多維陣列張量模型的魯棒波束成形方法

摘" 要：

傳統波束成形算法在應對維數較高的多維陣列時，訓練快拍數難以滿足遠大于信號維數這一要求，從而導致波束成形器性能急劇下降。針對這一問題，本文給出了多維陣列輸出數據的張量模型，基于多維陣列子維度的可分離性，引入張量波束成形方法，分析了其在訓練快拍數需求上具有的優勢。然后，基于張量波束成形中子維度干擾協方差矩陣的模型，通過直接估計干擾協方差矩陣實現了一種魯棒張量波束成形方法。分析表明：該方法可更好地應對非均勻雜波環境以及相干干擾，并得到更高的輸出信干噪比，以給出的二維極化敏感陣列為例，所提方法的訓練快拍數需求為傳統方法的1/3，相干干擾下輸出信干噪比提高了約2.5 dB，仿真驗證了分析的有效性。

關鍵詞：

魯棒波束成形; 張量波束成形; 多維陣列; 相干干擾

中圖分類號：

V 243.2

文獻標志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.07.01

Robust beamforming method for multi-dimensional array tensor models

BI Quanyang， LI Dan*， ZHANG Jianqiu

（School of Information Science and Engineering， Fudan University， Shanghai 200433， China）

Abstract：

Traditional beamforming performance will significantly degrade with insufficient training samples on multi-dimensional arrays with much higher dimensions. In this paper， a tensor beamforming method that has advantages in the number of training snapshots required is introduced based on the proposed tensor model and the separability of sub-dimensions for multi-dimensional arrays. Then， for coherent interference， based on the model of the sub-dimension’s interference covariance matrix in tensor beamforming， a robust tensor beamforming method is proposed by directly estimating the interference covariance matrix. Analysis shows that the proposed method could overcome the non-homogeneous clutter environment and coherent interference and obtain a higher output signal-to-interference-noise ratio. Taking the given two-dimensional polarization-sensitive array as an example， the number of training snaps required by the proposed method is 1/3 of the traditional method， and the output signal-to-interference-to-noise ratio increases by about 2.5 dB under coherent interference scenario. The simulation results verify the effectiveness of the analysis.

Keywords：

robust beamforming; tensor beamforming; multi-dimensional array; coherent interference

＼=

0" 引" 言

波束成形器是天線/傳感器陣列技術與數字信號處理技術結合的產物，其目的在于選擇性地傳輸或接收信號，即讓期望信號無失真地通過而盡可能地抑制干擾。它作為一種經典而傳統的陣列處理技術，已廣泛應用于通信、雷達、聲納、麥克風陣列、醫學影像等多個領域［13］。其實現過程就是：對陣列中每一個陣元接收到的信號進行加權合成以獲得所需的期望信號。最小方差無失真響應（minimum variance distortionless response， MVDR）算法，是目前應用最為廣泛的波束成形算法之一。其可在固定目標接收信號方向響應的基礎上，通過最小化陣列輸出響應的功率來獲得自適應波束成形器的權矢量。MVDR算法最大化了陣列輸出的信干噪比（signal-to-interference-plus-noise ratio， SINR）［45］。

在MVDR波束形成器的設計中，權矢量的設計需對干擾信號與噪聲協方差矩陣（interference-plus-noise covariance matrix， INCM）求逆，而INCM在實際應用中一般是未知的，因此就必須根據陣列輸出數據對其進行估計。通常的方法是利用樣本協方差矩陣（sample covariance matrix， SCM），該方法也稱為樣本矩陣求逆（sample matrix inversion， SMI）法。在陣列應用中，如均勻線性陣列（uniform linear array， ULA），其信號的維數低，陣列輸出的樣本數，即快拍數，可以遠遠大于信號的維數，因此基于SCM的MVDR算法性能良好。但隨著應用需求的增加，陣列天線已發展出了各種結構更為復雜的結構，如多輸入多輸出（multiple input multiple output， MIMO）陣列、包含兩個維度的面陣和T型陣列、含有3個維度的立體型陣列、能夠感知信號極化的極化敏感天線陣列等。這些陣列天線結構相對于ULA，包含了更多的維度，此時信號的維度也隨之增加。針對這種多維輸出的數據，通常的做法是將多維數據矢量化，即將各維度天線的輸出排列成一個長矢量數據。此時，由于信號的維數劇增，就導致樣本數難以滿足遠遠大于信號維數這一波束形成器設計的要求，尤其在非均勻雜波環境下，SCM的估計誤差會進一步增大。此外，當用于估計INCM的訓練快拍中包含干擾信號時，干擾信號之間或者與期望信號之間不滿足獨立同分布的要求時以及陣列存在多種誤差時，均會導致SCM估計誤差的增加，就使得基于SCM設計的波束成形器性能急劇下降［68］。因此，研究者們提出了許多魯棒算法，例如子空間投影理論，不確定集約束，INCM重構等［915］，這些魯棒算法提高了傳統MVDR算法的魯棒性，但也有其各自的局限性，例如子空間投影需要已知信源數，非確定集約束計算復雜度高等。

