CN101132213A - 一种tdd系统对基站上行干扰的抵消方法 - Google Patents

Abstract

本发明提供了一种TDD系统中远距离基站下行信号对基站上行信号干扰的抵消方法，用于智能天线系统中，利用信号和干扰的空间特征来进行干扰抵消，该方法包括：基站通过第n帧或第n帧及第n帧之前的若干帧的接入试探序列时隙的空时采样信号，获得干扰子空间和噪声子空间；同时，对第n帧及第n帧之前的若干帧的上行业务时隙信号进行干扰深度的检测，以获得受干扰的符号；以及，对第n帧或第n+1帧及其之后的若干帧中受干扰的符号进行干扰零陷，获得干扰抵消后的信号。本发明利用了前后帧接入试探序列空间的不相关性等特点实现了TDD系统下基站上行干扰的抵消，能提高干扰空间特征的估计精度和减小复杂度。

Description

一种TDD系统对基站上行干扰的抵消方法

技术领域

本发明涉及一种移动通信系统TDD模式下对基站上行干扰的抵消方法，特别是涉及到具有智能天线系统中远距离基站下行信号对基站上行干扰的抵消方法。

背景技术

TDD时分双工是通信系统中较多采用的双工方式。在环境复杂的通信系统中，反向链路上较前时间段的位置往往会受到干扰。特别是，当在某些特殊的传播条件下(如出现大气波导时)，大气折射率的变化可以使无线电波在空中以超出其正常覆盖距离的远距离进行低衰耗的传播，其效果是本系统内其它远距离的基站的前向链路信号经过传输时延进入了本基站的反向时隙，典型情况就是干扰反向链路的前几个符号，其信号强度一般都强于正常的反向链路信号。以SCDMA和TD-SCDMA为例，反向链路的前几个符号为接入试探序列，因此前几个符号的干扰严重影响用户的接入。

在采用了智能天线的系统中，利用信号和干扰的空间特征来进行干扰抵消是很常用的方法。主要算法有基于最小均方误差(MMSE)准则、最大信噪比准则、最大似然准则和最小噪声方差准则的最优权向量算法，另外还有基于最小均方(LMS)、递推最小二乘(RLS)的自适应算法。这几种算法都需要有用户信号的先验知识，在很多系统中，这种先验知识通过终端发送的训练序列而获得。但这种先验知识在上节所描述的大多数干扰系统中都无法得到。

还有一种干扰抵消的算法为智能天线的干扰零陷方法，零陷算法需要知道干扰的空间特征。干扰的空间特征可以利用特殊的符号获得，一种很典型的做法就是在信号中插入空符号而获得，TD-SCDMA系统中可以利用空的Preamble导频窗来估计，而SCDMA系统中可以利用一个码道来估计，但这几种特殊的信号结构都无法估计前面所描述的干扰。而且由于系统设计时都没有考虑到这种干扰，因此一般系统中都没有用来估计这种干扰的专用符号。还有一种获取干扰空间特征的方法就是盲估计，一般盲估计存在两个缺点，一是复杂度太高，然后就是需要足够多的干扰信号来求它的统计量。

发明内容

为了解决上述问题，本发明提供了一种TDD系统远距离基站下行信号对基站上行信号干扰的抵消方法，用于智能天线系统中，利用信号和干扰的空间特征来进行干扰抵消，所述方法主要包括：

A.基站通过第n帧或第n帧及第n帧之前的若干帧的接入试探序列时隙的空时采样信号，获得干扰子空间和噪声子空间；同时，对第n帧及第n帧之前的若干帧的上行业务时隙信号进行干扰深度ti的检测，以获得受干扰的符号；以及

B.对第n帧或第n+1帧及其之后的若干帧中所述受干扰的符号进行干扰零陷，获得干扰抵消后的信号；

其中，n是≥1的正整数。

优选地，所述的步骤A进一步包括：

A1.基站为当前第n帧求得接入试探序列时隙的干扰和用户信号空间矩阵R_xx。

$R_{\mathrm{xx}}=\frac{1}{N_x}\underset{i=1}{\overset{N_x}{\mathrm{\Σ}}}{x}_i*x_i^H$

