Abstract Robustness is an important factor in adaptive beamforming because various mismatches that exist in reality will lead to considerable performance degradation. In this paper, a robust adaptive beamforming (RAB) algorithm is proposed based on a novel method for estimating the steering vectors (SVs). The interference-plus-noise covariance matrix (INCM) is then reconstructed by the SVs and their corresponding power estimates. As we know, the Capon power spectrum is actually a function of the SV defined in a high-dimensional domain, in which the actual SVs correspond to the highest peaks. The nominal SVs may lead to relatively lower power amplitude points around the peaks when mismatches exist, and these peaks are located in the directions of gradient vectors at the lower power points obtained by the nominal SVs. Therefore, to obtain the actual SVs, we first construct a subspace for each nominal SV in a small neighborhood of angles. Then we get the gradient vector, which is orthogonal to the corresponding nominal SV neighborhood, using a subspace-based method. Finally, we search along the gradient vector to obtain the adjusted SV that generates the highest Capon power amplitude. The interference covariance matrix (ICM) is reconstructed by the adjusted interference SVs and corresponding Capon power amplitudes. The actual SV of the signal of interest (SOI) is estimated as the adjusted SV of the SOI. Simulation results demonstrate that the proposed method is robust against various types of mismatch and is superior to other existing reconstruction-based beamforming algorithms.

中文翻译：

---

基于导向向量估计和干扰协方差矩阵重构方法的鲁棒自适应波束成形

摘要 鲁棒性是自适应波束成形的一个重要因素，因为现实中存在的各种不匹配会导致性能的显着下降。在本文中，基于估计导向向量（SV）的新方法，提出了一种鲁棒的自适应波束成形（RAB）算法。干扰加噪声协方差矩阵 (INCM) 然后由 SV 及其相应的功率估计重建。正如我们所知，Capon 功率谱实际上是在高维域中定义的 SV 的函数，其中实际的 SV 对应于最高峰。当存在失配时，标称SV可能导致峰值周围相对较低的功率幅度点，并且这些峰值位于标称SV获得的较低功率点处的梯度向量方向。所以，为了获得实际的 SV，我们首先在一个小的角度邻域中为每个标称 SV 构造一个子空间。然后我们使用基于子空间的方法得到梯度向量，该向量与相应的标称 SV 邻域正交。最后，我们沿着梯度向量搜索以获得产生最高 Capon 功率幅度的调整后的 SV。干扰协方差矩阵 (ICM) 由调整后的干扰 SV 和相应的 Capon 功率幅度重建。感兴趣信号 (SOI) 的实际 SV 被估计为 SOI 的调整后的 SV。仿真结果表明，所提出的方法对各种类型的失配具有鲁棒性，并且优于其他现有的基于重构的波束成形算法。然后我们使用基于子空间的方法得到梯度向量，该向量与相应的标称 SV 邻域正交。最后，我们沿着梯度向量搜索以获得产生最高 Capon 功率幅度的调整后的 SV。干扰协方差矩阵 (ICM) 由调整后的干扰 SV 和相应的 Capon 功率幅度重建。感兴趣信号 (SOI) 的实际 SV 被估计为 SOI 的调整后的 SV。仿真结果表明，所提出的方法对各种类型的失配具有鲁棒性，并且优于其他现有的基于重构的波束成形算法。然后我们使用基于子空间的方法得到梯度向量，该向量与相应的标称 SV 邻域正交。最后，我们沿着梯度向量搜索以获得产生最高 Capon 功率幅度的调整后的 SV。干扰协方差矩阵 (ICM) 由调整后的干扰 SV 和相应的 Capon 功率幅度重建。感兴趣信号 (SOI) 的实际 SV 被估计为 SOI 的调整后的 SV。仿真结果表明，所提出的方法对各种类型的失配具有鲁棒性，并且优于其他现有的基于重构的波束成形算法。我们沿着梯度向量搜索以获得生成最高 Capon 功率幅度的调整后的 SV。干扰协方差矩阵 (ICM) 由调整后的干扰 SV 和相应的 Capon 功率幅度重建。感兴趣信号 (SOI) 的实际 SV 被估计为 SOI 的调整后的 SV。仿真结果表明，所提出的方法对各种类型的失配具有鲁棒性，并且优于其他现有的基于重构的波束成形算法。我们沿着梯度向量搜索以获得生成最高 Capon 功率幅度的调整后的 SV。干扰协方差矩阵 (ICM) 由调整后的干扰 SV 和相应的 Capon 功率幅度重建。感兴趣信号 (SOI) 的实际 SV 被估计为 SOI 的调整后的 SV。仿真结果表明，所提出的方法对各种类型的失配具有鲁棒性，并且优于其他现有的基于重构的波束成形算法。