·" ·

同時，對于多維陣列，傳統波束成形方法的矢量化處理將多維陣列不同維度感知的信息完全混合在一起，不能充分表達和利用多維陣列中存在的結構信息［1625］。在過去的幾年中，張量運算由于其固有的多維特性在多維信號處理領域引起了廣泛的關注，隨著張量代數不斷完善和發展，張量分析方法具有的一些獨特優勢，正被越來越多的研究者所發現。例如，張量理論越來越多地應用于自適應多維波束成形中：文獻［17］考慮到傳統時空自適應處理（space time adaptive processing， STAP）算法對數據的矢量化，沒有充分利用多維數據的結構信息;將文獻［16］中的張量波束成形器引入到了STAP之中，并提出了一種交替展開高階奇異值分解（alternative unfolding high order singular valve decomposition， AU-HOSVD）算法，提升了STAP算法的性能;文獻［21］基于張量正則多元分解（canonical polyadic decomposition， CPD）分解，在MVDR準則下，提出了一種新的波束形成器;利用張量表示的多維數據，文獻［22］提出了一種多維廣義旁瓣抵消器（generalized sidelobe canceller， GSC）的波束成形器，相對于傳統的GSC，它能實現更好的角度波束成形并降低計算復雜度。

一些研究者還利用張量理論，研究了多維平移不變性陣列的可分離性，然后基于子陣列級而不是全局陣列設計張量波束形成器。例如，文獻［23］在假設所設計的權張量具有張量外積形式的基礎上，基于最小均方誤差（minimum mean square error， MMSE）準則與張量分解提出的張量分解MMSE （tensor decomposition MMSE， TD-MMSE）波束成形器。文獻［24］在文獻［23］的基礎上，將MVDR準則應用于TD-MMSE，提出了自適應的TD-MVDR算法。文獻［25］則通過構建多個虛擬陣列，對這些虛擬陣列分別進行波束成形設計，利用張量中的克羅內克乘積（Kronecker product， KP）合并所得到的多個波束成形器，提出了克羅內克乘積最小方差無失真響應（KP-MVDR）算法。

而TD-MMSE/TD-MVDR以及KP-MVDR算法均需假設所設計的權張量具有張量外積形式，然后基于多維陣列具有的多維平移不變性，討論其子陣列的可分離性或是構建虛擬陣列。不同于此，文獻［18］則在STAP背景下提出了張量子波束合成（tensor sub-beam synthesis， TSS）法，并證明了多維陣列張量波束成形器設計時，其子維度的可分離性，進一步完善并拓展了基于子維度或子陣列級設計波束成形器的理論基礎。與經典的全局波束形成器相比，這些從張量理論出發，基于子陣列級或子維度級分別設計子波束成形器，然后合成多個子波束成形器的方法，在獲得性能提升的同時，也使得計算復雜度大大降低。

上述基于張量理論的波束成形方法，與傳統的MVDR算法相比，具有很好的性能優勢，但其對INCM的估計與傳統的MVDR算法一樣，仍是基于SCM方法。因此，在實際應用中，會由于各種誤差的存在導致模型適配，進而使得波束成形器性能下降。針對該局限性，本文將進一步完善在文獻［18］中提出的TSS法并基于此提出一種魯棒的張量波束合成法，以提高在實際應用中的性能。首先，本文在給出的泛化多維陣列張量信號模型基礎上提出TSS法，進一步擴大TSS法的應用范圍，同時給出TSS算法針對非均勻雜波環境時的魯棒性分析。其次，針對傳統SCM估計INCM方法存在的問題，通過對TSS算法中子維度干擾協方差矩陣的分析，直接對INCM進行估計，從而提出魯棒的TSS算法。

本文首先介紹了矢量MVDR算法，然后給出和分析了張量波束成形算法以及魯棒張量波束成形方法。接著給出了算法復雜度分析，最后給出了仿真實驗結果。

1" 矢量波束成形算法

給定一個天線陣元數為N的ULA，在一個觀測周期內有K+1個入射信號，共有P個觀測快拍，對于第P∈{1，2，…，P}個快拍x（j）∈CN，其可描述［10］為

x（P）=s0（P）a（θ0）+∑Ki=1si（P）a（θi）+n（P）（1）

式中：a（θ）=［1，ej2πfs，…，ej2π（N－1）fs］T為信號的導向矢量;fs=dsin（θ）/λ為空間頻率，λ為信號波長，d為天線陣元間距，θ∈（－π，π）為入射信號的波達角;s0（P）為期望信號，{si（P）}Ki=1為干擾信號;n（P）∈CN為獨立、零均值且方差為δ2n的復高斯白噪聲，即cov（n（P））=δ2nIN，IN表示維度為N的單位陣，并假設其與信號si（P）在統計上相互獨立。

