《智能天线00450》由会员分享，可在线阅读，更多相关《智能天线00450（9页珍藏版）》请在金锄头文库上搜索。
1、智能天线中的L算法的应用摘要关键字：智能天线摘要关键字（eglih)一:引言 智能天线是通信领域的新技术,不同于传统的时分多址(TDA)、频分多址（FDMA）或码分多址(CDMA）方式，智能天线引入了空间维的多址方式：空分多址（SDMA）方式,即在相同时隙、相同频率或相同地址码情况下，仍可以根据信号不同的空间传播路径来进行区分不同的用户。智能天线相当于一个空时滤波器,在多个指向不同用户的并行阵列波束的控制下,可以显著降低用户信号之间的干扰，从而提升系统容量，同时还带来了更多的好处，因此备受关注。1 智能天线的基本概念 定义 智能天线利用数字信号处理（DSP）技术,在空间产生指向性波束，使阵列主
2、瓣对准用户信号到达方向，旁瓣或零陷对准干扰信号到达方向，从而可以高效地利用移动用户信号的空域信息最大化接收期望信号并删除或抑制干扰信号的目的.与其它逐渐深入和成熟的干扰对消技术相比,智能天线技术在移动通信中的应用研究更显得方兴未艾并显示出巨大潜力.智能天线通常包括波束切换智能天线和自适应阵智能天线。在早期，阵列天线技术广泛应用于雷达、声纳及军事通信等领域，但是由于价格的原因一直未能普及到通信领域。近年来,随着现代数字信号处理技术的迅速发展，数字信号处理芯片处理能力不断提高，同时芯片价格也不断下降，己经可以被民用通信领域所接受。另外，由于数字信号处理技术使得在基带进行阵列波束形成成为可能，并以此
3、代替模拟电路波束形成的方法,从而提高了阵列天线系统的可靠性与灵活程度，智能天线技术也因此开始在移动通信中得以应用。另一方面，移动通信用户数目迅猛地增加，人们对业务质量的要求也不断提高,这要求蜂窝小区在密集的业务量下仍保持高的话音质量.使用智能天线可以在不显著增加系统复杂度情况下满足扩充容量的需要。不同于常规的扇区天线和天线分集方法，通过在基站使用全向收发智能天线,可以为每个用户提供一个窄的指向性波束，使信号在有限的空间区域内发送和接收,从而可以充分利用信号发射功率，降低了信号全向发射带来的电磁污染与相互干扰。 智能天线系统组成: 图 2-1 典型的智能天线系统结构示意图典型的智能天线系统结构示
4、意图如图2-1,它主要由以下几部分组成： 天线阵列部分:天线阵元的数量N与配置方式对智能天线的性能有着直接的影响。 阵列形状：根据天线阵元之间的几何关系,阵列形状大致可以划分为：线阵,面阵，圆阵等，甚至还可以组成三角阵，不规则阵和随机阵等。 模数转换智能体现：天线波束在一定范围内能够根据用户的需要和天线传播环境的改变而自适应的进行调整，它主要有两个部分组成:a 以数字信号处理器和自适应算法为核心的自适应数字信号处理器，用来产生自适应的最优权值系数。b 以动态自适应加权网络构成的自适应波束形成网络。阵列形状对智能天线的性能有着直接的影响。在移动通信应用中天线阵多采用均匀直线阵或均匀圆阵。因为直线
5、阵已经被证明更适合于市区移动通信环境，本文的讨论以直线阵为例。根据经验天线阵元数越多,系统增益就越高；但另一方面阵元数的增加会使射频通道相应增加，会导致基站成本上升过大，所以智能天线的天线数不能过大.阵元间距一般为半个波长，因为如果阵元间距过大，接收的信号彼此相关程度会降低；间距过小，会在天线的方向图上形成不必要的栅瓣（有较大甚至和主瓣高度相同的旁瓣）。波束形成网络部分主要完成数模转换和天线方向图的自适应调整。每个天线阵元上都有AD和C，将接收到的模拟信号转换为数字信号，将待发射的数字信号转换为模拟信号,完成模拟信号和数字信号的相互转换。所有收发数字信号都通过一组高速数字总线和基带数字信号处理
