一种自适应波束形成方法、装置、设备及可读存储介质与流程

1.本发明涉及波束形成技术领域，具体而言，涉及一种自适应波束形成方法、装置、设备及可读存储介质。


背景技术：

2.目前，由于接收机接收到的信号为包括干扰信号和目标信号的混合信号，在使用传统的mvdr自适应波束形成算法时，根据混合信号做协方差矩阵求得的权值会同时抑制目标信号和干扰信号，这虽然会起到抑制干扰信号的效果，但是同时对目标信号也存在抑制的效果，影响目标信号的质量。


技术实现要素：

3.本发明的目的在于提供一种自适应波束形成方法、装置、设备及可读存储介质，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：一方面，本技术实施例提供了一种自适应波束形成方法，所述方法包括：获取第一数据和第二数据，所述第一数据包括第一时域目标信号和第一时域干扰信号；所述第二数据包括实时产生的混合时域信号；基于所述第一数据计算得到每个时频单元所对应的神经网络掩码值，基于每个时频单元所对应的所述神经网络掩码值对神经网络模型进行训练，得到训练好的模型；对所述第二数据进行处理，得到至少一个混合频域信号，将所述混合频域信号输入所述训练好的模型中，得到第一输出结果；基于所述第一输出结果计算得到协方差矩阵，基于所述协方差矩阵，利用mvdr准则求出权矢量，基于所述权矢量，形成自适应波束。
5.可选的，所述基于所述第一数据计算得到每个时频单元所对应的神经网络掩码值，包括：对所述第一时域目标信号和所述第一时域干扰信号进行进行短时傅里叶变换处理，形成第一频域目标信号和第一频域干扰信号；基于所述第一频域目标信号和所述第一频域干扰信号形成第一结果，所述第一结果包括每个时频单元所对应的神经网络掩码值。
6.可选的，所述基于每个时频单元所对应的所述神经网络掩码值对神经网络模型进行训练，得到训练好的模型，包括：将所述第一时域目标信号和第一时域干扰信号进行混合，得到第一混合时域信号，将所述第一混合时域信号进行短时傅里叶变换处理，得到第一混合频域信号；将所述每个时频单元所对应的所述神经网络掩码值和所述第一混合频域信号输入神经网络模型，对所述神经网络模型进行训练，得到训练好的模型。
7.可选的，所述对所述第二数据进行处理，得到至少一个混合频域信号，将所述混合
频域信号输入所述训练好的模型中，得到第一输出结果，包括：利用具有n个单元的均匀线性阵列对所述实时产生的混合时域信号进行接收，形成n个第二混合时域信号；对每个所述第二混合时域信号进行短时傅里叶变换处理得到n个第二混合频域信号，基于训练好的模型和n个所述第二混合频域信号，得到每个所述第二混合频域信号所对应的掩码值。
8.可选的，所述基于所述第一输出结果计算得到协方差矩阵，包括：基于所述第一输出结果，形成每个所述混合频域信号所对应的标签值；基于每个所述混合频域信号所对应的标签值、每个所述混合频域信号的幅度谱和每个所述混合频域信号的相位，计算得到每个所述混合频域信号所对应的干扰信号频谱；对每个所述干扰信号频谱进行逆短时傅里叶变换处理，得到对应的时域干扰信号，基于全部的所述时域干扰信号计算得到所述协方差矩阵。
9.可选的，所述基于每个所述混合频域信号所对应的标签值、每个所述混合频域信号的幅度谱和每个所述混合频域信号的相位，计算得到每个所述混合频域信号所对应的干扰信号频谱，包括：用1减去每个所述混合频域信号所对应的标签值，得到每个所述混合频域信号所对应的标签值的反值；将每个所述混合频域信号的幅度谱和对应的标签值的反值相乘得到每个所述混合频域信号中干扰信号的幅度谱，基于每个所述混合频域信号中干扰信号的幅度谱和每个所述混合频域信号的相位得到所述干扰信号频谱。
10.第二方面，本技术实施例提供了一种自适应波束形成装置，所述装置包括获取模块、训练模块、处理模块和形成模块。