根據式（1）描述的x（P），干擾加噪聲的協方差矩陣可表示為

Ci+n=E∑Ki=1sia（θi）+n∑Ki=1sia（θi）+nH=

∑Ki=1|si|2a（θi）aH（θi）+δ2nIN（2）

式中：E［·］代表期望運算;H表示共軛轉置。

設待設計波束成形器的權矢量為w∈CN，其在期望信號無失真通過的約束下，滿足輸出功率MVDR的設計準則［4］：

minw wHCi+nw

s.t. wHa（θ0）=1（3）

對于期望方向θ0，此時MVDR波束成形器的權矢量［4］為

wMVDR=C－1i+na（θ0）aH（θ0）C－1i+na（θ0）（4）

在應用中，由于式（2）定義的INCM Ci+n一般是未知的，需要根據陣列輸出數據對其進行估計。如果估計得到的協方差矩陣為C^N，那么MVDR權矢量則可表示為

w^MVDR=C^－1Na（θ0）aH（θ0）C^－1Na（θ0）（5）

2" 張量波束合成法

2.1" 多維陣列信號的張量模型

為了使討論具有一般性，本文首先以一個構想的泛化多維陣列為例，來描述其輸出數據的張量模型，即考慮一個維度為Z的多維陣列，該多維陣列可包含的維度有：空域的全部3個維度或部分維度（方位角或俯仰角）、矢量天線中三維電場和磁場的6個維度，或它們的部分維度，極化維和子陣列維等。假設在t時刻，該Z維陣列接收到了期待的目標信號和K個干擾信號，那么理想的陣列輸出數據就構成了一個Z維的張量數據，本文稱之為張量快拍X（t）∈CI1×I2×…×IZ，如此其張量模型就可表示為

X（t）=S0s0（t）+∑Kk=1Sksk（t）+N（t）（6）

式中：si（t）（i=0，1，2，…，K）為目標信號和干擾信號的復幅度;S0∈CI1×I2×…×IZ為目標信號的導向張量;Sk（k=1，2，…，K）為第k個干擾信號的導向張量;N（t）表示噪聲張量，并假設其與信號s（t）統計獨立?？梢钥吹?，式（6）中的期望信號S0s0（t）是一個多維信號，張量波束成形器的目的就是設計某一權張量W∈CI1×I2×…×Iz，它可使期望張量信號無失真通過同時，盡可能地抑制式（6）中的干擾。

導向張量可直接描述多維陣列的多維結構信息，其也可寫成多維陣列各子維度導向矢量的外積［17］：

S=s1s2…sZ（7）

式中：表示張量外積運算;si表示第i個子維度的導向矢量，在應用中，可根據給定的陣列結構，得到相應的導向矢量，然后替換式（7）中的si。此外，若將多維陣列矢量化，則有a0=vec（S0），vec（）為依列將一個多維數組轉為矢量的運算符。

下面將以一個由Mx×My個電磁矢量傳感器構成的均勻平面陣列作為例子來說明本文上述多維張量信號模型的應用。設該陣列的矢量陣元分別沿x和y方向均勻分布，如圖1所示。

那么該陣列的一個快拍，就包含了3個維度，它們分別為極化維對應的導向矢量sp（γ，η）、x方向的空間導向矢量sx（θ，）和y方向的空間導向矢量sy（θ，），它們可分別定義［26］為

sp（γ，η）=－sin cos θcos

cos cos θsin

0－sin θ

cos θcos sin

cos θsin -cos

-sin θ0

cos γ

sin γejη

sx（θ，）=［1，q1x，q2x，…，qMx－1x］T， qx=e－jπsin θcos

sy（θ，）=［1，q1y，q2y，…，qMy－1y］T， qy=e－jπsin θsin （8）

式中：γ∈［0，π/2］為極化輔助角;η∈［－π，π）為極化相位差異角;θ∈［0，π］表示俯仰角;∈［0，2π）表示方位角。此時，如果令式（7）中s1=sp（γ，η），s2=sx（θ，），s3=sy（θ，），那么再根據式（6），就可得極化敏感面陣信號的張量模型。

類似于協方差矩陣的估計，通過有限觀測樣本，協方差張量R^∈CI1×I2×…×IZ×I1×I2×…×IZ的估計［18］可寫為

R^=1P∑Pt=1X（t）X（t）*（9）

式中：*表示共軛運算。

2.2" TSS法

對于一個多維陣列，文獻［18］中推導證明了多維陣列子維度的可分離性，并基于此提出了一種利用TSS來設計張量波束成形器的方法，即設計權張量W的方法，其可以描述為

WTSS=w1w2…wZ

（10）

即，期待目標多維信號的波束成形器，可通過設計各子維度波束成形器的權矢量w1=（U10s01），w2=（U20s02），…，wZ=（UZ0s0Z），再通過外積運算而合成的方法進行設計，這就為多維波束成形器的設計提供了一個新方法。也就是說，所需設計的多維波束成形器，即張量波束成形器的權張量W，可先從式（6）定義的張量快拍X（t）的各子維度出發，分別設計各子維度對應的子波束成形器{wi，i=1，2，…，Z}，然后再通過張量的外積運算，合成各子波束成形器，獲得權張量W，該波束成形方法稱為TSS法。

設計第i個子維度的最優權矢量wi［18］：

wi=C－1is0isH0iC－1is0i（11）

式中：Ci=E［［X（t）］i［X（t）］Hi］為i維度信號的協方差矩陣，而［X］i表示將張量X 沿子維度i展開的一個矩陣。可是在應用中，它一般是不可知的，但通常可利用P個快拍近似得到它的估計C" ^i［18］：

C^i=1P∑Pt=1［X（t）］i［X（t）］Hi（12）

就本文考慮的極化敏感面陣而言，也就是可根據式（11）分別設計極化維，以及x和y方向空域維的子波束權矢量，再通過式（10）的外積運算，合成設計出張量波束成形器所需的權張量：

WTSS=wpwxwy（13）

文獻［18］從平滑去相關的角度，分析了TSS法相對于傳統矢量MVDR在應對相干干擾信號時所具有的魯棒性，本文則將從應對非均勻雜波干擾的角度，繼續對TSS算法的魯棒特性進行分析。