其中，x_i表示第i组空间采样信号，x_i为N_r×1维向量，N_r表示天线阵元数；

A2.滤除接入试探序列的空间特征，获得干扰的空间矩阵

优选地，所述的步骤A2，可以通过对第n帧或第n帧及第n帧之前的若干帧的R_xx在T1时间周期内求算术平均或对每帧的R_xx求滑动平均，滤除接入试探序列的空间特征。

A3.利用

获得干扰子空间S_l和噪声子空间S_n0；

优选地，所述的步骤A3，进一步包括：

对

进行特征值分解；

${\stackrel{\‾}{R}}_{\mathrm{xx}}^n=U^H\mathrm{AU}$

其中，A为矩阵

的特征值为对角的对角矩阵，U为对应特征值的特征向量构成的矩阵；

根据独立干扰源的个数N_l，将N_l个较大特征值对应的特征向量构成的子空间作为干扰子空间，将N_r-N_l个较小特征值对应的特征向量构成的子空间作为噪声子空间，由此，获得干扰子空间矩阵S_l和/或噪声子空间矩阵S_n0；

其中，S_l为U矩阵的前N_l列，而S_n0为U矩阵的后N_r-N_l列。

若用上标n表示帧数，则R_xx ⁿ表示第n帧的接入试探序列时隙的干扰和用户信号空间矩阵。

优选地，所述的步骤A还可以包括：

A1.对所述的第n帧的接入试探序列时隙的空时采样信号进行判断；

当所述时隙包含用户接入试探序列时，如果本帧内还有前一帧保留下来的干扰子空间，则将此干扰子空间作为有效干扰子空间；否则，进入步骤A2；

当所述时隙不包含用户接入试探序列时，进入步骤A3；

A2.把整个试探序列时隙分成N_l段，每段估计一个特征向量，将N_l个特征向量确定一个N_l维的干扰子空间，并作为有效的干扰子空间；

其中，N_l(N_l≥1)为独立干扰源的个数；所述的每个特征向量都是N_l的线性组合；

A3.把提取出的空时采样信号分成N_l段，分别获取空间特征向量；

A4.对N_l个空间特征向量两两求相关，若有至少一个相关值大于设定好的门限值，则用前一帧的对应向量替代相关值大于门限的向量，并将N_l个特征向量构成有效的干扰子空间；

优选地，所述的步骤B进一步包括：

B1.将受干扰的空时采样信号映射到所述的噪声子空间；其算法为，

$y1=S_{\mathrm{no}}^{H}y0$

其中，y0是需要处理的空时采样信号，为N_r×N_l维矩阵，N_r为天线阵元数，N_t为时域采样点，y1为干扰抵消后的空时采样信号，为(N_r-N_l)×N_t维矩阵；

B2.对y1求N_r-N_l维的空间特征矢量ww后，获得干扰抵消后的多路信号y2；

y2＝ww^Hy1

y2为1×N_t维信号。

优选地，所述的步骤B进一步包括：

B1′.获取用户信号的空间特征ww0；

B2′.根据ww0和所述的干扰子空间的补空间获得零陷后的用户的信号空间特征ww1，进一步获得干扰抵消后的多路合成信号y3；

$\mathrm{ww}1=(I_{N_r}-S_I{\left(S_I^H{S}_I\right)}^{-1}{S}_I^H)\mathrm{ww}0$

y3＝ww1^Hy0

其中，I_N为N_r维的单位矩阵，ww0和ww1都为N_r维空间特征矢量。

优选地，所述的ww0可采用未受干扰的用户数据获得。

优选地，所述的ww0可采用受干扰的用户数据求ww0，若采用受干扰的用户数据求ww0，当干扰太大时可以用全向的矢量来替代ww0。

优选地，所述的ww0还可以通过以下步骤获得：

d.获取需要处理的空时采样信号中的少部分样点ys0；

e.将ys0映射到干扰子空间的补空间；

$\mathrm{ys}1=(I_{N_r}-S_I{\left(S_I^H{S}_I\right)}^{-1}{S}^H)\mathrm{ys}0---\left(9\right)$

