自述文件 该项目在Matlab上模拟了多天线系统。 主要功能包括： RX波束成形。 DOA估计。 系统要求 使用PhasedArray工具箱和Communication工具箱在Matlab 2016a或更高版本（2017a可能会有警告，但可以工作）上进行了测试。 文件/文件夹说明 mainArraySimRxBF.m是主条目文件。 结果文件夹包含多天线性能仿真结果和为固定权重生成的C文件。 Toolkits文件夹存储一些依赖于主要算法的有用工具。 CodeGen文件夹存储一些特定的功能，这些功能进一步生成为C代码以用于硬件实现。 每个子文件夹包含一个功能及其相应的测试和配置文件。 模拟结果 AnitInterference 此文件夹使用Rx权重存储抗干扰性能。 单词doc中进一步描述了数字。 通道错误 CBF，MUSIC，Anti-MUSIC算法在不同幅度误差（0：1：10d

Capon 的方法通过使用自由度在观察方向上形成光束并同时形成零点来克服这个问题。 以这种方式选择的权重向量通常被称为最小方差无失真响应 (MVDR) 波束成形器，因为对于特定的观察方向，它在通过到达的信号时最小化阵列输出信号的方差（平均功率）。从没有失真的方向看。

空天地一体化通信网络是未来无线通信的发展趋势，其固有的广播特性和广阔的覆盖区域，将导致网络通信系统面临严重的安全威胁。如何保证空天地通信网络的安全性是一个亟待解决的问题。物理层安全技术作为一种有效的安全手段，在无线通信领域受到越来越多的关注。介绍了物理层安全的基础以及空天地通信信道模型，并对物理层安全中常见的窃听编码、波束成形、人工噪声、中继协作干扰和物理层密钥加密等技术进行了介绍和总结，最后提出了空天地通信网络中物理层安全面临的挑战和未来的发展趋势。

matlab的egde源代码波束成形工具包 创建于2016-09-13 在这里，我们实现了三种经典的波束成形算法，例如Delay and Sum，MVDR，GSC。 并实现经典的TDOA估计算法GCC-PHAT。 用法 apply-delay-and-sum，apply-gsc，apply-mvdr是三个容器，它们接受一个多通道wav文件并输出相应的单通道波束成形wav文件。 sh run.sh 档案清单 tdoa.h ds.h gsc.h mvdr.h是相应的cc实现。 tdoa.m gsc.m mvdr.m是相应的matlab实现。 而且如果出现问题，与matlab结果相比，它对于调试非常有用。 xxx-test是一些简单的测试程序。 参考 这里列出一些参考论文。 GCC-PHAT（一般互相关相位变换） 麦克风阵列信号处理（第9章：到达方向和到达时间差估计） 延迟与总和 麦克风阵列信号处理（第3章：常规波束成形技术） MVDR（最小方差失真响应） 麦克风阵列信号处理（第3章：常规波束成形技术） 麦克风阵列信号处理（第9章：到达方向和到达时间差估计） MVDR波束形成器作为源入射角的

在此代码中，显示了两个相位差不同的相控阵天线的时域波传播。 由于相长干涉和相消干涉，波的主光束转向了感兴趣的角度。 此代码用于生成以下动画： 相控阵天线波束成形http://youtu.be/2i293tUjYbI

此功能为用户提供了一种实用程序，可通过提供元素间距离、相应的权重和/或波束转向方向来绘制线性各向同性阵列的波束模式。

Massive-MIMO-Hybrid-Beamforming-Matlab-示例：一个简单示例，说明如何在大型MIMO通信系统的发送端采用混合波束成形

该存储库包含FPGA / HDL演示以及几种波束成形和雷达设计。 提供Simulink模型和MATLAB参考代码，以展示各种雷达和阵列处理算法的高级仿真和HDL设计。 演示列表： 用于RFSoC ZCU111的MVDR 4x4自适应波束形成

matlab的egde源代码带有BF的BF设计 这是论文“使用深度学习的大型天线阵列的波束成形设计”的仿真代码。 本文发表在IEEE无线通信快报上。 IEEE链接： Arxiv链接： 我建议在arxiv上使用预打印版本。 另外，可以参考中文版博客 要求： Tensorflow-gpu = 1.12.0 现在它支持tf 2.3.0，只需运行文件train_v2.py 主要修订是API batch_dot与tensorflow 1不同 （Tensorflow 1.12.0更适合调试，而使用cuda10的tensorflow 1.13.0可以运行得更快） 如果您对如何在一台计算机上使用几种不同的张量流和不同版本的CUDA感到困惑，那么可能会有帮助。 结果 在分叉存储库并下载相应的数据集和经过训练的模型之后，可以轻松再现以下性能结果。 （Python代码仅适用于蓝色的子宫颈，比较的子宫颈应通过Matlab代码绘制） 如何使用： 运行train.py训练模型 运行test.py以测试经过训练的模型 由于github的空间限制，我们仅为运行示例提供了两个很小的培训和测试数据集。 数据集和训练有素的

分析了基于矢量平滑的MVDR离散成形的解相干原理，并推导出了在单相关干扰源情况下下VS-MVDR双向成形器的输出信干噪比，该算法适应于任意的阵列结构且在多径传播的环境中具有更好的性能。