對于式（5）的矢量波束成形器，其歸一化輸出功率［27］可表示為

ρ（w^MVDR）=1σ2sH（θ1）C^－1NCi+nC^－1Ns（θ1）（sH（θ1）C^－1Ns（θ1））2（14）

觀察式（14）可發現：當且僅當C^－1N=C－1i+n時，式（14）才能取得最小值ρmin=ρ（wMVDR），即達到理想MVDR波束成形器的性能。否則，ρ（w^MVDR）將會變大，這也就反映了由于非理想的協方差可能導致的性能損失。

文獻［27］的分析表明：非理想協方差的估計誤差造成的性能損失會更加嚴重，一般而言，傳統矢量波束成形器協方差矩陣的估計均為SCM，其可表示為

C^SCM=1P∑Pj=1［x（j）］［x（j）］H（15）

將式（15）代入式（5）中，即得到了基于樣本采樣協方差矩陣估計的MVDR實現w^SCM。文獻［21］的分析表明：當用于估計C^SCM的快拍數P與信號維數N相近時，基于SCM的波束成形器的輸出功率將顯著大于理論最小值ρmin，即波束成形器的性能將顯著下降，其滿足如下關系：當N，P→∞ 且c=N/P∈（0，1），

則

ρ（w^SCM）ρmin=11－c （16）

式（16）表明，即使訓練快拍數量是信號維數的兩倍（且兩者都足夠大），也會導致所得到的波束成形器的總輸出功率損失3 dB。此外，當訓練樣本數P接近N時，損失甚至可以變得無限大

根據式（16）的描述，當c=N/P趨向于0時，MVDR的歸一化輸出功率將達到ρmin，那么對于式（14）描述的多維陣列信號而言，當用于估計SCM的樣本數P遠大于信號維數N=I1×I2×…×IZ時，傳統的矢量MVDR才會達到最優性能。

對式（10）定義的TSS而言，當構建權張量的各子維度權矢量{wi，i=1，2，…，Z}都達到最優解時，TSS將達到最優性能。而據式（11）和式（16）知：當估計子維度協方差矩陣R^i的樣本數P遠遠大于子維度i的維數Ii時，wi將趨近于最優性能。這是因為就子維度Ii而言，原多維信號的其余信號維度經模n展開后，將并入到回波信號中，這將使子維度中信號的維數大大降低，且各子維度在設計各子波束成形器時，都容易滿足樣本數P遠遠大于信號維數的這一要求，即對TSS而言，當樣本數P遠遠大于{Ii}Zi=1中的最大值時，其就可達到漸近的最優性能。

上述分析表明：MVDR要達到最優性能的條件比TSS法更加嚴苛。這就使得在相同樣本數的條件下，或者說是非均勻環境下，TSS波束成形器將具有更優的性能。

2.3" 魯棒TSS法

在應用中，INCM通常是不可知的，需利用有限快拍進行估計，即SCM估計，如式（12）和式（15）所示，SCM估計方法除了第2.2節分析的快拍數不足或非均勻環境導致的性能下降外，還會由于各種非理想因素的存在導致模型適配，使得波束成形器性能下降，進而導致基于SCM估計的算法性能明顯下降。具體分析如下：假設一個ULA接收的信源，包含一個目標信號以及一個干擾信號，且其導向矢量分別為a0和a1，則第t個快拍可表示為

x（t）=s0（t）a0+s1（t）a1+n（t）（17）

那么，根據式（15），其協方差矩陣可表示為

C^=1P∑Pt=1［x（t）］［x（t）］H=C^s+C^i+n+C^cross（18）

其中

C^s=1P∑Pt=1s20（t）a0aH0

C^i+n=1P∑Pt=1s21（t）a1aH1+δ2nI

C^cross=1P∑Pt=1s0（t）sH1（t）a0aH1（19）

由式（19）可知，SCM估計得到的協方差矩陣由3部分構成，分別為目標信號協方差矩陣C^s，干擾加噪聲的協方差矩陣C^i+n，以及目標信號與干擾信號的互協方差矩陣C^cross，而根據式（4）定義的最優MVDR波束成形器，協方差矩陣應當僅包含C^i+n部分。那么，為了獲得最優性能，第一種方法是移除包含目標信號的C^s和C^cross;第二種方法則是根據式（19）中定義的C^i+n，對其直接進行估計?？紤]第一種方法，對于C^s，可利用目標信號的先驗信息直接移除。而對于C^cross，若目標信號與干擾信號之間不相關，C^cross將隨著快拍數P的增加而趨向于0。當目標信號與干擾信號之間出現相干時，即使快拍數無限多，基于SCM也無法移除C^cross。顯然，第2.2節給出的基于式（12）的TSS法也存在上述魯棒問題，為了盡可能降低C^s和C^cross對算法性能的影響，本文期望對C^i+n直接進行估計。

為了對C^i+n進行估計，首先需要對子維度信號協方差矩陣的數學形式進行推導，考慮第t個快拍，對第t維度經模n展開后可表示為

［X（t）］i=∑Kk=0［Sk］isk（t）+［N（t）］i=

∑Kk=0siksHSksk（t）+［N（t）］i（20）

式中：集合S={1，2，…，i－1，i+1，…，Z}，即為除i維度外其他維度的下標集合，根據式（7），則sHSk=sZks（Z－1）k…s（i+1）ks（i－1）k…s1k是一個維度為D=∏s∈SIs的行矢量?？紤]將sHSksk（t）視為經模n展開后新的源信號gSk（t），即gSk（t）=［s1k（t），s2k（t），…，sDk（t）］包含D個源信號，則經模n展開后的［X（t）］i可視為D個快拍，即