其中，ys1为经过零陷后的N_r维空间信号；

f.通过ys1获得ww0。

本发明利用了一种半盲估计算法实现干扰空间特征的特点，并利用其干扰的空间特征在短时间内基本不变、在很多帧上行信号的接入试探序列基本上空间不相关、大多数帧在接入试探序列所在的时隙不存在用户信号的特点实现了TDD系统下基站上行干扰的抵消，能大大提高干扰空间特征的估计精度，并且大大减小复杂度。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的描述。

图1基于特征值分解的干扰零陷框图；

图2一种干扰子空间的获取流程图；

图3传输延迟增加造成TDD下行-上行干扰深度ti示意图

图4SCDMA中接入试探序列时隙的位置；

图5TD-SCDMA中接入试探序列时隙的位置；

具体实施方式

下面参照附图，详细说明本发明的实施方式及在SCDMA、TD-SCDMA系统中的具体实现。

本发明获得干扰子空间和噪声子空间的一个实施方式如下所述：

首先，根据基站在接入试探序列时隙的一倍采样或过采样信号求空间相关矩阵R_xx

$R_{\mathrm{xx}}=\frac{1}{N_x}\underset{i=1}{\overset{N_x}{\mathrm{\Σ}}}{x}_i*x_i^H---\left(1\right)$

其中x_i表示第i组空间采样信号，x_i为N_r×1维向量，N_r表示天线阵元数。R_xx为当前帧求得的接入试探序列时隙干扰和用户信号空间矩阵。用上标n表示帧数，则R_xx ⁿ表示第n帧的接入试探序列时隙干扰和用户信号空间矩阵。R_xx ⁿ中既包含干扰的空间特征又包含用户发送的接入试探序列的空间特征，为了提取干扰的空间特征，需要滤除接入试探序列的空间特征，因为干扰是慢变化的，因此帧间的干扰空间特征基本上是相干的，而不同的帧的接入试探序列发自不同的用户终端，因此帧间的接入试探序列的空间特征基本上不相关，因此在T1(T1至少为一帧持续的时间间隔)时间周期内，对R_xx ⁿ取多帧的平均就可以基本滤除接入试探序列的空间特征。

${\stackrel{\‾}{R}}_{\mathrm{xx}}^n=\frac{1}{N_f}\underset{i=1}{\overset{N_f}{\mathrm{\Σ}}}{R}_{\mathrm{xx}}^{n-i+1}---\left(2\right)$

(2)式求平均需要储存N_f个相关矩阵，为了减小需要的储存空间，N_f应该尽量小，而为了滤除用户接入试探序列的空间特征，N_f应该尽量大，同时为了确定N_f，还应该考虑干扰的变化情况，当干扰变化快，N_f的取值小，当干扰变化慢，N_f的取值根据计算的杂度进行确定，因此N_f的确定应该是这几方面的折中。当N_f＝1时，蜕变为不求平均。

为了减小储存量也可以采用(3)式来求平均

${\stackrel{\‾}{R}}_{\mathrm{xx}}^n=\mathrm{\α}\×\left(R_{\mathrm{xx}}^n\right)+(1-\mathrm{\α})\×{\stackrel{\‾}{R}}_{\mathrm{xx}}^{n-1}---\left(3\right)$

(3)式求平均实际上采用的是跌代的方法，这种方法只需要储存上一帧求出的平均相关矩阵和当前帧求出的空间相关矩阵。其中0＜α≤1，α可以根据干扰的变化情况来确定，变化越快，α应该越大，当α＝1时，(3)式蜕变为不求平均。

当在第n帧求得

后，可以把用做第n+1帧以及第n+1帧以后的若干帧的干扰空间矩阵。

求得

以后，对进行特征值分解，

${\stackrel{\‾}{R}}_{\mathrm{xx}}^n=U^H\mathrm{AU}---\left(4\right)$

其中A为矩阵的特征值为对角的对角矩阵，U为对应特征值的特征向量构成的矩阵。矩阵包含较大特征值的个数对应的是干扰源的个数，较小特征值是由噪声产生的，设有N_l个独立干扰源，则

