1 − 2 ) P(θ)=E[|y(n)|^2]=E[w^{H}x(n)x^{H}(n)w]=w^{H}Rw (1-2) P(θ)=E[y(n)2]=E[wHx(n)xH(n)w]=wHRw12
式(1-2)中 R = E [ x ( n ) x H ( n ) ] R=E[x(n)x^{H}(n)] R=E[x(n)xH(n)] 为接收信号 x ( n ) x(n) x(n) 的空间相关矩阵。

假设期望信号从 θ 0 θ_{0} θ0 方向入射,阵列接收信号为 x 0 ( n ) = a ( θ 0 ) s ( n ) x_{0}(n)=a(θ_{0})s(n) x0(n)=a(θ0)s(n) ,为了使 x 0 ( n ) x_{0}(n) x0(n) 通过空域滤波器后无失真,权矢量 w w w 需满足:
w H a ( θ 0 ) = 1 ( 1 − 3 ) w^{H}a(θ_{0})=1 (1-3) wHa(θ0)=113
选择的加权矢量 w w w 满足式(1-3)就可以实现对干扰信号以及噪声的抑制,从而使输出信号的平均功率 P ( θ ) P(θ) P(θ) 最小。由此可以建立目标优化方程为:
在这里插入图片描述
采用拉格朗日乘数法对式(1-4)构造代价函数为:
J ( w ) = w H R w + λ ( w H a ( θ 0 ) − 1 ) ( 1 − 5 ) J(w)=w^{H}Rw+λ(w^{H}a(θ_{0})-1) (1-5) J(w)=wHRw+λ(wHa(θ0)1)15
对式(1-5)关于 w w w 求梯度,并令其为零,得到:
▽ J ( w ) = 2 R w − 2 λ a ( θ 0 ) = 0 ( 1 − 6 ) ▽J(w)=2Rw-2λa(θ_{0})=0 (1-6) J(w)=2Rw2λa(θ0)=016
解得: w = λ R − 1 a ( θ 0 ) w=λR^{-1}a(θ_{0}) w=λR1a(θ0) ,将结果代入式(1-3)可得:
λ = 1 a H ( θ 0 ) R − 1 a ( θ 0 ) ( 1 − 7 ) λ=\frac{1}{a^{H}(θ_{0})R^{-1}a(θ_{0})} (1-7) λ=aH(θ0)R1a(θ0)117
将式(1-7)代入求得的权矢量结果中,可得到 MVDR 波束形成器的最优权向量为:
w o p t = R − 1 a ( θ 0 ) a H ( θ 0 ) R − 1 a ( θ 0 ) ( 1 − 8 ) w_{opt}=\frac{R^{-1}a(θ_{0})}{a^{H}(θ_{0})R^{-1}a(θ_{0})} (1-8) wopt=aH(θ0)R1a(θ0)R1a(θ0)18
以上就是 MVDR 波束形成求权值的完整过程。当阵列的阵元个数为 M M M 时,阵列的自由度为 M − 1 M-1 M1,所以 MVDR 波束形成器要求干扰源个数必须小于或等于 M − 1 M-1 M1
在实际情况中,阵列的接收数据协方差矩阵只能在有限次快拍的情况下,用时间平均对采样数据进行估计得到,即:
R ˆ = 1 N ∑ n = 1 N x ( n ) x H ( n ) ( 1 − 9 ) R^{ˆ}=\frac{1}{N}\sum_{n=1}^{N}x(n)x^{H}(n) (1-9) Rˆ=N1n=1Nx(n)xH(n)19
其中, N N N 是采样快拍数, N N N 值越大,估计矩阵 R ˆ R^{ˆ} Rˆ 更接近理想的相关矩阵 R R R