［X（t）］i=∑Kk=0sikgSk（t）+［N（t）］i=

［xi1（t），xi2（t），…，xiD（t）］∈CIi×D

xid（t）=∑Kk=0siksdk（t）+nid（21）

觀察式（21）可知，［X（t）］i經模n展開后可得到D個快拍，但這D個快拍在i維度上包含的信息是相同的，均為sik，而其他維度的信息則并入到了源信號之中，即原來的源信號s（t）變成了gSk（t），這一過程稱為去相關［18］，或稱為平滑。根據式（21）、式（12）和式（19），可知待估計的i維度INCM可表示為

Ci=1D∑Dd=1∑Kk=1σ2dksiksHik+σ2niIIi（22）

式中：σ2dk=E{sdk（t）sHdk（t）}。接下來，考慮利用訓練快拍估計出所有干擾信號的波達角（direction of arrival， DOA）位置以及對應的功率，進而得到INCM，對于式（22）描述的協方差矩陣，其估計可表示為

C～i=∑Kk=1σ^2ks^iks^Hik+σ^2niIIi（23）

觀察式（23），待估計量為干擾信號的功率σ^2k以及對應的導向矢量s^ik和噪聲功率σ^2ni。文獻［14］提出導向矢量s^ik可通過譜峰搜索獲得，本文以Capon譜為例，其定義為

PCapon（θ）=1sHi（θ）C^－1isi（θ）（24）

通過式（24）描述的Capon譜，根據譜峰位置對應的θ即可得到待估計量s^ik，需要特別指出的是，用式（12）估計得到的協方差矩陣C^i來計算Capon譜，對相干干擾信號具有魯棒性，即出現相干干擾時，矩陣C^i不會出現虧秩問題，這有效避免了Capon譜在相干干擾下給出偽峰或干擾信號漏估計的問題，這點相對于傳統矢量SCM估計方法具有很大的優勢，這也是TSS與傳統Capon譜結合帶來的優勢之一。而TSS法的解相干原理，本文在式（21）中，從模n展開給出了簡單分析，文獻［18］則從協方差C^i的推導展開了詳細的分析，本文不再贅述。

關于估計干擾信號功率σ^2k，文獻［15］提出，干擾信號的功率σ^2k可通過對協方差矩陣C^i做奇異值分解近似獲得，假設λ1≥λ2…≥λK≥λK+1=λK+2…=λIi為C^i從大到小依次排列的特征值，則σ^2k（t）以及σ^2ni可表示為

σ^2k=λkIi，" k=1，2，…，K

σ^2ni=λIi（25）

針對式（25）中給出的σ^2k，文獻［15］指出，干擾信號功率的欠估計會導致波束成形器性能的顯著下降，即無法有效抑制干擾信號，而干擾信號功率的過估計則可以有效提升干擾抑制性能?；诖?，文獻［15］給出的σ^2k估計為

σ^2k=λ1Ii（26）

即所有干擾信號的功率均通過最大特征值來進行估計，文獻［15］從輸出信雜比角度詳細分析了干擾信號功率的過估計所帶來的好處，但其并未對干擾信號功率過估計的局限性作出具體分析，即干擾信號功率的過高估計會使得噪聲抑制能力下降，下面本文對此做出具體分析。

波束成形器w的輸出信噪比［9］（signal to noise ratio， SNR）可表示為

SNR=δ21|wHa1|2wHCnw（27）

式中：δ21為期望信號的功率。噪聲協方差矩陣Cn=δ2nI，并將式（4）代入式（27）中，輸出SNR可表示為

SNR=δ21δ2n·（aH1C－1i+na1）2aH1C－1i+nC－1i+na1（28）

為了便于分析，考慮一個干擾信號，那么式（2）中估計協方差矩陣的逆可表示為

C－1i+n=1δ^2nI－δ^2iδ^2n（δ^2n+Nδ^2i）aiaHi=

V－QaiaHi（29）

式中：V=1/δ^2n=Q（N+δ^2n/δ^2i）， 將式（29）代入式（28），簡化可得

SNR=δ21δ2n·（VN－QL2）2NV2－2VQL2+NQ2L2（30）

式中：L=a1aHi，且滿足LN。通過分析可得，式（30）是一個隨δ^2n/δ^2i單調遞增的函數，因此對干擾信號功率的過高估計會降低輸出SNR，使得噪聲抑制能力下降。那么，為了補償對噪聲的抑制能力，引入對角加載算法，通過增加δ^2n以提高輸出SNR，進一步提高波束成形器的性能，則噪聲功率σ^2ni的估計可表示為

σ^2ni=λIi+Δni（31）

式中：Δni為對角加載因子。本文采用文獻［28］的加載因子選擇方法，即Δni=Std（diag（C^i）），其中Std表示標準差，diag表示一個矩陣的對角元素。

