CN101145819B - 一种实现智能天线的方法和装置 - Google Patents

Abstract

本发明涉及一种实现智能天线的方法及装置，该方法中，对信号子空间的求解没有使用信号相关矩阵的特征分解，而是使用了一种更容易实现的方法，将信号导引向量进行正交化得到信号子空间；然后利用权向量的求解式得到本方法的权向量，本发明方法具有实现方便，使用灵活，并且采用了新的算法，具有性能更好、不受输入信号强度的影响等优点。

Description

一种实现智能天线的方法和装置

技术领域

本发明涉及一种实现智能天线的方法和装置，主要涉及到通信、雷达、广播等领域，尤其是通信领域。

背景技术

随着无线通信的迅猛发展，出现了很多新技术，智能天线技术就是其中之一。智能天线是在自适应滤波和阵列信号处理技术基础上发展起来的跨学科新技术，它给移动通信系统带来的独特优势是其他任何技术所不能代替的。

各国学者在上个世纪六十年代就开始了对智能天线算法的研究，提出了很多智能天线算法，如：LMS算法、SMI算法、正交投影算法、特征空间算法、恒模算法等，都是用于实现智能天线的算法，但是它们各自都存在如下一些问题：

1、算法计算量小，但是性能差，收敛很慢。比如LMS算法。

2、算法计性能好，但是计算量很大，硬件实现时具有很大困难。比如SMI算法、正交投影算法、特征空间算法。

3、算法具有很好的性能，但是在有些条件下得到的性能很差，比如干扰信号不弱，或者期望信号太强。

发明内容

本发明的目的在于提供一种实现智能天线的方法，其包括以下步骤：步骤(1)通过期望信号和干扰信号的到达角得到各信号的导引矩阵A；步骤(2)将步骤(1)中的矩阵A按照列进行正交化得到信号子空间Q_s；步骤(3)根据期望用户数确定常向量f；步骤(4)将步骤(1)中的A、步骤(2)中的Q_s以及步骤(3)中的常向量f代入权向量的求解式得到智能天线的权向量；步骤(5)使用步骤(4)中求得的权向量对阵列天线接收到的信号进行加权以得到输出信号。

使用本发明方法可以有效抑制干扰和噪声，更好地提高输出信号的信噪比。本发明方法具有实现方便、使用灵活，并且采用了新的算法，具有性能更好、不受输入信号的强度的影响等优点。

本发明的目的还在于提供一种实现智能天线的装置，其包括：通过期望信号和干扰信号的到达角得到各信号的导引矩阵A的装置；将矩阵A按照列进行正交化得到信号子空间Q_s的装置；根据期望用户数确定常向量f的装置；将矩阵A、Q_s以及常向量f代入权向量的求解式得到智能天线的权向量的装置；使用求得的权向量对阵列天线接收到的信号进行加权以得到输出信号的装置。

附图说明

图1为本发明智能天线实现方法的流程图。

具体实施方式

本发明提供的一种在计算量和性能方面有一定优势的新方法，特别表现在性能方面，是实现智能天线的一种新方法。

本发明的智能天线实现方法是：直接从信号到达天线阵的到达角出发，得到本方法中的信号导引向量；接着求得信号子空间，本实现方法中，对信号子空间的求解没有使用信号相关矩阵的特征分解，而是使用了一种更容易实现的方法——将信号导引向量进行正交化得到信号子空间；然后利用权向量的求解式得到本方法的权向量，这是一种新的权向量求解方法；最后使用它对输入信号进行加权，得到输出信号，达到对消干扰信号、抑制噪声，提取期望信号的目的，即首先根据多约束LCMV算法得到一个初期的权向量，然后将这个权向量投影到信号子空间得到新方法的权向量。

本方法具体的推导过程如下：

对于一个M阵元的均匀直线阵，假设期望信号到达角为θ_d，另外有p个干扰信号分别由角度θ₁，…，θ_p入射到天线阵列，各阵元的噪声是相互独立的等功率白噪声，并且与干扰信号无关。则在每个快拍，阵列接收信号为：

X(n)＝AS(n)+N(n)    (1)

其中：A＝

a(θ_d)，a(θ₁)，…，a(θ_p)

为M×(P+1)的矩阵，a(θ_i)是干扰信号的导引向量，为M×1的矩阵，a(θ_d)是期望信号导引向量，为M×1的矩阵，S(n)＝

s_d(n)，s₁(n)，…，s_p(n)

，s_d(n)和s_i(n)，i＝1…p为期望和干扰信号的基带信号。N(n)为白噪声信号。

阵列接收信号X(n)的协方差矩阵为：

R＝E[X(n)X^H(n)]＝AR_ssA^H+o²I    (2)