中有N_l个较大的特征值，有N_r-N_l较小特征值，N_l个较大特征值对应的特征向量构成的子空间为干扰子空间，而N_r-N_l个较小特征值对应的特征向量构成的子空间为噪声子空间，用S_l表示干扰子空间对应的矩阵，S_n0表示噪声子空间对应的矩阵，则S_l为U矩阵的前N_l列，而S_n0为U矩阵的后N_r-N_l列。

利用

求出的干扰子空间S_l和噪声子空间S_n0可用于第n+1帧以及第n+1帧以后的若干帧的干扰零陷。

为了实现本发明的干扰零陷，在T1时间周期内获得第n帧及第n帧之前的若干帧的干扰子空间和噪声子空间的同时，需要在T2(T2至少为一帧持续的时间间隔)时间周期内对第n帧的业务时隙信号进行干扰深度的检测，如图3即为需要检测的干扰深度ti的示意图，图中存在两个基站的发射信号是严格同步的。由于存在传输延迟，在B基站天线处测量，A基站的信号相对B基站有一个滞后，其时间为t＝D/c，其中D为两个基站的距离c为光速。由于基站设有保护时隙，因此如果滞后时间t比较小不会对系统造成影响。

如果t足够大，造成基站A的发射信号时隙进入基站B的接收时隙，如图3所示，则会造成严重的同频干扰。如果传输时延t大于TDD保护时隙时，基站A的下行发送信号在基站B的天线口与基站B的上行接收时隙在时间上重合ti时段，造成该时段内的接收信号受到基站A的干扰。同理，基站A也会受到基站B的干扰。此外，本文描述的上行干扰一般只存在上行链路的前面若干个符号，典型的受干扰符号包括整个接入试探序列时隙和接入试探序列时隙后的前几个符号，如果要对接入试探序列时隙后面的信号进行干扰零陷抵消干扰，则只需要对受干扰的符号进行干扰零陷抵消。因此本发明的干扰零陷方法需要有干扰深度ti的信息，由此获得每帧上行信号受干扰的符号数。这个符号数可以由上层提供，也可以在物理层通过特定的干扰深度的检测来提供。如果由上层提供，上层可以由特定的检测方法检测得到，因此在本发明中需要通过干扰深度检测来提供需要采用干扰零陷抵消的符号数，因为前面描述的干扰一般强度比较大，因此检测干扰的长度的典型的方法就是检测基站接收到的信号强度，当然这儿不排除采用其它的检测方法。

此时，通过T2时间周期内在第n帧及第n帧之前的若干帧内获得的ti，可用于第n+1帧以及第n+1帧以后的若干帧的干扰零陷。

下面描述干扰零陷过程的实施方式：

假设y0是需要处理的空时采样信号，为N_r×N_l维矩阵，其中N_r为天线阵元数，N_l为时域采样点，时域采样可以为一倍采样，也可以为过采样。首先把受干扰的空时采样信号映射到噪声子空间：

$y1=S_{\mathrm{no}}^{H}y0---\left(5\right)$

其中，y1为干扰抵消以后的空时采样信号，为(N_r-N_l)×N_t维矩阵，y1可以当做未受干扰的N_r-N_l维空间信号进行处理，对y1求N_r-N_l维的空间特征矢量，假设求得的N_r-N_l维空间特征矢量为ww，则合并后的信号为

y2ww^Hy1(6)

y2为干扰抵消以后的多路信号的合成，为1×N_t维信号。(5)(6)式的零陷算法能得到非常好的性能，但复杂度太高。

另外一种简化的算法为：先求用户信号的空间特征，假设为ww0，根据ww0和干扰子空间的补空间可求得零陷后的用户的信号空间特征ww1，

$\mathrm{ww}1=(I_{N_r}-S_I{\left(S_I^H{S}_I\right)}^{-1}{S}_I^H)\mathrm{ww}0---\left(7\right)$