綜上所述，待估計的i維度干擾信號協方差矩陣可表示為

C～i=λ1Ii·∑Kk=1s^i（θk）s^Hi（θk）+（λIi+Δni）IIi（32）

將式（32）代入式（11）即可獲得子維度wi，最后通過式（10）得到權張量W，具體算法流程如下。

步驟 1" 根據式（12）計算各子維度的INCM；

步驟 2" 根據式（24）進行譜峰搜索；

步驟 3" 根據式（26）和式（32）重構INCM；

步驟 4" 將重構的INCM代入式（11）獲得子維度權矢量wi；

步驟 5" 依據式（10）計算得到權張量W。

3" 算法復雜度分析

本節將對本文方法、文獻［15］以及文獻［17］所提算法的計算復雜度進行分析比較。以第2.1節描述極化敏感陣列為例，本文方法的計算代價主要為計算Capon譜和特征值分解O（M3x+M3y），計算Capon譜過程計算代價主要為矩陣求逆，因此其復雜度為O（M3x+M3y），那么本文方法的計算復雜度可近似表示為O（2（M3x+M3y））。文獻［15］中的INCM重構算法計算復雜度約為O（2（MxMy）3）。而文獻［17］中基于張量AU-HOSVD的MVDR算法，其計算復雜度約為O（MyM3x+MxM3y）。綜上所述，本文方法計算復雜度顯著低于文獻［15］的INCM重構算法， 同時也比文獻［17］的方法效率高。

4" 仿真實驗

本節將通過仿真實驗來對比本文方法、文獻［15］的INCM重構算法、文獻［17］和文獻［18］的張量波束成形算法，以及傳統長矢量MVDR算法的性能。主要分為3部分：第1部分是在不考慮誤差，期望信號與干擾信號不相干的條件下對比不同算法的性能;第2部分則考慮期望信號與干擾信號相干的條件下，驗證各算法的性能;第3部分為同時考慮相干干擾和隨機的陣列視向誤差情況下，各算法性能的對比。

本文仿真實驗條件如下：考慮圖1所示的電磁矢量均勻平面陣列，分別沿x軸均勻分布6個陣元，沿y軸均勻分布8個陣元，x軸與y軸交點為共用的參考陣元，陣元間距為1/2波長，此時該陣列的輸出快拍包含3個維度：電磁矢量傳感器具有的極化維以及陣元維的兩個空間維，分別用1、2和3表示這3個維度，則3個維度的維數分別為I1=6，I2=6，I3=8。給定的期望信源為ej2πφ1（t），干擾源為ej2πφ2（t），相位φ1（t）與φ2（t）是［0，2π］內的隨機值，期望信號與干擾信號的方位角均為40°，極化參數相同，俯仰角不同，期望信號的俯仰角為40°，干擾信號的俯仰角為-45°，SNR與干噪比（interference to noise ratio， INR）一致，除SNR變化的實驗外，均為20 dB，除快拍數變化的實驗外，快拍數固定為500。

首先，為了驗證第2.2節的分析結果，圖2給出了傳統矢量MVDR算法和本文波束成形器的輸出功率對比結果。如圖2所示，基于采樣實現的矢量MVDR算法的歸一化輸出功率ρ會隨著參數c=N/P的減小而顯著降低，與式（16）給出的結果相符，這也驗證了當樣本數難以滿足遠遠大于信號維數的要求時，矢量MVDR無法達到理想的最小化陣列輸出功率，從而導致性能嚴重下降。而隨著快拍數的增加，矢量MVDR的性能得到提高。本文方法對快拍數的要求顯著低于矢量MVDR的要求，其在圖2中的表現是：較低快拍數下也可達到比較理想的性能，這也驗證了第2.2節分析得到的結論，即矢量MVDR要達到最優性能的條件比本文提出的TSS法要更加嚴苛，在相同樣本數下，TSS法具有更優的性能。

圖3給出了在不考慮陣列誤差時，信號非相干條件（即φ1（t）≠φ2（t））下各算法的輸出SINR與SNR的關系，可以看出，在SNR較低時（小于0 dB），除文獻［17］方法外，其余算法性能相似，這是因為文獻［17］方法是子空間投影，而SNR較低時，噪聲子空間與信號子空間可區分度較差，導致了其性能變差。而當SNR大于0 dB小于15 dB時，本文方法與文獻［15］均優于文獻［17］與文獻［18］的張量方法，說明通過INCM重構可有效增加對干擾信號的抑制能力，獲得更好的輸出SINR。同時，本文通過引入對角加載算法，進一步提高對噪聲的抑制能力，使得本文方法的輸出SINR優于文獻［15］方法。隨著SNR的進一步增加，除傳統長矢量MVDR外，其余算法的輸出SINR趨向收斂于一個值，說明各算法的最優性能相似，在理想高SNR條件下，均遠遠優于傳統的MVDR算法。

圖4給出了理想條件下，各算法的輸出SINR與快拍數的關系。可以看出，本文方法、文獻［17］和文獻［18］方法收斂最快，50快拍即可收斂。而基于長矢量SCM估計的文獻［15］和MVDR方法，在150個快拍時，其輸出SINR收斂，這說明在非均勻雜波環境下，本文方法、文獻［17］和文獻［18］方法具有更優的性能，進一步驗證了第2.2節分析得到的結論，從子維度出發的本文方法和文獻［17］方法，在設計各子波束成形器時，所需要的訓練快拍數低于傳統的矢量方法。

