一种分块并行的大型阵列快速自适应波束形成方法与流程

本发明属于雷达信号处理技术领域，具体涉及一种分块并行的大型阵列快速自适应波束形成方法。

背景技术：

随着科技的发展，雷达作为一种利用电磁波探测目标的电子设备被广泛应用。干扰是雷达使用过程中面临的主要问题之一，对于相控阵雷达，自适应波束形成技术的各种方法对干扰有良好的抑制效果。而如今干扰形式更加复杂，对雷达的探测能力也有更高的要求，因此相控阵雷达的阵列规模越来越大，这也使传统的自适应波束形成技术的运算量和运算复杂度成倍的增加，导致算法收敛速度慢，无法实现对阵列信号的实时处理。

为了解决上面的问题，现有技术提出了一些方法。文献1(adaptivearraybeamformingbasedonanefficienttechnique.ieeetrans.ap-44,1996(8):1094-1101)公开了一种分块并行的波束形成算法(erls)；文献2(sub-arrayrlsadaptivealgorithm.ieeeelectronicsletters,1999,35(13):1061-1062)公开了一种异步的基于rls的分块并行算法；文献3(subarrayadaptivearraybeamformingalgorithmbasedonlcmv.asiapacificmicrowaveconferenceproceedings,2005,3:1964-1966.)公开了一种分块并行的波束形成算法(lcmv)，是通过闭环的方式，迭代多次得到的自适应抗干扰权值；文献4(rapidconvergencerateinadaptiveradar[j]ieeetransonaes，1973，2：237—252.)公开了一种采样协方差矩阵求逆(smi)算法，其是采用最大信干噪比准则的一种开环的算法。

然而，文献1提出的方法其波束形成性能受分块形式的影响，而且当最大子权矢量的维数比较大时，erls的运算量很大；文献2提出的方法每次迭代更新一次权重系数需要比erls多m-2个节拍(m为分块的块数)，迭代处理效率低；文献3提出的方法在某些干扰分布情况下，算法收敛速度较慢，从而大大限制了它的应用场合；文献4提出的方法在阵元数目较多时，算法运算量较大，无法在短时间内完成抗干扰权值计算。

技术实现要素：

为了解决现有技术中存在的上述问题，本发明提供了一种分块并行的大型阵列快速自适应波束形成方法。本发明要解决的技术问题通过以下技术方案实现：

一种分块并行的大型阵列快速自适应波束形成方法，包括：

步骤1：对相控阵雷达接收的数据重新构造，得到接收数据块；

步骤2：根据粒子群算法搜索最优分块方式；

步骤3：根据搜索得到的最优分块方式或均匀分块方式对所述接收数据块进行分块，得到相应子数据块；

步骤4：对所有子数据块同时并行计算，得到各自对应的协方差矩阵；

步骤5：将阵列导向矢量按照所采用的最优分块方式或均匀分块方式相应地分成若干子导向矢量；

步骤6：根据所述协方差矩阵的逆矩阵和对应的子导向矢量，得到每个子数据块对应的自适应抗干扰权值；

步骤7：将所述自适应抗干扰权值按照分块方式的顺序组合，得到全阵的自适应抗干扰权值。

在本发明的一个实施例中，步骤1包括：

将阵列接收的数据的所有阵元按列展开成一个列向量，每一个阵元对应一个接收数据行向量的形式，重新构造为接收数据块。

在本发明的一个实施例中，步骤2包括：

(2a)根据所述粒子群算法编码方式初始化种群，以生成初始状态；

(2b)根据适应度函数初始化种群最优位置；

(2c)根据所述种群最优位置更新粒子速度；

(2d)根据所述粒子速度更新粒子位置；

(2e)根据所述适应度函数计算粒子的适应度函数值以更新所述种群最优位置；

(2f)重复步骤(2b)～(2e)直至迭代次数达到预设最大迭代次数或者得到最优解；

(2g)根据所述种群最优位置确定最优分块方式。

在本发明的一个实施例中，所述适应度函数的计算公式为：

fitness＝msrl；

其中，fitness表示适应度函数，msrl表示自适应抗干扰权值的方向图的主副比，pmax_sll(θ)表示方向图最大旁瓣值，pmax(θ)表示方向图主瓣峰值；θ表示不同方向。

