The distribution of the received signals in many array processing applications is noncircular. Although optimal widely linear beamformer (WLB) can provide the best performance for noncircular received signals, its performance degrades severely under model mismatches in practical applications. As a remedy, we propose a robust WLB by using precise reconstruction of extended interference-plus-noise covariance matrix (EINCM) and low-complexity estimation of extended desired signal steering vector (EDSSV). We propose to first determine the steering vectors, powers, and noncircularity coefficients of all signals and the noise power. In contrast to the previous reconstruction methods using the integration over a wide angular sector, we reconstruct the interference-plus-noise covariance matrix (INCM) and the pseudo INCM accurately according to their definitions. By using INCM and pseudo INCM, we can precisely reconstruct the EINCM. We propose to estimate the EDSSV by intersecting two extended subspaces, which are respectively formed by eigendecomposing the extended sample covariance matrix and the extended desired signal covariance matrix. Unlike the convex optimization methods, the proposed EDSSV estimation does not require any optimization programming and yields a solution with closed expression in low computational complexity. Simulation results show that the proposed robust WLB provides near optimal performance under several model mismatch cases.

在许多阵列处理应用中，接收信号的分布是非圆形的。尽管最佳的宽线性波束形成器（WLB）可以为非圆形接收信号提供最佳性能，但在实际应用中，由于模型不匹配，其性能会严重降低。作为补救措施，我们通过使用扩展的干扰加噪声协方差矩阵（EINCM）的精确重构以及扩展的所需信号控制向量（EDSSV）的低复杂度估计，提出了一种鲁棒的WLB。我们建议首先确定所有信号的转向矢量，功率和非圆形系数以及噪声功率。与以前的使用广角扇区积分的重建方法不同，我们根据它们的定义准确地重建了干扰加噪声协方差矩阵（INCM）和伪INCM。通过使用INCM和伪INCM，我们可以精确地重建EINCM。我们建议通过相交两个扩展子空间来估计EDSSV，这两个扩展子空间分别通过对扩展样本协方差矩阵和扩展期望信号协方差矩阵进行特征分解而形成。与凸优化方法不同，所提出的EDSSV估计不需要任何优化编程，并且能够以较低的计算复杂度生成具有闭合表达式的解决方案。仿真结果表明，所提出的鲁棒WLB在几种模型不匹配的情况下提供了接近最佳的性能。我们建议通过相交两个扩展子空间来估计EDSSV，这两个扩展子空间分别通过对扩展样本协方差矩阵和扩展期望信号协方差矩阵进行特征分解而形成。与凸优化方法不同，所提出的EDSSV估计不需要任何优化编程，并且能够以较低的计算复杂度生成具有闭合表达式的解决方案。仿真结果表明，所提出的鲁棒WLB在几种模型不匹配的情况下提供了接近最佳的性能。我们建议通过相交两个扩展子空间来估计EDSSV，这两个扩展子空间分别通过对扩展样本协方差矩阵和扩展期望信号协方差矩阵进行特征分解而形成。与凸优化方法不同，所提出的EDSSV估计不需要任何优化编程，并且能够以较低的计算复杂度生成具有闭合表达式的解决方案。仿真结果表明，所提出的鲁棒WLB在几种模型不匹配的情况下提供了接近最佳的性能。提出的EDSSV估计不需要任何优化编程，并且可以以较低的计算复杂度得出具有封闭表达式的解决方案。仿真结果表明，所提出的鲁棒WLB在几种模型不匹配的情况下提供了接近最佳的性能。提出的EDSSV估计不需要任何优化编程，并且可以以较低的计算复杂度得出具有封闭表达式的解决方案。仿真结果表明，所提出的鲁棒WLB在几种模型不匹配的情况下提供了接近最佳的性能。