圖5給出了干擾信號與期望信號相干時（即φ1（t）=aφ2（t）， a為常數）各算法的輸出SINR與SNR的關系。可以看出，文獻［15］方法與長矢量MVDR性能相較于圖3，均出現了性能下降，因為期望信號與干擾信號相干時，傳統SCM估計得到的SCM中包含期望信號成分，這導致了基于MVDR設計的波束成形器在干擾方向和期望方向的增益相似，無法在接收期望信號的同時，有效抑制干擾信號，使得性能嚴重下降。而對于文獻［15］方法，SCM中包含期望信號成分則會導致Capon譜估計誤差較大，無法準確地重構干擾協方差，導致性能嚴重下降。而本文方法、文獻［17］和文獻［18］方法，性能與非相干干擾情況下基本相同，這是因為根據式（18），設計各子波束成形器時，通過模n展開將其他維度的信息并入源信號中，實現了去相關。而文獻［17］則是通過對協方差張量的模n展開實現了去相關，因此本文方法、文獻［17］和文獻［18］方法對于相干干擾具有很好的魯棒性。

圖6給出了干擾信號與期望信號相干時各算法的輸出SINR與快拍數的關系圖。相干干擾對各算法的收斂速度沒有明顯影響，本文方法在低快拍數下，依舊有著最高的輸出SINR。而在足夠訓練快拍下，本文方法、文獻［17］和文獻［18］方法相比非相干干擾沒有明顯性能下降，再次驗證了這些方法對于相干干擾具有很好的魯棒性。而文獻［15］則因為不能在相干干擾下準確地重構干擾協方差，導致性能嚴重下降。同時，長矢量MVDR在相干干擾下，最優性能也有所下降。

為了進一步驗證各算法的魯棒性，除了干擾信號與期望信號相干外，假設陣列存在隨機的視向誤差，即待估計信號與干擾信號產生隨機的DOA失配，本文假設其方位角和俯仰角失配誤差范圍為4°，即期望信號的方位角與俯仰角以及干擾信號的方位角均勻分布于［36°， 44°］之間，干擾信號的俯仰角則均勻分布于［－41°， 49°］之間。

圖7給出了同時考慮相干干擾和隨機陣列視向誤差時，各算法輸出SINR與SNR的關系，可以看出，相比較圖5的結果， 本文方法和文獻［15］方法沒有出現明顯性能下降。這得益于協方差重構中，基于Capon譜對真實DOA的重估計，因此其對于DOA失配具有魯棒性，而文獻［17］方法相較于圖5也沒有出現性能下降，這是因為其利用了各子維度信號數的先驗信息，能較準確地估計信號子空間，通過子空間投影實現了對于DOA失配的魯棒性。而基于SCM估計的文獻［18］與長矢量MVDR方法，由于DOA失配導致SCM估計誤差變大，相較于圖5性能嚴重下降。綜上，本文提出方法在相干干擾和隨機陣列視向誤差下依然具有最優性能。圖8則比較了相干干擾和隨機陣列視向誤差下，各算法輸出SINR與快拍數的關系。如圖8所示，本文方法的輸出SINR最高，僅有利用了各子維度信號數先驗信息的文獻［17］方法與本文方法性能相近，而擁有相近收斂速度的文獻［18］方法由于DOA失配，導致最終收斂的性能較差。

5" 結" 論

本文在給出多維陣列信號張量模型的基礎上，提出了一種新的魯棒張量波束成形方法。通過分析，所提方法有以下優勢：

（1） 本文在給出的泛化多維陣列張量信號模型的基礎上，引入張量波束成形器設計方法，利用多維陣列子維度的可分離性，通過不同的張量展開分層進行子波束成形器的設計，實現了維度的降低，進而有效降低了算法對訓練快拍數的需求，也有效降低了其魯棒算法的計算復雜度。

（2） 本文方法在給出的子維度干擾協方差矩陣的模型基礎上，直接對其進行估計，避免了傳統SCM估計INCM存在的局限性，實現了對相干干擾信號的魯棒。

（3） 通過在協方差估計中引入對角加載算法，提高對噪聲的抑制能力，進一步提升了算法的魯棒性能。

最后以二維極化敏感陣列為例，仿真驗證了上述結論。

參考文獻

［1］ KROLIK J L. The performance of matched-field beamformers with Mediterranean vertical array data［J］. IEEE Trans.on Signal Processing， 1996， 44（10）： 26052611.

［2］ GERSHMAN A B， TURCHIN V I， ZVEREV V A. Experimental results of localization of moving underwater signal by adaptive beamforming［J］. IEEE Trans.on Signal Processing， 1995， 43（10）： 22492257.

［3］ GODARA L C. Application of antenna arrays to mobile communications. II. Beamforming and direction-of-arrival considerations［J］. Proceedings of the IEEE， 1997， 85（8）： 11951245.

［4］ CAPON J. High-resolution frequency-wavenumber spectrum analysis［J］. Proceedings of the IEEE， 1969， 57（8）： 14081418.

［5］ VAN TREES H L. Optimum array processing： part IV of detection， estimation， and modulation theory［M］. New Jersey： John Wiley amp; Sons， 2004.

［6］ BOROSON D M. Sample size considerations for adaptive arrays［J］. IEEE Trans.on Aerospace and Electronic Systems， 1980， 16（4）： 446451.

［7］ GUO J Y， YANG H C， YE Z F. A novel robust adaptive beamforming algorithm based on subspace orthogonality and projection［J］. IEEE Sensors Journal， 2023， 11： 1207612083.