其中，I_Nr为N_r维的单位矩阵，ww0和ww1都为N_r维空间特征矢量，可得干扰抵消以后的多路合成信号为

y3＝ww1^Hy0(8)

ww0可采用未受干扰的用户数据来求，因为前文描述的干扰只干扰上行帧的前几个符号，因此用未受干扰的用户数据求ww0是可行的。当不能采用未受干扰的用户数据求ww0时，可以采用受干扰的用户数据求ww0，此时如果干扰太大则性能下降较大，干扰太大时可以用全向的矢量来替代ww0。当不能采用未受干扰的用户数据求ww0，同时干扰强度又较大时，不管采用受干扰的用户数据求ww0还是把全向矢量替代ww0，系统的性能都会有较大的下降。下面介绍一种既可以降低用(5)、(6)式的复杂度，同时又不会降低系统性能的零陷算法。

取y0中的少部分样点ys0，把ys0映射到干扰子空间的补空间，

$\mathrm{ys}1=(I_{N_r}-S_I{\left(S_I^H{S}_I\right)}^{-1}{S}^H)\mathrm{ys}0---\left(9\right)$

映射以后的ys1仍然为N_r维空间信号，对ys1可求得ww0，利用(7)、(8)式即可求得y3

图1为基于特征值分解(SVD)的干扰零陷框图，为了降低复杂度，干扰子空间S_l和噪声子空间S_n0可以多帧更新一次。

本发明的另外一种可以更简单的求取干扰子空间的方法如下：

上面描述的基于SVD分解求干扰子空间的方法利用了干扰慢变化的特性，因此可以大大降低复杂度，但总的来说，复杂度依然较高，本发明提出的另外一种干扰子空间的方法能比上面描述的方法复杂度更低。

我们知道接入试探序列时隙的使用率比较低，即大多数情况下接入试探序列时隙并没有上行用户数据，此时就可以直接利用接入试探序列时隙的采样信号求干扰空间特征。如果我们只需要估计单点干扰，则可以利用整个试探序列接入时隙内的全部或部分采样信号估计干扰的空间特征。如果需要估计N_l(N_l≥1)个独立干扰源，则可以把整个试探序列时隙分成N_l段，每段估计一个特征向量，每个特征向量都是N_l的线性组合，因此N_l个特征向量可以确定一个N_l维的子空间，这个子空间就是干扰子空间。N_l的确定可以根据接收到的信号的干扰情况动态调整，也可以在实际的网络中，凭网络的具体情况确定。具体获取干扰子空间流程框图如图2所示。

为了具体说明本发明在实际系统中的应用，下面以SCDMA和TDS-CDMA系统为例来详细说明。

图4为SCDMA中接入试探序列时隙的位置，图5为TD-SCDMA中接入试探序列时隙的位置，在SCDMA中可以采用SYNC1时隙的空时采样信号进行干扰空间特征的估计，而在TD-SCDMA系统中，可以采用UpPTS时隙的空时采样信号进行干扰空间特征的估计。估计方法可以采用图1所示的基于特征值分解(SVD)的方法，也可以采用图2所示的简单估计方法。

在SCDMA系统中，最有可能受到前面所描述的干扰影响的是SYNC1时隙和上行VCC、ACC码道的前几个符号，如果需要对SYNC1部分进行干扰抵消，则可以利用(7)、(8)两式，(7)式中的ww0可以为全向的空间向量或当前帧的SYNC1时隙内部分或全部空时采样信号的空间特征向量，也可以为当前帧的SYNC1时隙内的部分信号通过(9)式映射后的信号求得的空间特征向量。如果需要对ACC、VCC受干扰的符号进行干扰抵消，也采用(7)、(8)两式，(7)式中ww0由VCC、ACC码道中未受干扰的部分信号求得。

