本發(fā)明涉及無(wú)線通信信號(hào)實(shí)時(shí)處理領(lǐng)域，特別涉及一種自適應(yīng)波束成型干擾抑制方法，具體是一種基于粒子群的自適應(yīng)波束成型干擾抑制方法。

背景技術(shù)：

基于頻域的經(jīng)典濾波方法無(wú)法處理干擾信號(hào)頻率和期望信號(hào)頻率相接近的情況，這對(duì)于無(wú)線通信干擾抑制來(lái)說(shuō)無(wú)疑是嚴(yán)重的缺陷。而自適應(yīng)波束成型技術(shù)作為一種空域?yàn)V波器，能在提高期望信號(hào)增益的同時(shí)抑制干擾信號(hào)和噪聲信號(hào)，提高信干噪比，所以在很多無(wú)線通信信號(hào)實(shí)時(shí)處理領(lǐng)域獲得越來(lái)越廣泛的應(yīng)用。

最小均方算法(Least Mean Square，LMS)是波束成型技術(shù)中的經(jīng)典算法。LMS算法雖然簡(jiǎn)單，但收斂速度緩慢，且容易陷入局部最優(yōu)值。這對(duì)于高性能實(shí)時(shí)處理系統(tǒng)來(lái)說(shuō)是嚴(yán)重的缺陷。

粒子群算法(Particles Swarm Optimization，PSO)屬于進(jìn)化算法，由Kennedy和Eberhart于1995年提出，是一種群體智能搜索算法，其原理在于模擬鳥(niǎo)群覓食的過(guò)程搜索全局最優(yōu)解。與諸如遺傳算法、退火算法等進(jìn)化算法相比，粒子群除了具有易于硬件實(shí)現(xiàn)的優(yōu)勢(shì)外，在搜索全局最優(yōu)值和收斂速度方面的性能也更加優(yōu)越。然而，傳統(tǒng)的粒子群方法無(wú)法完全避免陷入局部最優(yōu)值，且容易出現(xiàn)早熟的情況，尤其是解決多峰值尋優(yōu)問(wèn)題時(shí)更是如此。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是:針對(duì)現(xiàn)有波束成型算法收斂速度慢，容易陷于局部最優(yōu)等不足，通過(guò)對(duì)粒子群算法進(jìn)行改進(jìn)，提供一種基于分區(qū)間粒子群(Partition Particles Swarm Optimization，PPSO)的自適應(yīng)波束成型干擾抑制方法。

本發(fā)明技術(shù)方案的基本思路是：本發(fā)明在經(jīng)典粒子群方法的基礎(chǔ)上，將解空間分成多個(gè)子相位空間，然后在每一個(gè)子相位空間運(yùn)用粒子群方法來(lái)搜索相應(yīng)相位空間中的最優(yōu)值。最后從所有子相位空間最優(yōu)值中挑選出整個(gè)相位空間的最優(yōu)值。

本發(fā)明的技術(shù)方案是：一種基于粒子群的自適應(yīng)波束成型干擾抑制方法，其特征在于，包括以下步驟：

第一步，構(gòu)建一個(gè)具有N個(gè)陣元的均勻分布線陣列的自適應(yīng)波束成型模型；

為表述方便，設(shè)時(shí)刻n天線陣接收原始輸入信號(hào)X_N(n)＝[X₀(n),…,X_N-1(n)]^T,N為天線陣元數(shù)量，S(n)是參考信號(hào)，E(n)是誤差信號(hào)，W_N(n)＝[W₀(n),…,W_N-1(n)]^T為權(quán)向量，Y(n)為輸出信號(hào)，以上各參數(shù)均為復(fù)數(shù)；

第二步，將解空間分成多個(gè)子相位空間；

第(1)步，將解空間映射到相位空間，轉(zhuǎn)換成幅角公式，其表示如下：

其中，|w_i|,分別表示W(wǎng)_i的幅值和相位，i＝0,1,…N-1。簡(jiǎn)化上述公式，表示如下：

其中,

這樣，[φ₁,…,φ_N-1]為解向量；

記φ_i∈R_i,則R₁×R₂×…×R_N-1構(gòu)成了N-1維相位搜索空間；

此時(shí)，自適應(yīng)波束成型的輸出信號(hào)則為如下形式：

W₀^*表示W(wǎng)₀的共軛，表示的共軛轉(zhuǎn)置。

定義歸一化輸出如下：

定義歸一化期望信號(hào)如下：

第(2)步，將相位搜索空間分割成子相位搜索空間；

將R_i分成M等分{R_i1,…,R_iM},1＝1,…N-1，M是2的倍數(shù)，d＝1,…M，則相位搜索空間被分割成M^N-1個(gè)N-1維的子相位搜索空間：