11.获取模块，用于获取第一数据和第二数据，所述第一数据包括第一时域目标信号和第一时域干扰信号；所述第二数据包括实时产生的混合时域信号；训练模块，用于基于所述第一数据计算得到每个时频单元所对应的神经网络掩码值，基于每个时频单元所对应的所述神经网络掩码值对神经网络模型进行训练，得到训练好的模型；处理模块，用于对所述第二数据进行处理，得到至少一个混合频域信号，将所述混合频域信号输入所述训练好的模型中，得到第一输出结果；形成模块，用于基于所述第一输出结果计算得到协方差矩阵，基于所述协方差矩阵，利用mvdr准则求出权矢量，基于所述权矢量，形成自适应波束。
12.可选的，所述训练模块，包括：第一变换单元，用于对所述第一时域目标信号和所述第一时域干扰信号进行进行短时傅里叶变换处理，形成第一频域目标信号和第一频域干扰信号；第一计算单元，用于基于所述第一频域目标信号和所述第一频域干扰信号形成第一结果，所述第一结果包括每个时频单元所对应的神经网络掩码值。
13.可选的，所述训练模块，包括：第二变换单元，用于将所述第一时域目标信号和第一时域干扰信号进行混合，得到第一混合时域信号，将所述第一混合时域信号进行短时傅里叶变换处理，得到第一混合
频域信号；训练单元，用于将所述每个时频单元所对应的所述神经网络掩码值和所述第一混合频域信号输入神经网络模型，对所述神经网络模型进行训练，得到训练好的模型。
14.可选的，所述处理模块，包括：第二计算单元，用于利用具有n个单元的均匀线性阵列对所述实时产生的混合时域信号进行接收，形成n个第二混合时域信号；第三计算单元，用于对每个所述第二混合时域信号进行短时傅里叶变换处理得到n个第二混合频域信号，基于训练好的模型和n个所述第二混合频域信号，得到每个所述第二混合频域信号所对应的掩码值。
15.可选的，所述形成模块，包括：第四计算单元，用于基于所述第一输出结果，形成每个所述混合频域信号所对应的标签值；第五计算单元，用于基于每个所述混合频域信号所对应的标签值、每个所述混合频域信号的幅度谱和每个所述混合频域信号的相位，计算得到每个所述混合频域信号所对应的干扰信号频谱；第六计算单元，用于对每个所述干扰信号频谱进行逆短时傅里叶变换处理，得到对应的时域干扰信号，基于全部的所述时域干扰信号计算得到所述协方差矩阵。
16.可选的，所述第五计算单元，包括：第一计算子单元，用于用1减去每个所述混合频域信号所对应的标签值，得到每个所述混合频域信号所对应的标签值的反值；第二计算子单元，用于将每个所述混合频域信号的幅度谱和对应的标签值的反值相乘得到每个所述混合频域信号中干扰信号的幅度谱，基于每个所述混合频域信号中干扰信号的幅度谱和每个所述混合频域信号的相位得到所述干扰信号频谱；第三方面，本技术实施例提供了一种自适应波束形成设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述自适应波束形成方法的步骤。
17.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述自适应波束形成方法的步骤。
18.本发明的有益效果为：1、在使用传统的mvdr自适应波束形成算法时，若接收机接收到的信号为包括干扰信号和目标信号的混合信号，根据混合信号做协方差矩阵求得的权值会同时抑制目标信号和干扰信号，这虽然会起到抑制干扰信号的效果，但是同时对目标信号也存在抑制的效果，影响目标信号的质量。而本实施例采取的是dnn
‑
mvdr自适应波束形成算法，提出使用神经网络将目标信号与干扰信号进行分离，根据分离后的干扰信号求解权值，达到了在不影响目标方向信号的同时对干扰信号进行抑制的目的。
19.2、本发明通过使用神经网络将目标信号与干扰信号进行分离，根据分离后的干扰信号求解权值，在干扰方向形成一个明显的零陷。其中，当扫频余弦信号为目标信号和二进制数字幅度调制信号为干扰信号时，目标方向和干扰方向的增益差为41.42db，较原始混合信号而言，使用神经网络分离信号后进行的dnn
‑
mvdr自适应波束形成效果更好，增益差提
高了41.18db。
20.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
