基于环境认知的鲁棒波束形成自适应优化算法的研究

随着雷达所处电磁环境的日益复杂，雷达系统的性能面临着严峻的挑战，传统信号处理器无法满足未来雷达的需要。为了解决这一问题，本项目设计基于环境认知的鲁棒波束形成器，它是能够根据实际环境来选择最优控制参数的鲁棒自适应优化控制器。利用支持向量机在线建立雷达回波模型，构造适用于不同应用背景的目标函数，给出实时感知环境变化的鲁棒自适应优化算法，进而采用自适应动态规划求解鲁棒波束形成器的控制参数，并通过与环境的交互学习，获得下一时刻的迭代权重向量，以保证回波信号的最佳接收，从而使雷达以更稳健、更灵活、更智能的方式处理各种不同环境不同目标，有助于实现对多目标的搜索、跟踪、制导和敌我识别等功能，提高雷达的整体性能。其研究成果不但可以为认知雷达、认知无线电和下一代移动通信等系统提供可靠、坚实的理论基础，而且能够在一定程度上推动我国的国防建设和国民经济建设的发展。

随着人类对宇宙空间的不断探索、开发和利用，电磁信号环境日益复杂，对雷达性能的要求越来越高，传统信号处理器无法满足未来雷达的需要。为了解决这一问题，本项目设计基于环境认知的鲁棒波束形成器，它是能够根据实际环境来选择最优控制参数的鲁棒自适应优化控制器，其中主要包括环境参数的辨识和鲁棒波束形成优化控制算法的研究。首先研究了环境参数的辨识方法，给出了非圆酉ESPRIT算法和基于空间平滑的ESPRIT算法，有效地改善了波达方向估计的准确性，提高了在线建模的实时性。构造适用于不同应用背景的目标函数，给出实时感知环境变化的鲁棒自适应控制器。提出了适用于信号波达方向不确定情况下的鲁棒波束形成优化算法，在期望信号方向向量具有先验信息的前提下，利用接收到的采样信号对实际信号方向向量进行估计，降低了信号波达方向的不确定性。利用泰勒级数展开和拉格朗日因子方法推导得到最优权重向量，并给出了算法的输出信干噪比SINR的性能分析。针对阵列指向性偏差的情况，给出了基于最差情况下的鲁棒约束CMA算法。通过对期望信号波达方向附近小区域内的方向向量的误差模值进行约束，推导得到权重向量的闭式解表达式。该算法对方向向量偏差有很强的鲁棒性，阵列输出的信干噪比优于传统算法。当实际环境中采样样本较少时，提出了基于广义线性组合的对角载入算法。将迭代算法运用到二次型约束下的自适应波束形成中，降低了计算量，并在每次迭代中更新对角载入值，得到最优权重向量的递推公式，提高了系统的鲁棒性。因此提出的适用于不同应用环境的鲁棒波束形成优化算法，能够使雷达以更稳健、更灵活、更智能的方式处理各种不同环境不同目标，提高了雷达的整体性能。本项目的研究成果可以为未来的雷达系统和通信系统提供理论依据和技术储备，为军事、航天和通信等领域的应用提供有效工具。