在TD-SCDMA系统中，最有可能受到干扰影响的是UpPTS时隙和后面时隙中的前几个符号。如果需要对UpPTS部分进行干扰抵消，和SCDMA一样，可以利用(7)、(8)两式，(7)式中的ww0可以为全向的空间向量或当前帧的UpPTS时隙内部分或全部空时采样信号的空间特征向量，也可以为当前帧的UpPTS时隙内的部分信号通过(9)式映射后的信号求得的空间特征向量。如果需要对UpPTS后的受干扰符号进行干扰抵消，如果是时隙的一部分受到干扰，则可以利用(7)、(8)两式，(7)式中的ww0由未受干扰的训练序列或用户信号求得。如果是整个时隙受到干扰，可以利用(7)、(8)两式，(7)式中的ww0可以为全向的空间向量或当前帧的UpPTS时隙内部分或全部空时采样信号的空间特征向量，也可以为当前帧的UpPTS时隙内的部分信号通过(9)式映射后的信号求得的空间特征向量。

不管是对SCDMA系统还是对TDS-CDMA系统，也不管是对哪一部分信号进行干扰抵消，都可以采用(5)、(6)两式直接处理，但复杂度较高。

以上描述的干扰为远距离基站的下行信号对本基站上行链路的干扰，因为基站的位置固定不变的，因此干扰的空间特征在短时间内基本不变，只是由于天气等因素的变化才呈现非常慢的变化，干扰的短时间内基本不变的特征可以在本方法中充分利用。很多系统，例如SCDMA和TDS-CDMA上行的前几个符号为接入试探序列，接入试探序列的一个很重要的特点是同一个用户终端在较长时间内只发送一帧，如果失败，则经过多帧以后再发送，因此存在很多帧上行信号的接入试探序列基本上空间不相关。还有一个很重要的特点就是大多数帧在接入试探序列所在的时隙并不存在用户信号。

本发明的干扰空间特征估计是一种半盲估计算法，本发明充分利用前面描述的干扰和用户信号的特点，能大大提高估计精度，并且大大减小复杂度。

仅是出于进行说明和描述本发明的目的，给出了以上SCDMA系统及TD-SCDMA系统的实例。但是，可以理解，本发明的方法也适用于其他TDD模式下的CDMA移动通信系统。本领域普通技术人员可以在本发明的主旨和范围之内对具体实施方式进行修改而不背离本发明。

Claims (12)

1.一种TDD系统中远距离基站下行信号对基站上行信号干扰的抵消方法，用于智能天线系统中，利用信号和干扰的空间特征来进行干扰抵消，其特征在于，所述方法主要包括：

A.基站通过第n帧或第n帧及第n帧之前的若干帧的接入试探序列时隙的空时采样信号，获得干扰子空间和噪声子空间；同时，对第n帧或第n帧及第n帧之前的若干帧的上行业务时隙信号进行干扰深度ti的检测，以获得受干扰的符号数；以及

B.对第n帧或第n+1帧及其之后的若干帧的每一帧的所述受干扰的符号进行干扰零陷，获得干扰抵消后的信号；

其中，n是大于等于1的正整数。

2.如权利要求1所述的方法，其特征在于，所述的步骤A进一步包括：

A1.基站为当前第n帧求得接入试探序列时隙的干扰和用户信号空间矩阵R_xx

$R_{\mathrm{xx}}=\frac{1}{N_x}\underset{i=1}{\overset{N_x}{\mathrm{\Σ}}}{x}_i*x_i^H$

其中，x_i表示第i组空间采样信号，x_i为N_r×1维向量，N_r表示天线阵元数；

A2.滤除接入试探序列的空间特征，获得干扰的空间矩阵

A3.利用

获得干扰子空间S_l和噪声子空间S_n0；

若用上标n表示帧数，则R_xx ⁿ表示第n帧的接入试探序列时隙的干扰和用户信号空间矩阵。

3.如权利要求2所述的方法，其特征在于，所述的步骤A2，可以通过对第n帧或第n帧及第n帧之前的若干帧的R_xx在T1时间周期内求算术平均或对每帧的R_xx求滑动平均，滤除接入试探序列的空间特征。