ψ_d＝R_1l×…×R_N-1，_m,l,m＝1,…M,d＝1,…M^N-1

第三步，采用分區(qū)間粒子群優(yōu)化算法對(duì)每個(gè)子相位搜索空間求最優(yōu)解：

第(1)步：初始化子相位搜索空間ψ_d的基本粒子：

為簡(jiǎn)化起見(jiàn)，ψ_d記為

設(shè)置粒子個(gè)數(shù)為m；

第i個(gè)粒子在第k次迭代時(shí)的位置向量：

第i個(gè)粒子在第k次迭代時(shí)的速度向量：

第i個(gè)粒子歷史最優(yōu)位置：Ppbest＝(pbest1,pbest2,...pbestN-1)；

粒子群全局歷史最優(yōu)位置：Pgbest＝(pgest1,pgest2,...pgestN-1)；

隨機(jī)初始化基本粒子及初始速度，k＝1；

第(2)步：更新粒子的速度和位置：

粒子的速度和位置更新公式設(shè)置如下：

其中，c₁,c₂是兩個(gè)常數(shù)，通常為2；r₁,r₂是兩個(gè)范圍為[0,1]的隨機(jī)數(shù)；ω^k是慣性權(quán)重，主要用來(lái)平衡算法的局部和全局搜索能力；

其中，1>ω_max>ω_min>0,ω_max,ω_min分別為ω的最大值和最小值，k為迭代次數(shù)，K為迭代次數(shù)的上限；

根據(jù)以上公式更新粒子群，得到新的粒子群；

第(3)步，計(jì)算適應(yīng)度函數(shù)：

優(yōu)化的目標(biāo)是最小化適應(yīng)度函數(shù)；

第(4)步，在滿足收斂條件時(shí)，得到該子相位搜索空間ψ_d的最優(yōu)解否則，返回第三步第(2)步繼續(xù)執(zhí)行；

其中，所述的收斂條件為：

J≤ε(ε為一個(gè)極小值)或者迭代次數(shù)達(dá)到設(shè)置值；

第四步，對(duì)上面得到的各個(gè)子相位搜索空間最優(yōu)值求全局最優(yōu)值：

發(fā)明附圖

圖1是本發(fā)明算法總體流程圖；

圖2是自適應(yīng)波束成型空域?yàn)V波模型圖；

圖3是4×4分區(qū)間粒子的初始相位分布圖；

圖4是本發(fā)明PPSO和標(biāo)準(zhǔn)LMS算法所對(duì)應(yīng)的幅度方向圖；

圖5是算法的均方誤差(Mean Squared Error，MSE)收斂曲線圖；

具體實(shí)施方式

下面以一個(gè)三天線自適應(yīng)波束成型干擾抑制這一具體實(shí)例說(shuō)明本發(fā)明的實(shí)施方式，圖1是本發(fā)明的總體流程圖，整個(gè)流程可分為四個(gè)大的步驟：

第一步，構(gòu)建一個(gè)具有三個(gè)陣元的均勻分布線陣列的自適應(yīng)波束成型模型；

圖2是自適應(yīng)波束成型空域?yàn)V波模型圖,其中，ADC表示模數(shù)轉(zhuǎn)換器(Analog Digital Converter)；

為表述方便，設(shè)時(shí)刻n的三天線陣接收原始輸入信號(hào)X₃(n)＝[X₀(n),X₁(n),X₂(n)]^T,S(n)是參考信號(hào)，E(n)是誤差信號(hào)，W₃(n)＝[W₀(n),W₁(n),W₂(n)]^T為權(quán)向量，Y(n)為輸出信號(hào)，以上各參數(shù)均為復(fù)數(shù)；

第二步，將解空間分成多個(gè)子相位空間；

第(1)步，將解空間映射到相位空間，轉(zhuǎn)換成幅角公式，其表示如下：

其中，|w_i|,分別表示W(wǎng)_i的幅值和相位，i＝0,1,2。簡(jiǎn)化上述公式，表示如下：

其中,

這樣，[φ₁,φ₂]為解向量；

記φ_i∈R_i,i＝1,2，則R₁×R₂構(gòu)成了二維相位搜索空間；

此時(shí)，自適應(yīng)波束成型的輸出信號(hào)則為如下形式：

定義歸一化輸出如下：

定義歸一化期望信號(hào)如下：

第(2)步，將二維相位搜索空間分割成子相位搜索空間；

將R_i分成M等分{R_i1,…,R_iM},1＝1,…N-1，圖3是一個(gè)M＝4，即將相位搜索空間R₁×R₂分割成16個(gè)子相位搜索空間的示例說(shuō)明；

