Universidade de Brasília Laboratório de Processamento de Sinais em Arranjos 1 Adaptive & Array...

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos 1

Adaptive & Array Signal ProcessingAdaptive & Array Signal ProcessingAASPAASP

Prof. Dr.-Ing. João Paulo C. Lustosa da CostaUniversity of Brasília (UnB)

Department of Electrical Engineering (ENE)Laboratory of Array Signal Processing

PO Box 4386Zip Code 70.919-970, Brasília - DF

Homepage: http://www.pgea.unb.br/~lasp

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Eigenfilter (1)Eigenfilter (1)

We assume that the signal samples u(n) and the noise samples v(n) are uncorrelated.

2

In the noiseless case, the average power output of a linear filter is given by

Without signal component, we have that the average power output is

Therefore, the SNR is given by

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Eigenfilter (2)Eigenfilter (2)

3

We desire to maximize the SNR with the following constraint

Therefore:

The expression is maximized when w is the eigenvector corresponding to the greatest eigenvalue.

The expression is maximized when w is the eigenvector corresponding to the greatest eigenvalue.

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (1)Wiener Filters (1)

4

Our filter output is given by

We desire to find a certain y(n), which is an estimate of the desired signal d(n). Therefore, we can define the estimation error e(n).

We define the cost-function as the mean-square error

Computing the gradient of the cost-function

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (2)Wiener Filters (2)

5

Computing the gradient of the cost-function

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (4)Wiener Filters (4)

6

In the optimum case, the inputs should be orthogonal to the error function.

The principle of the orthogonality. This property allows to check if the linear filter is

operating in its optimum condition. As a consequence:

In the optimum case:

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (5)Wiener Filters (5)

7

(I) In the optimum case, the inputs should be orthogonal to the error function.

(II) ) In the optimum case, the ouputs should be orthogonal to the error function. Geometric interpreation

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (6)Wiener Filters (6)

8

Wiener-Hopf Equations

Using the definition of estimation error

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (7)Wiener Filters (7)

9

Wiener-Hopf Equations

Using the correlation matrix R and the cross-correlation vector p

The optimum tap weight vector is given by

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (8)Wiener Filters (8)

10

Linearly Constraint Minimum Variance (LCMV) Filter

Consider some sinusoidal signal

We assume a certain linear constraint with a complex gain g

Primal equation

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (9)Wiener Filters (9)

11

Linearly Constraint Minimum Variance (LCMV) Filter

The power output is given by

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (10)Wiener Filters (10)

12

Linearly Constraint Minimum Variance (LCMV) Filter

We desire to maximize the power output considering the constraint. Therefore, we can apply the Lagrange multipliers.

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (11)Wiener Filters (11)

13

Linearly Constraint Minimum Variance (LCMV) Filter

In the matrix form:

Therefore:

Replacing in the primal equation:

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (12)Wiener Filters (12)

14

Linearly Constraint Minimum Variance (LCMV) Filter

The Langrage multiplier is given by

Also known as LCMV beamformer

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (12)Wiener Filters (12)

15

Comparison LCMV versus Delay and Sum

In delay and sum, the weight vector depends on only one parameter

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (13)Wiener Filters (13)

16

Spatial Power Spectrum with DS – without noise

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (14)Wiener Filters (14)

17

Spatial Power Spectrum with LCMV without noise

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (15)Wiener Filters (15)

18

Spatial Power Spectrum with DS – with noise

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (16)Wiener Filters (16)

19

Computing Weight Power |w|2 for LCMV with g = 1

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (17)Wiener Filters (17)

20

Spatial Power Spectrum with LCMV with noise

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (18)Wiener Filters (18)

21

Spatial Power Spectrum - LCMV with noise and with restriction |w|2 = 1

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (18)Wiener Filters (18)

22

CAPON: Minimum Variance Distortionless Response Beamformer (MVDR)

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (19)Wiener Filters (19)

23

Spatial Power Spectrum – CAPON with noise

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (20)Wiener Filters (20)

24

CAPON belongs to the class of high resolution or super resolution signal processing schemes It surpasses the limiting behavior of the Fourier-based methods (for

instance DS).

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (21)Wiener Filters (21)

25

Spatial Power Spectrum – DS with noise, two sources and M = 10

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (22)Wiener Filters (22)

26

Spatial Power Spectrum – CAPON with noise, two sources and M = 10

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (23)Wiener Filters (23)

27

Spatial Power Spectrum – DS with noise, two sources and M = 7

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (24)Wiener Filters (24)

28

Spatial Power Spectrum – CAPON with noise, two sources and M = 7

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (25)Wiener Filters (25)

Direction of arrival (DOA) estimation Planar wave front: depends on the distance and on the array size Narrowband signal → Linear mixture

In this example: Model order d = 4 Number of sensors M = 5

Assuming that N > M, and since M > d. Here we have an overdetermined problem.

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (26)Wiener Filters (26)

30

Direction of arrival (DOA) estimation

M-1

3

2

1

0

d

Relation between DOA and the spatial frequency

If the signal has = 0, then the phase shift between the outputs is also zero.

Only one source, i.e. d = 1.

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (27)Wiener Filters (27)

31

Multiple Signal Classification (MUSIC) Assuming that the model order is known and equal to d, we compute

the EVD of the correlation matrix.

Knowing the model order, we can separate the correlation matrix into signal and noise parts.

The cost-function to be maximized is the following

Universidade de BrasíliaLaboratório de Processamento de Sinais em Arranjos

Wiener Filters (27)Wiener Filters (27)

32

Multiple Signal Classification (MUSIC) MUSIC achieves a precision greater than CAPON, since it takes into

account the data structure.