SMI算法_自适应波束形成_matlab

%SMI方向图和性能 %优点： 收敛速度快 %缺点：1 当阵元输出含有较强的期望信号时，或者期望信号与干扰信号相关时，性能急剧下降 %2 由于权向量含有方向矢量，因此对阵列的幅相差非常敏感； %3 期望信号的功率不能过大，比干扰信号相差几十dB，也就是说，在小期望信号、大干扰信号情况下，也可进行SMI处理。 %在这种算法中，要求远场平面波信号只包含不相关的几个干扰信号，不含期望信号。在实际工作中这样的要求是不能实现的， %%怎样设置期望信号和干扰信号的大小和来向，应该这样考虑：我们把期望信号和干扰信号同样对待，只是期望信号的SNR较小， %%而干扰信号INR较大即可，且让干扰信号不能相关。例如snr=(0,40,40),doa=(90,15,25)。我们把INR分别为40dB、40dB, %%来向（doa）分别为15、25度的信号视为干扰信号,干扰信号的方向可以任意设置,而来向（doa)90度为信号。 clear; fre1=[1000 400 350]; %%input('analong frequency is:'); modsg fre2=[25000 26000 24000]; %%input('carrying frequency is:'); If % fre3=input('sampling frequency is:'); Fs mod=[.4 .4 .6]; %%input('modulation factor is:'); Ka 调幅指数 snr=[0 40,50 ]; %%input('signal to noise ratio is:'); snr doa=[20 40 60]; %%input('direction of arrival is:'); doa dw=.5; %%input('d to lamda ratio is:'); 间距和波长之比 M=16; % 阵元数 N=500; % 采样点数 n=0:N-1; m=0:M-1; amp=10.^(snr/20); %最大幅度值 for k=1:size(amp',1) %%形成信号矩阵和方向矢量矩阵。 SignalMatrix(k,:)=amp(k)*(1+mod(k)*sin(2*pi*fre1(k)/100000*n)).*exp(j*2*pi*fre2(k)/100000*n); %AM DirectionMatrix(:,k)=exp(j*2*pi*dw*m'*sin(doa(k)*pi/180)); %直线阵 end for i=1:M Noise(i,:)=randn(1,N); end %%输出采样协方差矩阵。 OutPutMatrix=DirectionMatrix*SignalMatrix+Noise+j*Noise;%输出信号 RelativeMatrix=1/N*OutPutMatrix*OutPutMatrix'; %%形成SMI加权矢量。 WeightVector=inv(RelativeMatrix)*DirectionMatrix(:,1); %%DirectionMatrix(:,1)表示期望信号方向矢量。 %用于搜索 R=0; for angle1=-90:90 R=R+1; Direction(:,R)=exp(j*2*m'*pi*dw*sin(angle1*pi/180)); end %得到方向图，方向矢量中包含有期望信号和干扰信号。 QuiescentPattern(1,:)=WeightVector'*Direction; QuiescentPattern=abs(QuiescentPattern); QuiescentPatternmax=max(QuiescentPattern); Pattern=QuiescentPattern/QuiescentPatternmax;%规一化 angle1=-90:90; PatterndB=20*log10(Pattern); plot(angle1,PatterndB,'-r'); title('Pattern of SMI'); xlabel('Arrival Angle'); ylabel('Array Response dB'); grid on figure; subplot(3,1,1); plot(n,SignalMatrix(1,:),'-m'); title('期望信号'); subplot(3,1,2); plot(n,SignalMatrix(2,:),'.-.g'); title('干扰信号1'); subplot(3,1,3); plot(n,SignalMatrix(3,:),'-*b'); title('干扰信号2');