［8］ HUANG Y W， FU H， VOROBYOV S A， et al. Robust adaptive beamforming via worst-case SINR maximization with nonconvex uncertainty sets［J］. IEEE Trans.on Signal Processing， 2023， 71： 218232.

［9］ LIU C， ZHEN J. Diagonal loading beamforming based on aquila optimizer［J］. IEEE Access， 2023， 11： 6909169100.

［10］ MUHAMMAD M， LI M， ABBASI Q H， et al. Adaptive diago-nal loading technique to improve direction of arrival estimation accuracy for linear antenna array sensors［J］. IEEE Sensors Journal， 2022， 22（11）： 1098610994.

［11］ LI Z Z， CAO S L， ZENG W G， et al. Robust beamforming algorithm based on steering vector estimation and interference plus noise covariance matrix reconstruction［C］∥Proc.of the IEEE Signal Processing： Algorithms， Architectures， Arrangements， and Applications， 2022： 2427.

［12］ LIAO B， CHAN S C， TSUI K M. Recursive steering vector estimation and adaptive beamforming under uncertainties［J］. IEEE Trans.on Aerospace and Electronic Systems， 2013， 49（1）： 489501.

［13］ LIAO B， TSUI K M， CHAN S C. Robust beamforming with magnitude response constraints using iterative second-order cone programming［J］. IEEE Trans.on Antennas and Propagation， 2011， 59（9）： 34773482.

［14］ ZHANG P， YANG Z， LIAO G， et al. An RCB-like steering vector estimation method based on interference matrix reduction［J］. IEEE Trans.on Aerospace and Electronic Systems， 2020， 57（1）： 636646.

［15］ ZHENG Z， YANG T， WANG W Q， et al. Robust adaptive beamforming via simplified interference power estimation［J］. IEEE Trans.on Aerospace and Electronic Systems， 2019， 55（6）： 31393152.

［16］ HAARDT M， ROEMER F， DEL G G. Higher-order SVD-based subspace estimation to improve the parameter estimation accuracy in multidimensional harmonic retrieval problems［J］. IEEE Trans.on Signal Processing， 2008， 56（7）： 31983213.

［17］ BRIGUI F， BOIZARD M， GINOLHAC G， et al. New low-rank filters for MIMO-STAP based on an orthogonal tensorial decomposition［J］. IEEE Trans.on Aerospace and Electronic Systems， 2018， 54（3）： 12081220.

［18］ 畢權楊， 李旦， 張建秋. 空時自適應處理張量波束成形器的外積合成法［J］. 航空學報， 2019， 40（10）： 158170.

BI Q Y， LI D， ZHANG J Q. An outer product synthesis approach to tensor beamformer for space-time adaptive processing［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（10）： 158170.

［19］ XIE D， PENG H P， LI L X， et al. Semi-tensor compressed sensing［J］. Digital Signal Processing， 2016， 58： 8592.

［20］ QIAN C， FU X， SIDIROPOULOS N D， et al. Tensor-based channel estimation for dual-polarized massive MIMO systems［J］. IEEE Trans.on Signal Processing， 2018， 66（24）： 63906403.

［21］ GONG X F， LIN Q H. Spatially constrained parallel factor analysis for semi-blind beamforming［C］∥Proc.of the IEEE 7th International Conference on Natural Computation， 2011， 1： 416420.

［22］ MIRANDA R K， DA COSTA J P C L， ROEMER F， et al. Generalized sidelobe cancellers for multidimensional separable arrays［C］∥Proc.of the IEEE 6th International Workshop on Computational Advances in Multi-Sensor Adaptive Processing， 2015： 193196.

［23］ RIBEIRO L N， DE ALMEIDA A L F， MOTA J C M. Tensor beamforming for multilinear translation invariant arrays［C］∥Proc.of the IEEE International Conference on Acoustics， Speech and Signal Processing， 2016： 29662970.

［24］ LIU L， XIE J， WANG L， et al. Robust tensor beamforming for polarization sensitive arrays［J］. Multidimensional Systems and Signal Processing， 2019， 30（2）： 727748.

［25］ SHARMA R， COHEN I， BENESTY J. Adaptive and hybrid Kronecker product beamforming for far-field speech signals［J］. Speech Communication， 2020， 120： 4252.

［26］ 虞翔， 李旦， 張建秋. 魯棒成形極化敏感陣列波束的方法及極化估計［J］. 航空學報， 2017， 38（6）： 234241.

YU X， LI D， ZHANG J Q. A robust beamformer with a pola-rization sensitive array and polarization estimation［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（6）： 234241.

［27］ YANG L， MCKAY M R， COUILLET R. High-dimensional MVDR beamforming： optimized solutions based on spiked random matrix models［J］. IEEE Trans.on Signal Processing， 2018， 66（7）： 19331947.

［28］ MA N， GOH J T. Efficient method to determine diagonal loading value［C］∥Proc.of the IEEE International Conference on Acoustics， Speech， and Signal Processing， 2003， 5： V341.

作者簡介

畢權楊（1995—），男，博士研究生，主要研究方向為信號處理。

李" 旦（1982—），男，副教授，博士，主要研究方向為信號處理及其應用。

張建秋（1962—），男，教授，博士研究生導師，博士，主要研究方向為信號處理及其應用。