资源描述：
《基于IGA-ML的星载天线抗干扰技术》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、124中国科学E辑信息科学2005,35(2):124~134*基于IGA-ML的星载天线抗干扰技术**陶海红于江王洪洋廖桂生(西安电子科技大学雷达信号处理国家重点实验室,西安710071)摘要提出了一种基于免疫遗传算法的卫星通信中星载天线抗多个干扰的方法,即将免疫遗传算法和似然函数最大化(IGA-ML)结合的空域天线调零技术.该算法结合了遗传算法的全局、快速的搜索能力和免疫算法的利用实际问题自身一些基本的、显而易见的特征信息的能力,采用注射自适应提取疫苗的遗传算法寻找似然准则函数的多个峰值的优化解,可以不受初始值选取的约束,在低干信
2、噪比、快拍数少的情况下也能够在通信环境下高分辨地进行干扰的空间波束调零,而且相对于传统遗传算法(CGA)能更快地收敛.计算机仿真实验表明了该算法的有效性和鲁棒性.关键词最大似然免疫遗传算法(IGA)自适应疫苗提取抗干扰1引言在卫星通信中,用相控阵天线在空域进行波束合成来抑制强干扰是保障卫星正常通信的一项必不可少的关键技术.其中一个重要的解决方法就是在尽可能短的时间里估计出多个干扰方向然后进行调零.基于空间谐波模型的高分辨[1][2]方法诸如MUSIC,ESPRIT和空时二维自适应处理等,在高信噪比(SNR),足够大的快拍数以及非相干信
3、源的条件下,可以很好的解决这个问题.然而,当这些[1,3,4]条件不满足时,这些方法的性能急剧下降.最大似然(ML)方法理论上可以解决上面遇到的问题,但是需要进行多变量非线性最大值的全局搜索,如果用穷举法,尤其当是多维而且多峰搜索时,其运算量将令人难以接受.这个问题是ML[5]方法进行干扰方向估计的瓶颈问题.目前已经提出了许多最大化似然函数的方[1,3,4]法包括交替投影、期望最大化、牛顿迭代算法等等.然而这些方法的收敛速度依赖于初始值的选取.大多数全局收敛迭代算法在初始值靠近全局最优点的2003-10-24收稿,2004-11-26
4、收修改稿*国防重点实验室基金(批准号:51331030103ZS0103)和高等学校博士学科点专项科研基金资助项目SCIENCEINCHINASer.EInformationSciences第2期陶海红等:基于IGA-ML的星载天线抗干扰技术125区域内,有非常快的收敛性能.然而,如果初始值选取不当,收敛速度下降并且很容易落入局部极值点,从而导致收敛精度的下降.遗传算法是近年来在智能算法领域提出的解决工程优化问题的一种有效方[6~8]法,具有全局的寻优能力,并且初始值是随机产生的,所以收敛速度不受初始值选取的约束.遗传算法的交叉和变异
5、算子相对固定,在求解问题时,这对算法的普适是有益的,然而在对算法的实施过程中不难发现上述的两个遗传算子都是在一定发生概率的条件下,随机地、没有指导地迭代搜索,因此它们在为群体中的个体提供了进化机会的同时,也无可避免地产生了退化的可能,这是由于忽视了特定具体问题的特征信息对求解问题时的帮助作用,特别是在求解一些复杂问题时,这种“忽视”所带来的损失往往就比较明显了.人工免疫系统是模仿[9]自然免疫系统功能的一种智能方法,是一种受生物免疫系统启发,通过学习外界物质的自然防御机理的学习技术,具有提供解决问题新颖方法的潜力.这种算法的核心思想是
6、认为每一个待求的实际问题都会有自身一些基本的、显而易见的特征信息或知识,如果能有效利用这些信息与知识,则会有利于待求问题的求[10~13]解.本文在传统遗传算法的进化种群注入训练得到的疫苗,使之更快的进行多峰搜索,即将遗传算法和人工免疫系统结合起来用于二维似然函数多峰搜索的过程中,提出了基于免疫遗传算法的自适应天线调零方法,在低SNR,快拍数少,收敛速度和精度以及波束保形上,都达到了令人满意的结果.2问题的提出2.1模型的定义本文所采用的主波束由19个按蜂窝排列且波束宽度为0.5度的单元波束合成的覆盖区为2度的圆域,其布阵图见图1.我
7、们令M=19为阵元数,设第n个阵元的坐标为(xn,yn),(n=1,2,⋯19).假设有K个干扰sk(t)(k=1,2,⋯K),每个干扰[10]的来向为(θk,ϕk),其中θk为方位角,ϕk为俯仰角.对于窄带干扰,阵列输出矩阵表达式为X()t=A(θ,ϕ)S(t)+N(t),(1)其中⎡⎤aa1112?a1K⎢⎥=⎢⎥aa2122?a2KA(,θϕ),(2)⎢⎥@@@⎢⎥⎣⎦aaM11MM?aKTX()tx=[12(t),x()t,⋅⋅⋅,xM()t],(3)TNt()=[n12(t),n()t,⋅⋅⋅,nM()t],(4)www.s
8、cichina.com126中国科学E辑信息科学第35卷图1主波束的布阵图TSt()=[s12(t),s()t,⋅⋅⋅,sK()t],(5)2nt()~G(0,σIM),G为高斯分布,由于通信用户的功率与干扰功率相比要低
