Adaptive beamforming methods are known to degrade if some of underlying assumptions on the environment, sources, or sensor array become violated. In particular, if the desired signal is present in training snapshots, the adaptive array performance may be quite sensitive even to slight mismatches between the presumed and actual signal steering vectors (spatial signatures). Such mismatches can occur as a result of environmental nonstationarities, look direction errors, imperfect array calibration, distorted antenna shape, as well as distortions caused by medium inhomogeneities, near-far mismatch, source spreading, and local scattering. The similar type of performance degradation can occur when the signal steering vector is known exactly but the training sample size is small. In this paper, we develop a new approach to robust adaptive beamforming in the presence of an arbitrary unknown signal steering vector mismatch. Our approach is based on the optimization of worst-case performance. It turns out that the natural formulation of this adaptive beamforming problem involves minimization of a quadratic function subject to infinitely many nonconvex quadratic constraints. We show that this (originally intractable) problem can be reformulated in a convex form as the so-called second-order cone (SOC) program and solved efficiently (in polynomial time) using the well-established interior point method. It is also shown that the proposed technique can be interpreted in terms of diagonal loading where the optimal value of the diagonal loading factor is computed based on the known level of uncertainty of the signal steering vector. Computer simulations with several frequently encountered types of signal steering vector mismatches show better performance of our robust beamformer as compared with existing adaptive beamforming algorithms.

We propose a new technique for multiple-input multiple-output (MIMO) radar with colocated antennas which we call phased-MIMO radar. The new technique enjoys the advantages of the MIMO radar without sacrificing the main advantage of the phased-array radar which is the coherent processing gain at the transmitting side. The essence of the proposed technique is to partition the transmit array into a number of subarrays that are allowed to overlap. Then, each subarray is used to coherently transmit a waveform which is orthogonal to the waveforms transmitted by other subarrays. Coherent processing gain can be achieved by designing a weight vector for each subarray to form a beam towards a certain direction in space. Moreover, the subarrays are combined jointly to form a MIMO radar resulting in higher angular resolution capabilities. Substantial improvements offered by the proposed phased-MIMO radar technique as compared to the phased-array and MIMO radar techniques are demonstrated analytically and by simulations through analyzing the corresponding beam patterns and the achievable output signal-to-noise-plus-interference ratios. Both analytical and simulation results validate the effectiveness of the proposed phased-MIMO radar.

Synergistic design of communications and radar systems with common spectral and hardware resources is heralding a new era of efficiently utilizing a limited radio-frequency (RF) spectrum. Such a joint radar communications (JRC) model has advantages of low cost, compact size, less power consumption, spectrum sharing, improved performance, and safety due to enhanced information sharing. Today, millimeter-wave (mmwave) communications have emerged as the preferred technology for short distance wireless links because they provide transmission bandwidth that is several gigahertz wide. This band is also promising for short-range radar applications, which benefit from the high-range resolution arising from large transmit signal bandwidths. Signal processing techniques are critical to the implementation of mm-wave JRC systems. Major challenges are joint waveform design and performance criteria that would optimally trade off between communications and radar functionalities. Novel multiple-input, multiple-output (MIMO) signal processing techniques are required because mm-wave JRC systems employ large antenna arrays. There are opportunities to exploit recent advances in cognition, compressed sensing, and machine learning to reduce required resources and dynamically allocate them with low overheads. This article provides a signal processing perspective of mm-wave JRC systems with an emphasis on waveform design.

In this paper, we propose a transmit beamspace energy focusing technique for multiple-input multiple-output (MIMO) radar with application to direction finding for multiple targets. The general angular directions of the targets are assumed to be located within a certain spatial sector. We focus the energy of multiple (two or more) transmitted orthogonal waveforms within that spatial sector using transmit beamformers which are designed to improve the signal-to-noise ratio (SNR) gain at each receive antenna. The subspace decomposition-based techniques such as MUSIC can then be used for direction finding for multiple targets. Moreover, the transmit beamformers can be designed so that matched-filtering the received data to the waveforms yields multiple (two or more) data sets with rotational invariance property that allows applying search-free direction finding techniques such as ESPRIT for two data sets or parallel factor analysis (PARAFAC) for more than two data sets. Unlike previously reported MIMO radar ESPRIT/PARAFAC-based direction finding techniques, our method achieves the rotational invariance property in a different manner combined also with the transmit energy focusing. As a result, it achieves better estimation performance at lower computational cost. Particularly, the proposed technique leads to lower Cramer-Rao bound than the existing techniques due to the transmit energy focusing capability. Simulation results also show the superiority of the proposed technique over the existing techniques.

A general notion of robustness for robust adaptive beamforming (RAB) problem and a unified principle for minimum variance distortionless response (MVDR) RAB techniques design are formulated. This principle is to use standard MVDR beamformer in tandem with an estimate of the desired signal steering vector found based on some imprecise prior information. Differences between various MVDR RAB techniques occur only because of the differences in the assumed prior information and the corresponding signal steering vector estimation techniques. A new MVDR RAB technique, which uses as little as possible and easy to obtain imprecise prior information, is developed. The objective for estimating the steering vector is the maximization of the beamformer output power, while the constraints are the normalization condition and the requirement that the estimate does not converge to any of the interference steering vectors and their linear combinations. The prior information used is only the imprecise knowledge of the antenna array geometry and angular sector in which the actual steering vector lies. Mathematically, the proposed MVDR RAB is expressed as the well known non-convex quadratically constrained quadratic programming problem with two constraints, which can be efficiently and exactly solved. Some new results for the corresponding optimization problem such as a new algebraic way of finding the rank-one solution from the general-rank solution of the relaxed problem and the condition under which the solution of the relaxed problem is guaranteed to be rank-one are derived. Our simulation results demonstrate the superiority of the proposed method over other previously developed RAB techniques.

A noise covariance matrix estimation approach in unknown noise field for direction finding applicable for the practically important cases of nonuniform and block-diagonal sensor noise is proposed. It is based on an alternating procedure that can be adjusted for a specific noise type. Numerical simulations are conducted in order to establish the generality and superiority of the proposed approach over the existing state-of-the-art methods, especially in challenging scenarios.

The use of one-bit analog-to-digital converter (ADC) has been considered as a viable alternative to high resolution counterparts in realizing and commercializing massive multiple-input multiple-output (MIMO) systems. However, the issue of discarding the amplitude information by one-bit quantizers has to be compensated. Thus, carefully tailored methods need to be developed for one-bit channel estimation and data detection as the conventional ones cannot be used. To address these issues, the problems of one-bit channel estimation and data detection for MIMO orthogonal frequency division multiplexing (OFDM) system that operates over uncorrelated frequency selective channels are investigated here. We first develop channel estimators that exploit Gaussian discriminant analysis (GDA) classifier and approximate versions of it as the so-called weak classifiers in an adaptive boosting (AdaBoost) approach. Particularly, the combination of the approximate GDA classifiers with AdaBoost offers the benefit of scalability with the linear order of computations, which is critical in massive MIMO-OFDM systems. We then take advantage of the same idea for proposing the data detectors. Numerical results validate the efficiency of the proposed channel estimators and data detectors compared to other methods. They show comparable/better performance to that of the state-of-the-art methods, but require dramatically lower computational complexities and run times.