在本发明的一个实施例中，所述粒子速度的计算公式为：

其中，vin表示第i个个体的第n维速度，vin＝(vi1,vi2,…，vid)表示第i个个体的速度，n＝1,2,…,d，k表示当前进化的代数，pbestin＝(pi1,pi2,…,pid)表示第i个粒子当前搜索到的个体最优位置，pin第i个粒子当前搜索到的个体最优位置第n维坐标，gbestn＝(g1,g2,…,gd)表示整个种群当前搜索到的全局最优位置，gn表示全局最优位置的第n维坐标，r1和r2是大小在0～1范围内的随机数，ω表示惯性因子，c1和c2表示加速常数，c1表示个体学习因子，c2表示全局学习因子。

在本发明的一个实施例中，所述粒子位置的计算公式为

在本发明的一个实施例中，所述协方差矩阵的计算公式为：

其中，xp(t)表示第p个子数据块，p＝1,2，…，p，p表示子数据块个数。

在本发明的一个实施例中，所述子导向矢量为：

a(θ0)＝[a1(θ0),a2(θ0),…,ap(θ0)]；

其中，ap(θ0)表示第p个子数据块对应的子导向矢量。

在本发明的一个实施例中，所述子数据块对应的自适应抗干扰权值表达式为：

其中，wp表示子数据块对应的自适应抗干扰权值，μp是任意非零常数，表示第p个子数据块协方差矩阵的逆矩阵。

在本发明的一个实施例中，所述自适应抗干扰权值的表达式为：

其中，wpn表示第p个子数据块得到的抗干扰权值中第n个权系数，n＝1,2,…,mp。

本发明的有益效果：

1、本发明提供的大型阵列快速自适应波束形成方法通过分块降低了算法计算过程中矩阵的维度，大大降低了协方差矩阵和协方差矩阵求逆计算过程的运算量；

2、本发明提供的大型阵列快速自适应波束形成方法采用开环的计算方式，算法收敛速度更快，更适合高速芯片进行并行计算；

3、本发明提供的大型阵列快速自适应波束形成方法使用更少的快拍就可以达到常规smi算法的相同性能，进一步减少运算量；

4、本发明提供的大型阵列快速自适应波束形成方法在快拍数相同的情况下，得到的自适应抗干扰权值对应的方向图有更低的主副比、输出信干噪比以及更精确的波束指向，抗干扰性能得到明显提升；

5、本发明提供的大型阵列快速自适应波束形成方法通过粒子群算法寻找到更优的分块方式，可以进一步降低方向图的主副比，提高抗干扰性能。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种分块并行的大型阵列快速自适应波束形成方法流程示意图；

图2是本发明实施例提供的通过粒子群算法搜索最优分块方式的流程示意图；

图3是本发明实施例提供的粒子群算法的粒子位置编码方式的示意图；

图4是本发明实施例提供的快拍数为1000时常规smi和分块并行smi算法权值对应的方向图；

图5是本发明实施例提供的常规smi和分块并行smi算法权值对应的方向图主副比随快拍数变化图；

图6是本发明实施例提供的采用非均匀的最优分块方式和均匀分块方式得到的自适应抗干扰权值对应的方向图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1是本发明实施例提供的一种分块并行的大型阵列快速自适应波束形成方法流程示意图，包括：