其中：E[·]为数学期望，R_ss＝E

S(n)S^H(n)

是阵列接收信号的相关矩阵，为M×M的矩阵，σ²为噪声功率，I为单位矩阵，H为共轭转秩。

实际中信号相关矩阵的理论结果是无法得到的，一般采用信号的有限快拍数据估计得到。对于K快拍数据，根据最大似然定理，可以得到R的最佳估计为：

$R=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}X\left(i\right)X^H\left(i\right)---\left(3\right)$

其中：X(i)为阵列的接收信号(如：式(1))

对(3)进行特征分解可以得到：

$R=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{u}_i{u}_i^H---\left(4\right)$

式中：λ_i为天线阵列接收到的信号相关矩阵的特征值，并且由大到小排列，u_i为与特征值λ_i对应的特征向量，M为阵列的天线数。

那么Q_s＝

u₁，u2…，u_p

、Q_n＝

u_1+p，u_2+p…，u_M

的列向量分别组成信号子空间与噪声子空间。

$R^{-1}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^{-1}{u}_i{u}_i^H=\underset{i=1}{\overset{p+1}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^{-1}{u}_i{u}_i^H+\underset{i=p+2}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\σ}}^{-2}{u}_i{u}_i^H=Q_s{\mathrm{\Λ}}_s^{-1}{Q}_s^H+Q_n{\mathrm{\Λ}}_n^{-1}{Q}_n^H---\left(5\right)$

式中：Q_s为信号特征向量组成的矩阵，Q_n为噪声特征向量组成的矩阵，每个符号右上角的-1表示对应矩阵的逆。

Λ_s＝Diag[λ₁，…，λ_p+1]    (6)

Λ_n＝Diag[λ_p+2，…，λ_M]＝σ²I_M-p-1    (7)

在以上说明的背景下运用LCMV准则

$\left\{\begin{array}{c}\mathrm{Min}{P}_{\mathrm{out}}=E\left\{{\left|y\left(n\right)\right|}^2\right\}\\ s.t.w^{H}A=f\end{array}\right.---\left(8\right)$

其中：y(n)＝w^H(n)X(n)为阵列接收信号X(n)的加权输出信号，w为M×1的加权系数矩阵，P_out为输出信号y(n)的功率，A为导引向量矩阵，见式(1)，f＝[1 0…0]为1×(p+1)的向量，

利用拉格朗日函数得到

W_c＝R^-1A(A^HR^-1A)^-1f    (9)

W_c为求解(8)式得到的权向量。

将W_c投影到信号子空间得到

$W_{\mathrm{opt}}=Q_s{Q}_s^H{R}^{-1}A{\left(A^H{R}^{-1}A\right)}^{-1}f---\left(10\right)$

W_opt为投影W_c得到的权向量，为新方法的加权向量。

由(5)以及信号子空间和噪声子空间的正交性得到

$W_{\mathrm{opt}}=Q_s{Q}_s^H(Q_s{\mathrm{\Λ}}_s^{-1}{Q}_s^H+Q_n{\mathrm{\Λ}}_n^{-1}{Q}_n^H)A{\left(A^H(Q_s{\mathrm{\Λ}}_s^{-1}{Q}_s^H+Q_n{\mathrm{\Λ}}_n^{-1}{Q}_n^H)A\right)}^{-1}f$

$=Q_s{\mathrm{\Λ}}_s^{-1}{Q}_s^{H}A{\left(A^H{Q}_s{\mathrm{\Λ}}_s^{-1}{Q}_s^{H}A\right)}^{-1}f$

$=Q_s{\mathrm{\Λ}}_s^{-1}{Q}_s^{H}A{\left(Q_s^{H}A\right)}^{-1}{\left({\mathrm{\Λ}}_s^{-1}\right)}^{-1}{\left(A^H{Q}_s\right)}^{-1}f---\left(11\right)$

$=Q_s{\left(A^H{Q}_s\right)}^{-1}f$

上述是在单期望用户的情况下对算法进行了推导，推导的结果也可以用于多用户的情况：上式中，如果存在N个期望用户，则相应的

其为1×(p+1)的向量。f中的1对应于相应的期望信号，与A中导引信号向量一一相对应。

然后将天线阵列接收到的信号X(n)使用权向量W_opt进行加权就可以得到输出信号

$y\left(n\right)=w_{\mathrm{opt}}^H\left(n\right)X\left(n\right)---\left(12\right)$

通过使用上面的权向量W_opt就可以将阵列接收到的信号X(n)中的干扰信号抵消，同时也可以对噪声信号进行一定的衰减，得到比较理想的期望信号。也就是完成了智能天线的空域滤波功能。