22.图1是本发明实施例中所述的自适应波束形成方法流程示意图；图2是本发明实施例中所述的自适应波束形成装置结构示意图；图3是本发明实施例中所述的自适应波束形成设备结构示意图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
25.实施例1如图1所示，本实施例提供了一种自适应波束形成方法，该方法包括步骤s1、步骤s2、步骤s3和步骤s4。
26.步骤s1、获取第一数据和第二数据，所述第一数据包括第一时域目标信号和第一时域干扰信号；所述第二数据包括实时产生的混合时域信号；步骤s2、基于所述第一数据计算得到每个时频单元所对应的神经网络掩码值，基于每个时频单元所对应的所述神经网络掩码值对神经网络模型进行训练，得到训练好的模型；步骤s3、对所述第二数据进行处理，得到至少一个混合频域信号，将所述混合频域信号输入所述训练好的模型中，得到第一输出结果；步骤s4、基于所述第一输出结果计算得到协方差矩阵，基于所述协方差矩阵，利用mvdr准则求出权矢量，基于所述权矢量，形成自适应波束。
27.在本实施例中，第一数据中的第一时域目标信号和第一时域干扰信号是用于训练模型，得到训练好的模型；其中，第一时域目标信号和第一时域干扰信号均是通过matlab软
件仿真产生，第一时域目标信号和第一时域干扰信号的信号长度均为24000，也就是采样24000个时刻的值；第一时域目标信号可以固定为扫频余弦信号，第一时域干扰信号可以随意产生，没有固定的第一时域干扰信号；在本实施例中，可以将扫频余弦信号作为目标信号，其他类型的调制信号作为干扰信号；同时在另一种实施方式中，还可以将一个时域目标信号和一个时域干扰信号作为一组训练数据，在进行模型训练时，利用多组不同的训练数据对模型进行训练，最终得到训练好的模型，通过此种方法可以提高模型的精准度。
28.在使用传统的mvdr自适应波束形成算法时，若接收机接收到的信号为包括干扰信号和目标信号的混合信号，根据混合信号做协方差矩阵求得的权值会同时抑制目标信号和干扰信号，这虽然会起到抑制干扰信号的效果，但是同时对目标信号也存在抑制的效果，影响目标信号的质量。而本实施例采取的是dnn
‑
mvdr自适应波束形成算法，提出使用神经网络将目标信号与干扰信号进行分离，根据分离后的干扰信号求解权值，达到了在不影响目标方向信号的同时对干扰信号进行抑制的目的。
29.在本公开的一种具体实施方式中，所述步骤s2，还可以包括步骤s21和步骤s22。
30.步骤s21、对所述第一时域目标信号和所述第一时域干扰信号进行进行短时傅里叶变换处理，形成第一频域目标信号和第一频域干扰信号；步骤s22、基于所述第一频域目标信号和所述第一频域干扰信号形成第一结果，所述第一结果包括每个时频单元所对应的神经网络掩码值。
31.在本实施例中，短时傅里叶变换的过程为信号分帧、加窗、计算傅里叶变换，其中加窗本实施例采用的窗函数为汉明窗；在本实施例中，通过公式（1）计算每个时频单元所对应的神经网络掩码值，其中公式（1）为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）公式（1）中，t表示时间；f表示频率；表示为在时间和频率f时的时频单元掩码值；表示为在时间和频率f时的目标信号能量；表示为在时间和频率f时的干扰信号能量；表示为一个可调节的参数，本实施例中为1，本公式中的目标信号和干扰信号为用于训练的目标信号和干扰信号。
32.在本公开的一种具体实施方式中，所述步骤s2，还可以包括步骤s23和步骤s24。
33.步骤s23、将所述第一时域目标信号和第一时域干扰信号进行混合，得到第一混合时域信号，将所述第一混合时域信号进行短时傅里叶变换处理，得到第一混合频域信号；步骤s24、将所述每个时频单元所对应的所述神经网络掩码值和所述第一混合频域信号输入神经网络模型，对所述神经网络模型进行训练，得到训练好的模型。
34.在本实施例中，将所述第一时域目标信号和第一时域干扰信号相加即可获得第一混合时域信号。