步骤1：对相控阵雷达接收的数据重新构造，得到接收数据块；

进一步地，对相控阵雷达接收的数据，按照所有阵元按列展开成一个列向量，每一个阵元对应一个接收数据行向量的形式，重新构造为接收数据块。对于线阵可省略步骤1。

具体地，步骤1包括：

若对于n个阵元以半波长为间隔均匀分布构成的nc行、nr列平面阵，其中nc×nr＝n，n是阵元总数，阵列每个阵元采样后接收数据的快拍数表示为l，则总的接收数据可表示为nc×nr×l，对每个快拍nc×nr个阵元的接收数据按列展开，可得到长度为n的列向量，所有快拍的接收数据都按列展开后，可得到规模大小为n×l的接收数据块x(t),t＝1,2,…,l。

步骤2：根据粒子群算法搜索最优分块方式；

进一步地，结合粒子群算法，对固定的目标和干扰信号方向，以不同分块方式得到的抗干扰权值对应方向图的主副比作为适应度函数值，搜索接收数据块的最优分块方式；根据多次粒子群算法的结果的平均值确定最终的最优分块方式。

请参见图2，图2是本发明实施例提供的通过粒子群算法搜索最优分块方式的流程示意图，具体包括：

(2a)根据所述粒子群算法编码方式初始化种群，以生成初始状态；

具体地，请参见图3，图3是本发明实施例提供的粒子群算法的粒子位置编码方式的示意图；当确定将数据块划分成规模不同p个子数据块之后，当确定将数据块划分成规模不同的p块之后，只需在n个阵元的n-1个阵元间隔位置中，选择d个间隔位置作为分块间隔位置，d个分块间隔位置序号记为m1,m2,…,md，其中d＝p-1，间隔位置确定后，将n个阵元接收到的数据划分成p个不同规模的子数据块，选择的间隔位置不同，p个子数据块的规模也不同，即对应的阵元数目不同。d也是本方法使用粒子群算法搜索空间的维数通过搜索，得到最优的个体位置就是当前粒子群算法搜索到的最优分块方式。

假设种群大小为m，以xi＝(xi1,xi2,…，xin)作为种群中第i个粒子在d维空间中的位置，i＝1,2,…,m。对粒子初始化时，随机生成d个大小为从1～(n-1)的不重复整数，代表间隔位置，作为粒子的位置，总共生成m组，用来初始化种群中所有个体。

(2b)根据适应度函数初始化种群最优位置；

进一步地，此处求解的问题是寻找最好的阵元间隔，使主副比最大，则选取的适应度函数如下式：

fitness＝msrl

自适应抗干扰权值的方向图的主副比(msrl)由下式表示：

其中，pmax_sll(θ)是方向图最大旁瓣值，pmax(θ)是方向图主瓣峰值，大小表示为方向图最高旁瓣比主瓣低多少db，θ表示不同方向。大的主副比说明有较低的旁瓣，低旁瓣有助于识别主瓣，提高测向精度，因此，工程上追求更高的主副比。

在初始化种群中每个个体后，每个个体代表的子阵间隔位置也就得以确定，即可以确定每个子数据块的规模，进而可以得到全阵的方向图，以方向图的主副比作为种群中每个个体的适应度函数值f(xi),i＝1,2,…,m。种群中最大适应度函数值来初始化种群最优值f(gbest)，对应的粒子位置来初始化种群最优位置gbest。

(2c)根据所述种群最优位置更新粒子速度；

进一步地，结合个体最优解和全局最优解，根据下式更新种群中所有粒子的飞行速度:

其中，vin表示第i个个体的第n维速度，vin＝(vi1,vi2,…，vid)作为第i个个体的速度，n＝1,2,…,d，k表示当前进化的代数，k小于最大迭代次数，以pbestin＝(pi1,pi2,…,pid)作为第i个粒子当前搜索到的个体最优位置第n维坐标，pin第i个粒子当前搜索到的个体最优位置第n维坐标，以gbestn＝(g1,g2,…,gd)作为整个种群当前搜索到的全局最优位置，r1和r2是大小在0～1范围内的随机数，ω是值为非负的惯性因子，c1和c2是加速常数，c1是个体学习因子，c2是全局学习因子。若更新后的飞行速度大于设定的最大飞行速度，则以最大飞行速度作为更新后的粒子飞行速度。