6、器连接。天线方向图的调整是根据控制部分得到的权值调节天线输出来实现的。控制部分(即算法部分）是智能天线系统的核心部分,其功能是依据信号环境，按照某种性能度量准则和自适应算法，选择或计算权值。智能天线系统是由上面三部分组成的一个自适应控制系统，它根据一定的自适应算法自动调准天线阵方向图，使它在干扰方向形成零陷或低陷,在信号到达方向形成主瓣，从而达到加强有用信号，抑制干扰信号的目的。以上介绍了智能天线的基本结构、原理。在实际中智能天线的工作原理更复杂，并且每一部分的实现和结构往往根据所应用的系统不同而略有不同。(）智能天线常用的性能度量准则从智能天线的实现原理可以看出，智能天线的智能主要体现在天线
7、能根据不同方向的用户自适应地形成不同的权值，以使天线的性能达到最优。最优权值的形成是由所选择的性能度量准则来确定的，智能天线可以有不同的性能度量准则。这些准则的选取除了与所选择的自适应算法有关外,不同的性能准则适合于不同接收环境，不同的性能度量准则对应求解的计算量和系统实现复杂度也不一样。通用的自适应波束形成系统如图。 图 通用的自适应波束形成系统框图权向量的选择基于阵列接收信号的统计特征。基本上是按预先设定的准则，来优化波束形成器，使阵列输出y(）包含的来自噪声和干扰的分量最小。常用的度量准则有:最小均方误差准则(MMSE）MMSE准则是一种得以广泛应用的优化准则,用于信号检测、系统参数辨识
8、和多用户检测等领域。最大信干比准则（I）最大信干比准则选择使信号干扰比最大的权向量。最小方差(MV）准则如果期望信号和其来向均未知,一种最优接收的准则是最小化输出噪声方差。其中每一种最优化准则都有相同的最佳权向量形式，通过适当地推导最佳权向量统一为 Wiener 最优解的形式。这个解即为自适应波束形成器稳态时性能所能达到的理论极限。智能天线实现的实际考虑 智能天线为了实现其改善系统性能的目标，必须在动态环境下对许多时变参数进行估计和最优化。诸如动态切换、动态信道分配、覆盖一族 MS 的波束动态成形.同道干扰,动态零陷,以及为形成波束而获取期望 S 的先验知识都需要复杂的控制结构。并且这些系统参
9、数的更新耗费的时间也是必须考虑的问题。例如,系统要求实时更新处于快速移动中的 MS 的位置信息,而响应时间却受到方向角估计，跟踪方案以及收敛至满足水平的波束形成算法所需时间的限制。尽管可以通过算法的并行来实现增强信号处理能力，但同时也增加了系统费用. 系统费用不仅包括实现控制结构所需的硬件费用，还包括有源天线、移相器、高功率放大器以及驱动这些组件的电路所需的费用.这些组件目前大都很昂贵。这正是在移动通信中应用智能天线的不利因素.除了系统费用，另一个关键问题是要找到一种真正快速收敛而性能优良的自适应算法.(3)智能天线中的自适应算法 在智能天线技术中,需要根据不同的用户确定不同的权值以实现对用户
10、的跟踪。这些确定权值的算法统称为智能自适应算法，它是智能天线技术的核心。自适应算法决定着天线阵的暂态响应速率和实现电路的复杂程度。因此，自适应算法的研究一直是人们关注的焦点。自适应算法的研究取得了很多成就，这些算法按照是否需要参考信号可以分为盲算法和非盲算法两大类。 非盲算法是指需借助参考信号(导频序列或导频信道）的算法,此时接收端知道发送的是什么,进行算法处理时要么先确定信道响应再按一定准则（比如最优的迫零准则）确定各加权值,要么直接按一定的准则确定或逐渐调整权值,以使智能天线输出与已知输入最大相关,常用的准则有 MSE(最小均方误差）、LM（最小均方）等。在这类算法中参考信号的获取是关键，