35.在本实施例中，神经网络模型包括输入层，隐藏层，输出层。隐藏层包括重复的单元块，每个单元块包括全连接层，激活函数层，batch normalization层和dropout层。其中网络的全连接层的节点个数设置为1300。在此神经网络中，使用的激活函是sigmoid函数。
神经网络在训练的过程中采用了标准化操作，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布。另外在隐藏层还采取了dropout操作。此神经网络dropout层的概率p取0.1，每次迭代通过网络时，随机选取10%的神经元被丢弃。除了输入层外，本实施例生成信号掩码的网络采用四层神经网络结构，其中每层网络的单元数均为1300。本神经网络的参数设置为：迭代次数为64，最小批次大小为128，学习率为0.01，使用随机梯度下降法更新权重，损失函数为网络输出的数据和网络掩码的均方差。
36.在另一种实施例中，还可以将神经网络掩码值进行数据分割处理，设置每一帧包括65个掩码单元，每次取20帧送入网络进行训练。也就是说每个掩码片段包含1300个掩码单元；将第一混合频域信号进行数据分割处理，设置每一帧包括65个时频单元，每次取20帧送入网络进行训练，也就是说每个频域混合信号片段包含1300个时频单元。也就是说将经过数据分割处理的第一频域混合信号片段以及神经网络掩码片段输入到神经网络中，经过多次迭代保留性能较好的网络模型参数，就可以得到训练好的模型。
37.在本公开的一种具体实施方式中，所述步骤s3，还可以包括步骤s31和步骤s32。
38.步骤s31、利用具有n个单元的均匀线性阵列对所述实时产生的混合时域信号进行接收，形成n个第二混合时域信号；步骤s32、对每个所述第二混合时域信号进行短时傅里叶变换处理得到n个第二混合频域信号，基于训练好的模型和n个所述第二混合频域信号，得到每个所述第二混合频域信号所对应的掩码值。
39.在本实施例中，利用阵元间距为0.15m的16单元均匀线性阵列对所述实时产生的混合时域信号进行接收，生成16通道具有相位差的混合信号数据，也就是说生成了16个第二混合时域信号；将每个第二混合时域信号进行短时傅里叶变换处理得到16个第二混合频域信号；将每个第二混合频域信号输入到训练好的模型之后就可以得到对应的掩码值。
40.在本公开的一种具体实施方式中，所述步骤s4，还可以包括步骤s41、步骤s42和步骤s43。
41.步骤s41、基于所述第一输出结果，形成每个所述混合频域信号所对应的标签值；步骤s42、基于每个所述混合频域信号所对应的标签值、每个所述混合频域信号的幅度谱和每个所述混合频域信号的相位，计算得到每个所述混合频域信号所对应的干扰信号频谱；步骤s43、对每个所述干扰信号频谱进行逆短时傅里叶变换处理，得到对应的时域干扰信号，基于全部的所述时域干扰信号计算得到所述协方差矩阵。
42.在本实施例中，生成标签值的具体步骤为：获取标签值阈值，本实施例中标签值阈值设置为0.5，如果每个所述第二混合频域信号所对应的掩码值大于阈值，则对应的标签值设为1，反之则为0；在本实施例中，利用具有n个单元的均匀线性阵列对所述实时产生的混合时域信号进行接收，形成n个混合时域信号，因此对应形成n组标签值和n个时域干扰信号；在本实施例中通过公式（2）计算得到所述协方差矩阵，其中公式（2）为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）公式（2）中，r
x
为阵列协方差矩阵；为分离出来的n个时域干扰信号在时刻k
的值；(k)为的共轭转置；表示矩阵的共轭转置；在本实施例中通过公式（3）计算得最优加权矢量，其中公式（3）为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）公式（3）中，w(k)为时刻k的阵列最优加权矢量，是一个n值的向量，每一个分量表示每个阵元的最优权值；r
x
为阵列协方差矩阵；为实时产生的混合时域信号中包含的目标信号的导向矢量；为实时产生的混合时域信号中包含的目标信号的导向矢量的共轭转置；公式（4）