1.3 特点

1.3.1 优点

(1)高分辨率:MVDR算法能够有效地分辨出多个声源的方向,具有较高的分辨率。这使得它在处理复杂声学环境时能够提供更准确的声源定位信息。

(2)鲁棒性强:MVDR算法对噪声和混响信号具有较强的鲁棒性。在存在噪声和混响的环境中,该算法能够较好地保持对声源方向的估计能力,提高系统的稳定性和可靠性。

(3)计算量相对较小:相较于一些更复杂的算法,MVDR算法的计算量相对较小,这使得它在实时性要求较高的应用场景中具有一定的优势。

(4)干扰抑制能力强:MVDR算法通过最小化其他方向的信号功率,能够有效地抑制多径干扰和噪声,提高信号的质量。这在无线通信、声纳和雷达等领域尤为重要。

1.3.2 缺点

(1)远场假设限制:MVDR算法假设声源位于远场,即声源与麦克风阵列之间的距离远大于阵列的尺寸。这一假设限制了算法在近场声源定位中的应用,因为对于近场声源,算法的定位精度会显著下降。

(2)对导向矢量误差敏感:MVDR算法的性能在很大程度上依赖于导向矢量的准确性。如果导向矢量存在误差,将会对算法的估计结果产生较大影响,降低定位精度。

(3)阵列尺寸限制:MVDR算法的性能与阵列尺寸有关。一般来说,阵列尺寸越大,算法的性能越好。然而,在实际应用中,受到成本和空间等因素的限制,阵列尺寸往往无法做到足够大,这可能会限制算法的性能。

(4)计算复杂度较高:尽管相对于一些更复杂的算法而言,MVDR算法的计算量较小,但在实时性要求极高的应用场景中,其计算复杂度仍然可能成为一个挑战。此外,为了获得更好的性能,可能需要对算法进行进一步的优化和加速。

二、算法应用实例

2.1 信号的频率估计

仿真1:对目标信号的到达角进行估计
设一维均匀线阵的阵元数目为8,其间距为半波长,有3个目标信号的到达角分别为-30°,0°,20°,利用MVDR算法对该目标信号进行到达角估计,计算结果如下图所示。
在这里插入图片描述
读者可根据自己的需求,设置阵元数、目标信号个数及目标真实角度、信号的信噪比等条件进行实验。

2.2 MATLAB仿真代码

clc;
clear;
close all;%% MVDR算法估计到达角
d_lambda = 0.5;         % 阵元间距与波长比
Rx_Num = 8;             % 接收天线阵元数N = 1000;               % 采样快拍数
sigNum = 3;             % 信源数目
theta0 = [-30,0,20];     % 真实来波角度
snr = 10;               % 信噪比S = randn(sigNum,N)+1j*randn(sigNum,N);     % 远场窄带信号
A = exp(1j*2*pi*d_lambda*sind(theta0).'*(0:Rx_Num-1)).';     % 导向矢量
X = A*S;                            % 接收信号
Y = awgn(X,snr,'measured');         % 添加噪声的接收信号R = Y*Y'/N;         % 接收数据的协方差矩阵
R_ = inv(R);        % 协方差矩阵的逆矩阵thetaScan = (-90:0.1:90);       % 扫描角度范围
As = exp(1j*2*pi*d_lambda*sind(thetaScan).'*(0:Rx_Num-1)).';num = 0;
P = zeros(1,length(thetaScan));     % 谱峰函数初始化
for ii = thetaScannum = num+1;P(num) = 1/(As(:,num)'*R_*As(:,num));
end
P = 10*log10(abs(P)/max(abs(P)));   % 对谱峰函数进行归一化并取对数
figure;
plot(thetaScan,P,'b','LineWidth',1);xlabel('扫描角范围');ylabel('归一化幅度/dB');hold on
ylim = get(gca,'Ylim');
for jj = 1:sigNum% 画出真实波达角的值进行对比line([theta0(jj) theta0(jj)],[ylim(1) ylim(2)],'Color','r','LineStyle','--');hold on;
end
legend('MVDR估计值','真实值');

三、参考文献

[1] Capon J. High-resolution frequency-wavenumber spectrum analysis[J]. Proc. IEEE, 1969, 57(8): 1408-1418.
[2] Lacoss R T. Data adaptive spectral analysis methods[J]. Geophysics, 1971, 36(8): 661-675.
[3] 胡君丽.数字阵列接收同时多波束技术研究[D].电子科技大学,2019.

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com