(2d)根据所述粒子速度更新粒子位置；

具体地，结合更新之后的飞行速度，根据下式更新粒子位置：

其中，xin表示第i个粒子的第n维坐标，上标k表示代数。

设置粒子位置更新条件：每个粒子的所代表的m-1个间隔位置大小，最大不超过n-1，最小不小于1，且m-1个间隔位置大小应从小到大排列，不能出现相等的情况，若满足条件，则以新的位置更新粒子，否则不更新粒子。

(2e)根据所述适应度函数计算粒子的适应度函数值以更新所述种群最优位置；

进一步地，粒子更新结束后，根据适应度函数计算函数值，若函数值大于该粒子个体的历史最优值，以当前位置作为当前个体的最优位置，并更新个体的局部最优解；若函数值大于整个种群的历史最优值，以当前位置作为整个种群的最优位置，并更新种群的全局最优解。

(2f)重复步骤(2b)～(2e)直至迭代次数达到预设最大迭代次数或者得到最优解；

具体地，通过设定最大迭代次数或最优解标准作为搜索结束条件，若达到最大迭代次数或搜索得到的结果，则停止搜索。

(2g)根据所述种群最优位置确定最优分块方式。

粒子群算法的搜索结果可能陷入局部最优解，最终得到的结果不一定是最好的结果，因此，进行多次遗传算法，找出出现次数较多的几种结果，对每种结果对应的分块规模分别做100次monte-carlo实验求方向图主副比，并对所有主副比结果求均值，以统计意义下波束主副比均值最大的分块规模作为优化后的分块规模。

当阵列阵型以及分块数目确定后，只需要根据任意一种目标、干扰位置情况进行一次步骤2即可，得到的最优分块方式也适用与其他目标、干扰位置情况。

本实施例通过分块降低了算法计算过程中矩阵的维度，大大降低了协方差矩阵和协方差矩阵求逆计算过程的运算量；并采用开环的计算方式，算法收敛速度更快，更适合高速芯片进行并行计算；进一步地，通过粒子群算法寻找到更优的分块方式，可以进一步降低方向图的主副比，提高抗干扰性能。

步骤3：根据搜索得到的最优分块方式或均匀分块方式对所述接收数据块进行分块，得到相应子数据块；

具体地，根据步骤2确定的阵元间隔位置m1,m2,…,md，将接收数据块x(t)分成p个子数据块，表示为：

x(t)＝[x1(t)，x2(t)，…，xp(t)]