11、参考信号与所需信号的相关性越好，智能天线阵列的性能就越好，但是在移动通信中参考信号的获取不是一件容易的事。 盲算法则无需发送端传送己知的导频信号,接收端自己估计发送的信号并以此为参考信号进行处理,但需注意的是应确保估计信号与实际传送的信号间有较小差错。盲算法利用调制信号本身固有的、与具体承载信息无关的一些特性调整权值使输出满足这些特性，典型算法如恒模算法（CMA）、有限符号集算法（FniteAlpabetlgorith）、循环平稳算法(Ccle-staoanyAlorohm)、基于来波方向（DA)估计的算法.目前，盲自适应算法普遍存在的问题是算法的计算量大、收敛速度慢，无法捕获和跟踪用户的移动
12、，因此设法减少算法的计算量、提高算法速度对于盲自适应算法至关重要。 从前面的分析可以看到,最佳权准则之间是彼此相关的，因此，从所能达到的性能的角度来看，选择哪一个最优化准则并不重要。但是，自适应算法的选择则是至关重要的，因为它决定了权收敛的速度和硬件的复杂度。智能天线有许多不同的算法来确定权值，比如最小均方算法（MS)、最小二乘算法（LS）、直接求逆算法(DMI）等。本文主要介绍一种广泛的自适应最优化算法-最小均方算法（LMS).二：自适应滤波器：LMS算法基本概念：（1） 最小均方算法(M） 最小均方算法是一种应用最为广泛的自适应最优化算法，它基于最陡下降算法,通过递归更新权向量，达到其误差
13、性能的顶点(即最优值)。按照最陡下降算法的思想，在时标 n+时的权向量更新值可以通过下面简单的递归关系来计算： 根据M 准则中式中代入上式中展开，对其求的偏导得式中 Rx 是数据向量（k）的自相关矩阵。由上式可以得到 w(n +1）w（) r+Rw(n） （21)实际中,对梯度向量的精确测量是不可能得到的，因为这需要 和 r 的先验知识.一个显而易见的方法是使用其瞬时估计， r 。 (-9） （22）于是权更新如下 （21)式中常量 控制随机权向量 w（n）的收敛特性。 应注意的是最小均方算法是逐个样本更新的算法,当信道环境的统计特征平稳且未知时，逐个样本更新的算法可以很好的工作。图 23是L
14、MS算法的信号流图.图 23 LS 算法的信号流图LMS 算法的缺点是其收敛特性依赖于的特征结构,当特征值分布很开时,其收敛速度较慢。（2） LMS 的原理和流程图:LMS 算法 MS 算法是最简单也是应用最广泛的一种自适应算法。经典LMS算法的主要缺点是收敛速度慢，尤其在输入信号强相关的情况下。这严重地影响了它在某些对收敛速度要求较高的系统中的应用。前人已经在经典 MS算法的基础上作了大量工作，提出了若干加速收敛的改进方法，而每个算法作为其所在领域中典型难点的解决方案，本身代表了该领域进展的历史性成就。下面介绍 S 算法的若干重要特性,并对收敛速度进行重点分析。 MS 的原理和流程图 LS 算法使用随机梯度下降的方法实现现代化代价函数最小化,具体的说，每次迭代时权矢量沿着误差性能曲面的梯度估值的负方向按一定比例更新.由式（3)可得梯度的真值: （33）式中用到了自相关矩阵 和互相关向量 ，而实际上这两个参量只有对输入信号和期望响应的统计特性进行估计才能得到。为了减小计算复杂度，索性用瞬时平方误差的梯度作为均方误差梯度的估值容易证明，所以用式（-1)估计式（3-11）是无偏的。根据式（312)，权矢量可以用一个简单的叠代式来更新其中 表示叠代步长,这就是MS,可见它非常简单，只有一个参数 ,因而必须选择合适的 否则算法的收敛性可能得不到保证。LMS
