[发明专利]一种基于声矢量阵的数据降维稳健自适应波束形成算法

权利要求书

1.一种基于声矢量阵的数据降维稳健自适应波束形成算法,其特征在于：包括以下步骤，

步骤一：对各路通道数据作FFT变换并转换成频域数据X_v(w)；

步骤二：计算各子频带样本的协方差矩阵

步骤三：利用共轭梯度算法对协方差矩阵进行矩阵降维，并求解降维矩阵D；

步骤四：利用降维矩阵D计算对角矩阵Λ_CG；

步骤五：求解降维后的估计期望信号导向矢量和约束矩阵M；

步骤六：对约束矩阵M进行特征值分解；

步骤七：求解拉格朗日因子；

步骤八：利用得到的拉格朗日因子求解得到估计的加权矢量。

2.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤二中，协方差矩阵如下，

其中，K为快拍数，X_k(w)为接收的阵列频域数据，H表示转置。

3.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤三中，利用共轭梯度算法，对协方差矩阵进行降维，并求解降维矩阵D＝[d₁,…,d_N]，N为降维矩阵阶数，具体步骤如下，

S3.1：初始化迭代计数器j＝1，初始化方向向量余量其中，为估计期望信号导向矢量；

S3.2：计算第j次迭代的学习率α_j和步长β_j,学习率步长其中，d_j为第j次迭代的方向向量，r_j为第j次迭代的余量，H为转置，为各子带样本的协方差矩阵；

S3.3：基于第j次迭代的学习率α_j和步长β_j计算第j+1次迭代的余量r_j+1和方向向量d_j+1，余量方向向量d_j+1＝-r_j+1+β_jd_j。

4.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤四中，利用降维矩阵D计算对角矩阵Λ_CG，

其中，N为降维阶数，H为转置，为各子频带样本的协方差矩阵，diag函数用于矩阵对角元素的提取和创建对角阵。

5.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤五中，降维后的估计期望信号导向矢量和约束矩阵M分别表示为

其中，为估计期望信号导向矢量，E＝ε^-1I，ε为预设的导向矢量之间的误差，Λ_CG为对角矩阵，D表示降维矩阵，H表示转置。

6.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤六中，对约束矩阵M进行特征值分解是指Λ＝diag(λ₁,λ₂,...,λ_N)为对角矩阵，u_n是λ_n对应的特征向量，U＝[u₁,u₂,...,u_N]，令c_n为c的第n个元素。

7.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤七中，求解拉格朗日因子包括以下步骤：

S7.1，设定拉格朗日因子的初始值μ₁＝eps，设定收敛误差err，设定迭代计数器i＝1；

S7.2，牛顿迭代更新拉格朗日因子，过程为其中,λ₁,λ₂,...,λ_N为对角矩阵Λ的特征值，c_n为c的第n个元素；

S7.3，迭代计数器加1，并返回步骤S2，直至求解出最优拉格朗日因子μ_opt＝μ_i。

8.根据权利要求1所述的基于声矢量阵的数据降维稳健自适应波束形成算法，其特征在于：步骤八中，将最优的拉格朗日因子代入到公式得到估计的降维导向矢量将估计的降维导向矢量代入到公式得到估计的加权向量W_VRDRCB。