线性约束最小方差准则
clear all;
close all;
clc;
%---------------------------------
%信号参数设置
Signal_No = 1;
Interference_No = 2;%小于五
S_No = Signal_No + Interference_No; %信号总数
%Xm(n)=S(n)+Nm(n)
sensor_No = 12; %阵元数
%阵元M
azimuth = [0*pi/180 -40*pi/180 50*pi/180 30*pi/180 20*pi/180]; %方位角
%Ai=[A1.i,A2.i,....Am.i]
Fs = 50e6;
Fc = 10e6;
F1 = [8e6 9e6 10e6 11e6]; %干扰功率
RB = 1e6;
M = 2; %二进制
wavelength = 3e8/Fc;
d = wavelength/2;
K = 300; %快拍数
Ps = 0; %dB
SNR = -15;
SIR = -90;
M_No = 40; %码速率等于信息速率
Data_No = M_No*Fs/RB;
t = 1/Fs:1/Fs:Data_No/Fs;
%---------------------------------
%功率转换
Ps_l = 10^(Ps/10);
Pi_l = 10^((Ps-SIR)/10);
Pn_l = 10^((Ps-SNR)/10);
%---------------------------------
%信号生成
bit = randint(1,M_No); %产生信息序列
bitstream = [];
for i = 1:M_No
if bit(i) == 1
bitstream = [bitstream, ones(1, Fs/RB)];
else
bitstream = [bitstream, -ones(1, Fs/RB)];
end
end
Carrier_R = cos(2*pi*Fc*t);
S_R = Carrier_R .* bitstream;
Carrier_I = sin(2*pi*Fc*t);
S_I = Carrier_I .* bitstream;
Signal_R = sqrt(Ps_l)*S_R/sqrt((S_R*S_R'/length(S_R)));
Signal_I = sqrt(Ps_l)*S_I/sqrt((S_I*S_I'/length(S_I)));%生成BPSK复信号
Signal(1,:) = complex(Signal_R, Signal_I);
%---------------------------------
% %产生干扰
for i = 2:Interference_No +1
Signal(i,:)=sqrt(2*Pi_l)*complex(sin(2*pi*F1(i-1)*t+pi/10*i).*sin(2*pi*F1(i-1)*t+pi/10*i));
end
%---------------------------------
% 模拟天线接收
%----------------------------------
%四次循环
name = [' 3',' 6',' 9','12'];
for mmm =1:4
sensor_No = mmm*3;
As = zeros(sensor_No,S_No);
for i = 1:sensor_No
for ii = 1:S_No
As(i,ii) = exp(-1i*2*pi*sin(azimuth(ii))*d/wavelength*(i-1));
end
end
x = As * Signal;
%
% %---------------------------------
% %加噪声
noise_R = randn(sensor_No,Data_No)*sqrt(Pn_l);
noise_I = randn(sensor_No,Data_No)*sqrt(Pn_l);
noise = complex(noise_R, noise_I); s = x + noise;
%---------------------------------
%lcmv算法
% Ad = [1 0 0 0 0 0 0 0 0 0 0 0 ]';
Ad = (As(:,1));
x1 = s(:,(1:K));
Rx=x1*x1'/K;
alfa=inv(Ad'*inv(Rx)*Ad);
Wopt=alfa*inv(Rx)*Ad;
%------------------------
%---------------------------------
%mvdr
% Ad = (As(:,1));
% x1 = s(:,(1:K));
% Rx=x1*x1'/K;
% QR_Wopt1 = inv(Rx)*Ad;
% Wopt=QR_Wopt1./QR_Wopt1(1);
%---------------------------------
%波束图
figure(1)
whitebg('k');
all_azimuth = -pi/2:pi/180:pi/2;
LMS_R = zeros(1,181);
for i = 1:181
for m = 1:sensor_No
LMS_R(i) = LMS_R(i) + conj(Wopt(m)) * exp(-1i*2*pi*sin(all_azimuth(i))*d/wavelength*(m-1));
end
LMS_P(i) = (abs(LMS_R(i)))^2;
end
LMS_PdB = 10*log10(LMS_P/max(LMS_P));
switch mmm
case 1
plot(all_azimuth*180/pi,LMS_PdB,'--g','LineWidth',2);hold on;
case 2
plot(all_azimuth*180/pi,LMS_PdB,'.b','LineWidth',2);
case 3
plot(all_azimuth*180/pi,LMS_PdB,'-.w','LineWidth',2);
case 4
plot(all_azimuth*180/pi,LMS_PdB,':r','LineWidth',2);
end
grid on;
axis([-90 90 -70 10]);
xlabel('方位角(度)')
ylabel('阵列增益(dB)')
%title(strcat('阵元数',name([2*mmm-1:2*mmm]),'个 '));
% figure(2);
% polar ((-pi/2:pi/180:pi/2),LMS_PdB+109); figure(gcf);
end
hl=legend('阵元数3个','阵元数6个','阵元数9个','阵元数12个',1);
%set(hl,'edgecolor','w','color',[1 1 1]);
set(hl,'edgecolor','w','color',[0 0 0]);
title('自适应波束形成');
drawnow;
线性约束最小方差准则相关推荐
- 【自适应波束形成算法】 ---- 线性约束最小方差准则(公式推导)
波束形成是阵列信号处理中的一个重要领域.常规的波束形成,可以通过FFT是实现,其权矢量一般由期望方向的导向矢量加窗后得到. 假设有一个由N个阵元组成的线阵,有一来自方向的来波信号入射到阵元上,其导向矢 ...
