一种阵列天线导航接收机抗干扰及多径抑制方法

摘要

本发明提出了一种阵列天线导航接收机抗干扰及多径抑制方法，其根据干扰和多径信号对导航接收机基带处理影响的不同，提出了一种以数字相关器为界线划分的抗干扰与多径抑制两级处理结构，第一级处理在解扩前首先估计阵列接收数据的空时协方差矩阵，根据干扰信号功率远大于导航信号及噪声的特点利用子空间投影技术实现抗干扰，第二级处理在解扩后首先进行空间平滑解相干处理，然后利用基于Householder变换的广义旁瓣相消技术进行波束形成以实现多径抑制，理论分析和仿真结果表明该级联处理技术能够有效地压制强干扰，并显著减小多径信号对导航接收机伪码测量的影响。

主权项

一种阵列天线导航接收机抗干扰及多径抑制方法，其特征在于，包括以下步骤：步骤S1，采用子空间投影算法实现干扰抑制；在复杂干扰和多径环境下的阵列天线接收数据矢量表示为x(t)＝As(t)+Bj(t)+n(t)其中A＝[a₀,a₁,…a_D]为导航信号导向矩阵，B＝[i₁,i₂,…i_K]为干扰信号导向矩阵，s(t)为导航信号及多径组成的采样数据列矢量，j(t)为干扰信号采样数据列矢量，n(t)为均值为零方差为σ²的加性高斯白噪声，D、K分别为多径和干扰信号个数；阵列接收数据协方差矩阵为R_x＝AE{s(t)s^H(t)}A^H+BE{j(t)j^H(t)}B^H+σ²I其中I为单位矩阵，E{ }为求期望运算符；由于导航接收机天线口面的干扰信号功率远大于导航信号接收功率和噪声功率，阵列接收数据协方差矩阵主要由干扰信号和噪声构成，表示为R_x≈BE{j(t)j^H(t)}B^H+σ²I对阵列接收数据协方差矩阵进行特征分解并将特征值矩阵从大到小排列，则有其中λ_j(j＝1,…,M)为阵列协方差矩阵的特征值，且满足λ₁≥λ₂≥…≥λ_K＞λ_K+1＝…＝λ_Mu_j为特征值λ_j对应的特征矢量且相互正交；由于导航信号接收功率远远小于干扰信号和噪声基底，假设干扰个数已知，且干扰信号互不相关，则大的K个特征值对应的特征向量张成的子空间为干扰子空间U_I，对应的M‑K个小特征值对应的特征向量张成的子空间为信号噪声子空间U_N；干扰子空间和信号子空间互为正交补子空间，且干扰子空间与干扰信号入射到阵列的导航矢量张成的子空间为同一个子空间，即有$U_I{U}_I^H+U_N{U}_N^H=I$span{u₁,…,u_K}＝span{i₁,…,i_K}因此通过将天线阵列接收数据矢量向信号噪声子空间投影，强干扰信号分量能够得到有效的抑制，子空间投影后的无干扰数据矢量将仅包含噪声和淹没其中的导航信号，即$y\left(t\right)=P_{N}x\left(t\right)=(I-U_I{U}_I^H)x\left(t\right);$步骤S2，空间平滑处理；通过将整个天线阵列划分为p个重叠的子阵，每个子阵的个数为m，则有M＝m+p‑1；空间平滑技术以损失阵列孔径为代价实现对多径信号解相干的目的，根据子阵的划分方式分为前向平滑、后向平滑以及前后向平滑；为了将平滑后的协方差矩阵恢复至满秩，重叠子阵的个数需满足约束条件，同时考虑多径信号的相干性和第一级子空间投影抗干扰处理对协方差矩阵造成的秩亏，对于前向平滑和后向平滑有D+K+1≤p≤M‑D‑K而对于前后向平滑有$\frac{D+K+1}{2}\le p\le M-D-K$空间平滑后的数据协方差矩阵为各子阵协方差矩阵的均值，即$R_{ys}=\frac{1}{p}\underset{i=1}{\overset{p}{\Sigma }}{R}_{yi}$其中R_yi为第i个子阵的解扩后的数据协方差矩阵；步骤S3，采用GSC结构的多径抑制处理；利用直视信号导向矢量将参考子阵列的解扩后数据矢量分为上下两个支路，上支路通过空间匹配滤波器保证直视信号来向的无失真响应，并且还保留有从旁瓣泄漏的多径信号，下支路将数据矢量经过阻塞矩阵后，仅包含多径信号和噪声，通过利用上、下支路中多径信号的相关性，对经过阻塞变换后的信号进行自适应滤波，从而抵消掉上支路中残留的多径信号，并将期望的直视信号无失真输出；利用直视信号的导向矢量构建的Householder向量为v＝a₀+‖a₀‖₂e其中a₀为直视信号导向矢量；e＝[1,0,…0]^T为单位向量，‖a₀‖₂为导向矢量的二范数；基于Householder向量构建的Householder矩阵为$H_v=I-\frac{2{\mathrm{vv}}^H}{v^{H}v}$权值矢量w的最优解通过最小化旁瓣相消器输出的多径和噪声功率求得，其目标函数为$J\left(w\right)={[a_0-B^{H}w]}^H{R}_y[a_0-B^{H}w]$其中R_y＝E{y(t)y(t)^H}为解扩后参考子阵列的数据协方差矩阵；为了避免秩亏和相关相消现象，在最优化权值矢量求解过程中将R_y用经过空间平滑后的协方差矩阵R_ys替代，求J(w)对w的梯度有${▿}_w=\frac{\partial J\left(w\right)}{\partial w}=\left({\mathrm{BR}}_{ys}{B}^H\right)w-{\mathrm{BR}}_{ys}{a}_0$令梯度▽_w为零可得权值矢量最优解为w_opt＝(BR_ysB^H)^‑1BR_ysa₀从上公式能够看出直接求解最优权值矢量需要较大的运算量，通过采用低复杂度的自适应处理算法对其迭代运算，这里采用最速下降原理使权值矢量沿着目标函数下降最快的方向进行更新，即$w(n+1)=w\left(n\right)-\frac{1}{2}\mu {▿}_{w\left(n\right)}$其中w(n)、w(n+1)为更新前后的权值矢量，▽_w(n)为更新前的梯度矢量，μ作为步长因子控制着迭代过程的收敛速度；经过数学处理后有w(n+1)＝(I‑μBR_ysB^H)w(n)+μBR_ysa₀为保证权值矢量收敛，步长因子需满足$0<\mu <\frac{1}{{\lambda }_{max}^{\prime }}$其中λ′_max为矩阵BR_ysB^H的最大特征值；经过旁瓣相消器完成多径抑制后的输出为z(t)＝[a₀‑B^Hw_opt]^Hy(t)。