‑
公式（6）中，i为虚数单位；t代表转置；为波长；d为阵元间距；为实时产生的混合时域信号中包含的目标信号到达的角度；c为光速，其值为；为测试频率，其值为1；在本实施例中有16个天线阵元，那么将会产生为16个通道的数据，将每个通道的数据乘上其相应的最优权值再相加，假设通过公式（3）计算得到的16个通道的数据在时刻k所对应的最优加权矢量为，t代表转置，那么波束形成阵列在k时刻的输出为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）公式（6）中，为波束形成阵列在k时刻的输出；x(k)为n个通道数据在时刻k的值；为w(k)的共轭转置；在本公开的一种具体实施方式中，所述步骤s42，还可以包括步骤s421和步骤s422。
43.步骤s421、用1减去每个所述混合频域信号所对应的标签值，得到每个所述混合频域信号所对应的标签值的反值；步骤s422、将每个所述混合频域信号的幅度谱和对应的标签值的反值相乘得到每个所述混合频域信号中干扰信号的幅度谱，基于每个所述混合频域信号中干扰信号的幅度谱和每个所述混合频域信号的相位得到所述干扰信号频谱。
44.在本实施例中，通过公式（5）计算所述干扰信号频谱，其中公式（5）为：在本实施例中，通过公式（5）计算所述干扰信号频谱，其中公式（5）为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）公式（7）中，t为时间；f为频率；为干扰信号在时间t和频率f时的频谱值；
为所述混合频域信号在时间t和频率f时的幅度值，为混合频域信号在时间t和频率f时的时频单元标签值，为干扰信号在时间t和频率f时的时频单元标签值，为混合频域信号在时间t和频率f时的相位，本公式中的干扰信号为每个所述混合频域信号中包含的频域干扰信号。
45.实施例2如图2所示，本实施例提供了一种自适应波束形成装置，所述装置包括获取模块701、训练模块702、处理模块703和形成模块704。获取模块701，用于获取第一数据和第二数据，所述第一数据包括第一时域目标信号和第一时域干扰信号；所述第二数据包括实时产生的混合时域信号；训练模块702，用于基于所述第一数据计算得到每个时频单元所对应的神经网络掩码值，基于每个时频单元所对应的所述神经网络掩码值对神经网络模型进行训练，得到训练好的模型；处理模块703，用于对所述第二数据进行处理，得到至少一个混合频域信号，将所述混合频域信号输入所述训练好的模型中，得到第一输出结果；形成模块704，用于基于所述第一输出结果计算得到协方差矩阵，基于所述协方差矩阵，利用mvdr准则求出权矢量，基于所述权矢量，形成自适应波束。
46.在本公开的一种具体实施方式中，所述训练模块702，还包括第一变换单元7021和第一计算单元7022。
47.第一变换单元7021，用于对所述第一时域目标信号和所述第一时域干扰信号进行进行短时傅里叶变换处理，形成第一频域目标信号和第一频域干扰信号；第一计算单元7022，用于基于所述第一频域目标信号和所述第一频域干扰信号形成第一结果，所述第一结果包括每个时频单元所对应的神经网络掩码值。
48.在本公开的一种具体实施方式中，所述训练模块702，还包括第二变换单元7023和训练单元7024。
49.第二变换单元7023，用于将所述第一时域目标信号和第一时域干扰信号进行混合，得到第一混合时域信号，将所述第一混合时域信号进行短时傅里叶变换处理，得到第一混合频域信号；训练单元7024，用于将所述每个时频单元所对应的所述神经网络掩码值和所述第一混合频域信号输入神经网络模型，对所述神经网络模型进行训练，得到训练好的模型。
50.在本公开的一种具体实施方式中，所述处理模块703，还包括第二计算单元7031和第三计算单元7032。