- 无偏估计和最小方差无偏估计简介
无偏估计和最小方差无偏估计 无偏估计:Unbiased Estimation 最小方差无偏估计: Minimum Variance Unbiased Estimation (MVU) 前言 在正式开始 ...
- 波束形成:最小方差无畸变响应波束形成器(MVDR)
MVDR波束形成器 1. 问题描述 假设远场空间有一个感兴趣的信号 d ( t ) d\left(t\right) d(t),称为期望信号,其波达方向为 θ d \theta_d θd,和 J ...
- 分布估计算法java_数理统计8:点估计的有效性、一致最小方差无偏估计(UMVUE)、零无偏估计法...
在之前的学习中,主要基于充分统计量给出点估计,并且注重于点估计的无偏性与相合性.然而,仅有这两个性质是不足的,无偏性只能保证统计量的均值与待估参数一致,却无法控制统计量可能偏离待估参数的程度:相合性只 ...
- 统计信号处理:(估计二) 最小方差无偏估计
最小方差无偏估计 2.1 无偏估计量 无偏估计意味着估计量的平均值为未知参数的真值.如果 E[θ^]=θ,a<θ<bE[\hat{\theta}]=\theta, a<\thet ...
- 2019-10-12 线性最小方差估计和正交定理
很多东西再看第二遍的时候,都有一种恍然大悟的感觉 参数估计方法 现代控制理论中往往要通过观测值对系统内部结构参数进行估计,类似于我们常用的线性最小二乘法,举例:二维坐标(身高.年龄)给一堆的点,找俩参 ...
- 【图论】Tree之最小方差树(bzoj 3754)
正题 bzoj 3754 题目大意 求最小方差生成树 解题思路 可以枚举数值之和,然后跑最小生成树 每次加25,这样可以提高速度,且如果平均数接近,那么所选的边和答案会相同,再暴力跑一遍即可 code ...
- 【51nod - 1098】 最小方差(基础数学,公式化简,前缀和,积的前缀和)
题干: 若x1,x2,x3--xn的平均数为k. 则方差s^2 = 1/n * [(x1-k)^2+(x2-k)^2+--.+(xn-k)^2] . 方差即偏离平方的均值,称为标准差或均方差,方差描述 ...
- 最小方差问题---------------给你出道题
很多首诗,每首诗中包含很多字.我当然要用倒排索引了,对每个字建立索引,形式如下: 字1 诗11 诗12 诗13 字2 诗21 诗22 ...... 用户查询的是一个诗句,我把这个诗句中的每个字都摘出来 ...
- python量化策略——大类资产配置模型(最小方差模型)
最小方差模型 寻求风险最小的大类资产组合. max=XTΣX\max=X^{T}\Sigma Xmax=XTΣX s.t.ΣX=1,Xi≥0,i=1,2,3...s.t. \quad \Sigma ...
最新文章
- 改善AI性别偏见的4种方法 | CSDN博文精选
- Python字符串的编码与解码(encode与decode)
- android 日期选择器
- python深拷贝,浅拷贝,赋值引用
- 即时通讯的企业应用和个人应用的区别
- JDK8新特性(三)之常用内置函数式接口
- 频繁使用花呗、借呗、微粒贷、京东白条会影响在银行的信用吗?
- 《cmake practice》总结 | cmake的构建过程与基本指令
- 181116每日一句
- Lockdir 文件夹加密 破解
- vi/vim操作手册
- 计算机音乐公子,抖音公子在等谁是什么梗 公子在等谁背景音乐《心机》
- 翻译翻译什么叫HTML5(四)jQuery——给我的网页换个小皮肤
- UIAutomatorViewer
- 村田 | 用于人机界面和生命体征检测的压电薄膜传感器
- 云服务器几核CPU够用
- word中硬回车(enter)与软回车(shift+enter)
- ReactHooks——使用lodash中的throttle
- 猿团专访 |以技术推动发展 msup 成为企业经验智库
- MySQL 5.7数据库参数优化
热门文章
- 我的修炼体会--明亭【转】
- 荣耀Magic 3Pro 充电架构分析
- 关于 PHP 的框架 phalcon 学习(一) url 路由过程。
- 响应式布局的基本介绍及原理
- Ubuntu扩展系统根目录磁盘空间
- Python自动化处理和分析Excel数据的基本方法
- java——API——ArrayList集合
- 第八篇,滤波:二阶低通滤波、卡尔曼滤波
- tableau数据汇总/明细/分-总的行列展示— Lee桑的学习笔记
- linux怎么进sda12,VMare12.0.1安装Ubuntu16.04.2遇到[sda] Assuming drive cache