波束形成技术在声呐、雷达、移动通信和电子对抗与侦察等领域中有着广泛的应用。常规的波束形成需要知道阵列流形等先验知识,而且在实际应用中,阵列模型不可避免地会存在误差,即使是很小的误差,也会引起系统性能的急剧下降。尤其在水声环境中,由于海水温度、深度等条件的变化,使得实际水声阵列的结构尺寸等参数发生改变。由于实际的阵列流形与假设的不尽一致,因而导致了系统波束形成性能变差。所以在实际应用中需要进行误差校正。由于阵列校正必须频繁多次进行,且每次都要存贮大量阵列流形信息,同时要求提供校正信号源,所以,给工程应用带来许多不便。盲波束形成方法,利用了信号自身的特性,通过算法以解决模型误差问题,有效地增强了系统的自适应性和系统的稳健性。但是,盲波束形成算法实现过程中,多数都用到了矩阵求逆与/或矩阵特征分解(或奇异值分解)等运算,随着阵元数的增大使算法运算量急剧上升,难以满足实时性的要求。此外,一些自适应算法还用到了基于梯度的优化计算,在步长选择不当的情况下很容易陷入局部极值,使波束形成无法正确实现。而以神经网络为代表的计算智能技术具有大量的并行性、高度的容错性以及自学习、自适应和自组织等特点,恰好可以弥补盲波束形成算法的不足。 本文重点在引入计算智能技术实现声呐盲波束形成方面展开了研究工作。全文的主要工作概括如下: 第二章给出了声呐盲波束形成算法的基本模型和处理框架,探讨了计算智能技术实现盲波束形成的基本途径和基本方法。 第三章提出了两种神经网络实现的基于高阶累积量的声呐盲波束形成算法。一种是基于TH网络的盲波束形成算法。该算法把盲波束形成权向量的求解问题转化为神经网络参数设计问题,当网络在纳秒级时间内达到稳态时,即给出了所求权向量。而且该算法易于硬件在线实现;另一种是基于径向基函数网络的盲波束形成算法。通过改进的学习方法可大大提高了网络的学习性能,且对系统误差具有较强的稳健性。这两种算法有机地把高阶累积量可消除高斯噪声影响的特性与神经网络并行结构有机地结合在一起,提高了盲波束形成的效率。 第四章分析了基于信号循环平稳性的盲波束形成方法与性能,研究了一种互相关神经网络实现声呐盲波束形成的算法。该算法利用水声通信信号的循环平稳特性把波束形成权向量的求解问题转化为阵列接收信号互相关函数的奇异值分解问题;引入一种互相关神经网络求解阵列接收信号相关函数的奇异值,从而减小了运算的代价,可高效实现盲波束形成。该算法把信号的正交特性引入到网络初值的选取中,并依据网络的输入对权值的学习速率进行了有效的约束,进而