圖3為一個(gè)4行4列共16個(gè)方塊組成的圖像，橫坐標(biāo)代表R₁的取值范圍，縱坐標(biāo)代表R₂的取值范圍，分別為[-π,-π)，將R_i分成4等分，得到這樣相位搜索空間被分割成16個(gè)二維的子相位搜索空間：

ψ_d＝R_1l×R_2m,l,m＝1,…4,d＝1,…16

也就是圖3的每個(gè)方塊，其橫坐標(biāo)和縱坐標(biāo)對(duì)應(yīng)其子相位搜索空間的取值范圍；

第三步，采用分區(qū)間粒子群優(yōu)化算法對(duì)每個(gè)子相位搜索空間求最優(yōu)解：

第(1)步：初始化子相位搜索空間ψ_d的基本粒子：

為簡(jiǎn)化起見(jiàn)，ψ_d記為

設(shè)置粒子個(gè)數(shù)為m，取為8，隨機(jī)初始化基本粒子的位置及初始速度；

圖3中每個(gè)小方塊代表一個(gè)子相位搜索空間，其中的小顆粒代表第i個(gè)粒子在第k次迭代時(shí)的位置向量；

第i個(gè)粒子在第k次迭代時(shí)的位置向量：

第i個(gè)粒子在第k次迭代時(shí)的速度向量：

第i個(gè)粒子歷史最優(yōu)位置：Ppbest＝(pbest1,pbest2,...pbestN-1)；

粒子群全局歷史最優(yōu)位置：Pgbest＝(pgest1,pgest2,...pgestN-1)；

第(2)步：更新粒子的速度和位置：

其中，c₁,c₂是兩個(gè)常數(shù)，取為2；r₁,r₂是兩個(gè)范圍為[0,1]的隨機(jī)數(shù)；ω^k是慣性權(quán)重，主要用來(lái)平衡算法的局部和全局搜索能力；

其中，1>ω_max>ω_min>0,ω_max,ω_min分別為ω的最小值和最大值，分別取值為0.9和0.4，k為迭代次數(shù)，K為迭代次數(shù)的上限，取為1000；

根據(jù)以上公式更新粒子群，得到新的粒子群；

第(3)步，計(jì)算適應(yīng)度函數(shù)：

優(yōu)化的目標(biāo)是最小化適應(yīng)度函數(shù)；

第(4)步，在滿足條件J≤10^-4或者迭代次數(shù)達(dá)到1000時(shí)，得到該子相位搜索空間ψ_d的最優(yōu)解否則，返回第三步第(2)步繼續(xù)執(zhí)行；

第四步，對(duì)上面得到的各個(gè)子相位搜索空間最優(yōu)值求全局最優(yōu)值：

圖4表示本發(fā)明PPSO和標(biāo)準(zhǔn)LMS算法所對(duì)應(yīng)的幅度方向圖，橫坐標(biāo)表示角度[-180°,180°]，縱坐標(biāo)表示歸一化幅度值，該圖表示信號(hào)入射方位角與自適應(yīng)濾波器空域增益關(guān)系。其中藍(lán)色、紅色、綠色和黑色曲線分別對(duì)應(yīng)PSO、分割成4個(gè)區(qū)間的PPSO(2×2PPSO)、分割成16個(gè)區(qū)間的PPSO(4×4PPSO)和LMS算法所得到的幅度方向圖。由圖可知，所有的這些算法都能對(duì)60°方向(干擾方向)的信號(hào)進(jìn)行零陷處理并在0°方向(期望信號(hào)方向)的信號(hào)提供很好的幅度增益，也就是對(duì)干擾方向的信號(hào)進(jìn)行抑制的同時(shí)保護(hù)期望信號(hào)，其中分割成4×4區(qū)間的PPSO可以獲得最大的信號(hào)增益，而LMS則對(duì)應(yīng)獲得最小的信號(hào)增益。

圖5分別展示了2×2PPSO和4×4PPSO算法和步長(zhǎng)因子為0.001(為了獲得更小的均方誤差曲線的方差值)算法對(duì)應(yīng)的MSE性能曲線。其橫坐標(biāo)表示算法迭代次數(shù)，而縱坐標(biāo)表示dB值。其中圖5(1)中紅色、綠色和藍(lán)色曲線分別對(duì)應(yīng)4×4PPSO、2×2PPSO和標(biāo)準(zhǔn)PSO算法，圖5(2)中的曲線對(duì)應(yīng)LMS算法。由圖可以看出2×2PPSO和4×4PPSO(4×4PPSO的MSE曲線更低)算法在迭代2000次左右時(shí)便可以穩(wěn)定收斂，PSO算法則需要迭代4000次左右，LMS則需要15000次左右才能獲得穩(wěn)定的收斂結(jié)果，由此可以判斷PPSO算法可以獲得更快更好的收斂性能，比標(biāo)準(zhǔn)PSO算法和LMS算法都更加快速地收斂。