51.第二计算单元7031，用于利用具有n个单元的均匀线性阵列对所述实时产生的混合时域信号进行接收，形成n个第二混合时域信号；第三计算单元7032，用于对每个所述第二混合时域信号进行短时傅里叶变换处理得到n个第二混合频域信号，基于训练好的模型和n个所述第二混合频域信号，得到每个所述第二混合频域信号所对应的掩码值。
52.在本公开的一种具体实施方式中，所述形成模块704，还包括第四计算单元7041、第五计算单元7042和第六计算单元7043。
53.第四计算单元7041，用于基于所述第一输出结果，形成每个所述混合频域信号所对应的标签值；第五计算单元7042，用于基于每个所述混合频域信号所对应的标签值、每个所述混合频域信号的幅度谱和每个所述混合频域信号的相位，计算得到每个所述混合频域信号所对应的干扰信号频谱；第六计算单元7043，用于对每个所述干扰信号频谱进行逆短时傅里叶变换处理，得到对应的时域干扰信号，基于全部的所述时域干扰信号计算得到所述协方差矩阵。
54.在本公开的一种具体实施方式中，所述第五计算单元7042，还包括第一计算子单元70421和第二计算子单元70422。
55.第一计算子单元70421，用于用1减去每个所述混合频域信号所对应的标签值，得到每个所述混合频域信号所对应的标签值的反值；第二计算子单元70422，用于将每个所述混合频域信号的幅度谱和对应的标签值的反值相乘得到每个所述混合频域信号中干扰信号的幅度谱，基于每个所述混合频域信号中干扰信号的幅度谱和每个所述混合频域信号的相位得到所述干扰信号频谱。
56.需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
57.实施例3相应于上面的方法实施例，本公开实施例还提供了自适应波束形成设备，下文描述的自适应波束形成设备与上文描述的自适应波束形成方法可相互对应参照。
58.图3是根据一示例性实施例示出的自适应波束形成设备800的框图。如图3所示，该自适应波束形成设备800可以包括：处理器801，存储器802。该自适应波束形成设备800还可以包括多媒体组件803，输入/输出(i/o)接口804，以及通信组件805中的一者或多者。
59.其中，处理器801用于控制该自适应波束形成设备800的整体操作，以完成上述的自适应波束形成方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该自适应波束形成设备800的操作，这些数据例如可以包括用于在该自适应波束形成设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该自适应波束形成设备800与其他设备之间进行有线或无线通信。无线通信，例如wi
‑
fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的
一种或几种的组合，因此相应的该通信组件805可以包括：wi
‑
fi模块，蓝牙模块，nfc模块。
60.在一示例性实施例中，该自适应波束形成设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的自适应波束形成方法。
61.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的自适应波束形成方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该自适应波束形成设备800的处理器801执行以完成上述的自适应波束形成方法。
62.实施例4相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的自适应波束形成方法可相互对应参照。
63.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的自适应波束形成方法的步骤。
64.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
65.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。