4.如权利要求2所述的方法，其特征在于，所述的步骤A3，进一步包括：

对

进行特征值分解；

${\stackrel{\‾}{R}}_{\mathrm{xx}}^n=U^H\mathrm{AU}$

其中，A为矩阵

的特征值为对角的对角矩阵，U为对应特征值的特征向量构成的矩阵；

根据独立干扰源的个数N_l，将N_l个较大特征值对应的特征向量构成的子空间作为干扰子空间，将N_r_N_l个较小特征值对应的特征向量构成的子空间作为噪声子空间，由此，获得干扰子空间矩阵S_l和/或噪声子空间矩阵S_n0；

其中，S_l为U矩阵的前N_l列，而S_n0为U矩阵的后N_r_N_l列。

5.如权利要求1所述的方法，其特征在于，所述的步骤B进一步包括：

B1.将受干扰的空时采样信号映射到所述的噪声子空间；其算法为，

$y1=S_{\mathrm{no}}^{H}y0$

其中，y0是需要处理的空时采样信号，为N_r×N_t维矩阵，N_r为天线阵元数，N_t为时域采样点，y1为干扰抵消后的空时采样信号，为(N_r-N_l)×N_t维矩阵；

B2.对y1求N_r-N_l维的空间特征矢量ww后，获得干扰抵消后的多路信号y2；

y2＝ww^Hy1

y2为1×N_t维信号。

6.如权利要求1所述的方法，其特征在于，所述的步骤B进一步包括：

B1′.获取用户信号的空间特征ww0；

B2′.根据ww0和所述的干扰子空间的补空间获得零陷后的用户的信号空间特征ww1，进一步获得干扰抵消后的多路合成信号y3；

$\mathrm{ww}1=(I_{N_r}-S_l{\left(S_l^H{S}_l\right)}^{-1}{S}_l^H)\mathrm{ww}0$

y3＝ww1^Hy0

其中，I_Nr为N_r维的单位矩阵，ww0和ww1都为N_r维空间特征矢量。

7.如权利要求6所述的方法，其特征在于，所述的ww0可采用未受干扰的用户数据获得。

8.如权利要求6所述的方法，其特征在于，所述的ww0可采用受干扰的用户数据求ww0，若采用受干扰的用户数据求ww0，当干扰太大时可以用全向的矢量来替代ww0。

9.如权利要求6所述的方法，其特征在于，所述的ww0还可以通过以下步骤获得：

a.获取需要处理的空时采样信号中的少部分样点ys0；

b.将ys0映射到干扰子空间的补空间；

$\mathrm{ys}1=(I_{N_r}-S_l{\left(S_l^H{S}_l\right)}^{-1}{S}^H)\mathrm{ys}0---\left(9\right)$

其中，ys1为经过零陷后的N_r维空间信号；

c.通过ys1获得ww0。

10.如权利要求1、5、6、7、8、9之一所述的方法，其特征在于，所述的步骤A，在T2时间周期内，所述的对第n帧或第n帧及第n帧之前的若干帧的上行业务时隙信号进行干扰深度ti的检测，以获得受干扰的符号数，用于第n+1帧以及第n+1帧以后的若干帧的干扰零陷。

11.如权利要求10所述的方法，其特征在于，所述对干扰深度ti的检测可通过检测基站接收到的信号强度来得到。

12.如权利要求1、5、6、7、8、9之一所述的方法，其特征在于，所述的步骤A包括：

A1.对所述的第n帧的接入试探序列时隙的空时采样信号进行判断；

当所述时隙包含用户接入试探序列时，如果本帧内还有前一帧保留下来的干扰子空间，则将此干扰子空间作为有效干扰子空间；否则，进入步骤A2；

当所述时隙不包含用户接入试探序列时，进入步骤A3；

A2.把整个试探序列时隙分成N_l段，每段估计一个特征向量，将N_l个特征向量确定一个N_l维的干扰子空间，并作为有效的干扰子空间；

其中，N_l(N_l≥1)为独立干扰源的个数；所述的每个特征向量都是N_l的线性组合；

A3.把提取出的空时采样信号分成N_l段，分别获取空间特征向量；

A4.对N_l个空间特征向量两两求相关，若有至少一个相关值大于设定好的门限值，则用前一帧的对应向量替代相关值大于门限的向量，并将N_l个特征向量构成有效的干扰子空间。

Images