本方法相比其他算法有如下特点或优点：

1、本发明的方法不受输入信号的影响，只与信号到达天线的角度有关，不管信号的功率多大，都不会影响本发明方法对干扰的抑制。

2、本发明方法在一定程度上可以减小计算量，特别是在天线阵元数很大，到达天线信号数很小时很明显。

3、本发明方法具有很好性能。主要表现为：本方法具有很好旁瓣性能以及很深的零点，一般零点深度在-300多dB，而其他的算法一般在-100dB左右，说明本方法具有很强的抑制干扰的能力。

4、根据不同的f可以同时得到多个输入信号。如：f为1×(p+1)的向量，当f中有N个1时，那么就可以得到每个与1的位置相对应的到达角的信号。

图1示出了根据本发明的智能天线实现方法的流程图；

步骤1：得到各信号的到达角。到达角的获得一般是通过DOA估计算法得到，这是本算法的前提，本方法假设信号的到达角已知。

步骤2：求得各信号的导引矩阵。通过步骤1的方向角得到信号的导引矩阵，如式(1)中的A。

步骤3：求信号子空间Q_s。将步骤2中的矩阵A按照列进行正交化就可以得到信号子空间，如式(5)中的Q_s。

步骤4：确定常向量f。根据智能天线需要得到的信号数(不同信号具有不同的到达角)，将向量f对应位置变成1。

步骤5：求最佳权值。将步骤2中的A、步骤3中的Q_s以及步骤4中的常向量f代入权向量的求解式(见式(11))。即可得到本智能天线实现方法的权值，也是本智能天线实现方法的核心。

步骤6：得到阵列接收信号。从阵列天线的输出端得到阵列天线的接收信号。

步骤7：求得输出信号。由步骤5中权值和步骤6中的接收信号根据式(12)得到智能天线的输出信号，也就是期望信号。

Claims (2)

1.一种实现智能天线的方法，其特征在于包括以下步骤：

步骤(1)通过期望信号和干扰信号的到达角得到各信号的导引矩阵A，天线阵列接收到的信号X(n)＝AS(n)+N(n)，

s_d(n)和s_i(n)，i＝1…p为期望信号和干扰信号的基带信号，N(n)为白噪声信号，导引矩阵

为M×(P+1)的矩阵，其中θ_d为期望信号到达角，θ₁，…，θ_p为p个干扰信号的到达角，a(θ_i)是干扰信号的导引向量，i＝1…p，为M×1的矩阵，a(θ_d)是期望信号导引向量，为M×1的矩阵，其中M为阵元数；

步骤(2)将步骤(1)中的导引矩阵A按照列进行正交化得到信号子空间Q_s；

步骤(3)根据期望用户数确定常向量f，如果存在N个期望用户，常向量

其为1×(p+1)的向量，其中p为干扰信号的数量，常向量f中的1对应于相应的期望信号，与导引矩阵A中导引信号向量一一相对应；

步骤(4)将步骤(1)中的导引矩阵A、步骤(2)中的信号子空间Q_s以及步骤(3)中的常向量f代入权向量的求解式得到智能天线的权向量，该权向量的求解式为：W_opt＝Q_s(A^HQ_s)^-1f，其中W_opt为智能天线的权向量，H为共轭转秩；

步骤(5)使用步骤(4)中求得的权向量对阵列天线接收到的信号进行加权以得到输出信号。

2.一种实现智能天线的装置，其特征在于包括：

通过期望信号和干扰信号的到达角得到各信号的导引矩阵A的装置，天线阵列接收到的信号X(n)＝AS(n)+N(n)，

s_d(n)和s_i(n)，i＝1…p为期望信号和干扰信号的基带信号，N(n)为白噪声信号，导引矩阵

为M×(p+1)的矩阵，其中θ_d为期望信号到达角，θ₁，…，θ_p为p个干扰信号的到达角，a(θ_i)是干扰信号的导引向量，i＝1…p，为M×1的矩阵，a(θ_d)是期望信号导引向量，为M×1的矩阵，其中M为阵元数；

将导引矩阵A按照列进行正交化得到信号子空间Q_s的装置；

根据期望用户数确定常向量f的装置，如果存在N个期望用户，常向量

其为1×(p+1)的向量，其中p为干扰信号的数量，常向量f中的1对应于相应的期望信号，与导引矩阵A中导引信号向量一一相对应；

将导引矩阵A、信号子空间Q_s以及常向量f代入权向量的求解式得到智能天线的权向量的装置，该权向量的求解式为：W_opt＝Q_s(A^HQ_s)^-1f，其中W_opt为智能天线的权向量，H为共轭转秩；

使用求得的权向量对阵列天线接收到的信号进行加权以得到输出信号的装置。