其中，xp(t)是第p个子数据块，p＝1,2,…,p,包含的mp×l数据，mp是每个子数据块包含的阵元个数，

步骤4：对所有子数据块同时并行计算，得到各自对应的协方差矩阵；

具体地，对步骤3得到的每一个子数据块都按照下式求协方差矩阵：

得到的协方差矩阵表示为p表示子数据块个数。

步骤5：将阵列导向矢量按照所采用的最优分块方式或均匀分块方式相应地分成若干子导向矢量。

所述子导向矢量为：

a(θ0)＝[a1(θ0),a2(θ0),…,ap(θ0)，…,ap(θ0)]；

ap(θ0)表示第p个子数据块对应的子导向矢量，表示为ap(θ0)p＝1,2,…,p；

步骤6：根据所述协方差矩阵的逆矩阵和对应的子导向矢量，得到每个子数据块对应的自适应抗干扰权值；

具体地，对每个数据块的协方差矩阵求逆，得到协方差矩阵的逆矩阵

当子数据块的协方差矩阵逆矩阵及其对应的子导向矢量确定后，通过下式可以计算得到每一个数据块对应阵元的权值：

其中，wp表示子数据块对应的自适应抗干扰权值，μp是任意非零常数，表示第p个子数据块协方差矩阵的逆矩阵。

步骤7：将所述自适应抗干扰权值按照分块方式的顺序组合，得到全阵的自适应抗干扰权值。

具体地，每个子数据块的自适应抗干扰权值计算完成后，将结果按照步骤3分块的顺序组合，合成全阵的自适应抗干扰权值，全阵的自适应抗干扰权值如下式所示：

其中，wpn表示第p个子数据块得到的抗干扰权值中第n个权系数，n＝1,2,…,mp。

本实施例提供的大型阵列快速自适应波束形成方法使用更少的快拍便可以达到常规smi算法的相同性能，进一步减少运算量；并在快拍数相同的情况下，得到的自适应抗干扰权值对应的方向图有更低的主副比、输出信干噪比以及更精确的波束指向，抗干扰性能得到明显提升。

本实施例提供的大型阵列快速自适应波束形成方法结合分块并行技术，对常规smi算法进行改进，以开环的方式对接收数据块均匀分块，或采用智能算法搜索到的非均匀最优分块方式分块，得到子数据块后分别进行计算抗干扰权值，将每个数据块得到的权值组成全阵自适应抗干扰权值，算法收敛需要的接收数据快拍数更少，计算量大幅度减少，同时，可以并行计算，进一步提高计算效率，在工程上可以得到很好的应用。

实施例二

下面通过仿真实验来对本发明的效果作进一步说明。

实验条件：实验采用32个全向阵元等距放置的线阵，阵元间隔为λ2，目标信号信噪比0db，两个干扰信号干噪比均为30db，目标信号和干扰信号相互独立。快拍数1000。分块并行smi算法的分块数目为4，每个子数据块对应8个阵元接收的数据

仿真实验1：

实验内容：对比常规smi算法与分块并行smi算法的方向图，以及快拍数在50～5000范围内，以50作为步长改变，每个快拍数进行200次monte-carlo实验，对比两种方法方向图主副比随快拍数变化图。

仿真结果：如图4、5所示，图4是本发明实施例提供的快拍数为1000时常规smi和分块并行smi算法权值对应的方向图；图5是本发明实施例提供的常规smi和分块并行smi算法权值对应的方向图主副比随快拍数变化图。

仿真结果：

从图4中可以看出分块并行smi算法得到的方向图相较常规smi算法得到的方向图，有更低的旁瓣，更高的主副比，在较少快拍数的情况下，分块并行smi算法性能明显优于常规smi算法。从图5可以看出，在快拍数为300次时，分块并行smi算法得到的抗干扰权值对应的方向图的主副比收敛达到稳定值，约13db，而常规smi算法在快拍数达到2000之前仍未收敛，远小于分块并行smi算法的主副比。

仿真实验2：

实验内容：对比分块并行smi算法的均匀分块和非均匀分块的方向图。

仿真结果：如图6所示，图6是本发明实施例提供的采用非均匀的最优分块方式和均匀分块方式得到的自适应抗干扰权值对应的方向图。从图6中可以看出，分别按照非均匀最优分块方式和均匀分块方式对接收数据进行非均匀分块和均匀分块，非均匀分块并行smi算法对应方向图的最大副瓣比均匀分块并行smi算法权值对应方向图的最大副瓣低3db左右，因此可以通过粒子群算法寻找最优分块方式，以此进行非均匀分块并行smi算法，可以得到有更高方向图主副比的自适应抗干扰权值。

综上，本发明对常规smi算法改进后，提高了抗干扰性能，得到的分块并行smi算法与常规smi算法比较，第一，对接收数据分块之后降低了矩阵计算时的维度，大大降低了协方差矩阵和协方差矩阵求逆过程的运算量，第二，在使用更少的快拍就可以达到常规smi算法的相同性能，进一步减少运算量，第三，本发明在快拍数相同的情况下，得到的自适应抗干扰权值对应的方向图有更低的主副比、输出信干噪比以及更精确的波束指向，抗干扰性能得到明显提升，第四，通过粒子群算法寻找到更优的分块方式，可以进一步提高方向图的主副比，提高抗干扰性能。通过以上仿真，验证了本发明的有效性。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。