CN101779426B - 用于使用近似逆矩阵来估计信号参数的信号处理器 - Google Patents

Abstract

一种根据信号估计信息的设备，包括用于接收输入信号的接收机以及电子处理电路。电子处理电路生成与输入信号相关联的矩阵，并且基于矩阵的伴随矩阵以及与矩阵的行列式相关联的缩放因子来确定矩阵的逆的近似。该近似避免了在计算典型的矩阵求逆时的某些情形中可能会遇到可能的数学难题。将近似逆矩阵应用于输入信号以将输入信号变换成输出信号。然后，基于输出信号来确定与输入信号相关联的信息。

Description

用于使用近似逆矩阵来估计信号参数的信号处理器

技术领域

本技术领域为在处理信号时使用逆矩阵的技术应用。非限制性应用包括接收机处理、均衡、接收信号质量确定、自适应波束成形、雷达、声纳等。

背景技术

许多信号处理应用使用基于矩阵的计算。一个示例为无线通信中的信道均衡。使用矩阵的示例均衡技术包括：线性均衡技术，如广义Rake(G-Rake)和码片均衡、频域线性均衡、线性turbo均衡等、包括线性前馈滤波器在内的判决反馈均衡(DFE)、以及例如在GSM/EDGE、WiFi、WiMAX和LTE中使用的一种部分线性均衡形式的前置滤波。除了无线系统，线性均衡技术还被用于有线调制解调器和磁记录。另一矩阵驱动信号处理领域是涉及多个接收天线的天线阵列处理。阵列处理和均衡通常一起执行。

考虑以下取自线性均衡和阵列处理上下文的示例滤波器和权重计算，其是现代信号处理器必须计算的基于矩阵的计算的典型类型。接收到的信号量(如来自不同时延和接收天线的采样)或经前置滤波的量(如Rake组合值)能够被收集形成列向量x。该向量通常能够被建模为

x＝hs+n，

其中，s是待恢复的调制符号，h是考虑了发射机、传输介质和接收机前端效应的信道响应，并且n是噪声和干扰(减损)向量。软符号估计能够通过对接收向量x施加滤波器或组合向量来获得，得到

$\hat{s}=w^{H}x$

其中，上标“H”表示厄密转置(共轭转置)。滤波或权重计算涉及求解以下形式的方程组

Rw＝h，(1)

其中，R是数据或减损协方差矩阵，w是组合权重或滤波器系数的向量，并且h是表示与R相关联的信道响应的信号。通常，以两种方式之一求解等式(1)：

1)迭代，使用Gauss-Seidel、共轭梯度、或其他方法，或

2)非迭代，通过对R进行求逆(invert)或使用诸如Cholesky因数分解或QR分解之类的因数分解。

由于第二种方法要求对矩阵R进行求逆，因此第二种方法是所关心的。

反转矩阵(inverted matrix)计算还存在于某些信号质量估计计算(如信号干扰噪声比(SINR)或仅仅SIR)中。可以针对多种应用估计SINR，在无线通信的示例上下文中，包括功率控制、速率适配以及作为用于处理延迟选择的度量。如果等式(1)中的权重w用在线性接收机中，则信号质量能够被估计为

SINR＝h^HR^-1h＝w^Hh＝h^Hw    (2)

再次，必须计算反转矩阵R^-1。

除了均衡和某些必须对矩阵进行求逆的信号质量确定，线性多用户检测技术(如线性最小均方误差(MMSE)和解相关器检测)也涉及对矩阵进行求逆和将结果应用于码片采样或解扩符号以对所传送的符号进行解调。在这种情况下，矩阵可以包括符号波形相关或码片采样相关。

将权重或滤波器系数是与接收到的或其他输入信号结合的参数，以便估计某种信息，如接收到的数据符号、SINR、位置、到达方向等。另一参数估计应用是信道估计。某些信道估计技术涉及求解方程组或对矩阵进行求逆。示例包括Wiener或MMSE信道估计以及递归信道估计，如Kalman滤波和递归最小平方(RLS)滤波。采用自适应滤波，通常递归地更新矩阵的逆。类似的参数估计问题出现在雷达和声纳信号处理中。

当待求逆的矩阵R是“病态”矩阵时，诸如要求对矩阵进行求逆的上述示例的信号处理应用面临着数值问题。“病态”矩阵是其最大特征值与最小特征值之比大的矩阵。存在不同可能的解决该问题的方法。一种方法基于正则化(regularization)，其中将小的正值加至矩阵R的对角线(diagonal)，以改善R的条件，使得该矩阵更加易于求逆。采用该方法的缺陷是会影响矩阵计算的准确度，从而潜在地牺牲信号处理最后结果中的某些性能。另一种方法基于虚拟噪声，其中将第二矩阵Q加至矩阵R。矩阵Q表示假想(imaginary)噪声源的协方差(正则化可以被看作虚拟白噪声的特例)。再次，难点在于选择Q使得不牺牲性能。可以加上与其中不存在信号能量的频率相对应的噪声，但是其具有有限的应用和效能。第三种方法基于奇异值分解(SVD)均衡，其中接收信号被投影至其接收协方差矩阵的主特征值上。但是该方法很复杂，需要计算特征值和特征向量，并且也会牺牲性能。

所需要的是能够处理病态数值并且仍然在广泛的信号处理应用中提供良好性能的一种简单有效的对矩阵进行求逆的方式。

发明内容

下述技术满足了该需求。提供了一种设备，包括用于接收输入信号的接收机和电子处理电路。电子处理电路生成与输入信号相关联的矩阵，并且通过例如将矩阵的伴随矩阵乘以与矩阵的行列式相关联的缩放(scaling)因子，来基于矩阵的伴随矩阵以及与矩阵的行列式相关联的缩放因子确定矩阵的逆的近似。该近似避免了在计算典型的矩阵求逆(matrix inversion)时的某些情形中可能会遇到可能的数学难题。将近似逆矩阵应用于输入信号，以将输入信号变换成输出信号。然后，基于输出信号来确定与输入信号相关联的信息。

在非限制性示例实施例中，可以将矩阵的伴随矩阵应用于输入信号，以将输入信号变换成中间信号，然后将缩放因子应用于中间信号以产生输出信号。可以利用矩阵的伴随矩阵以及与矩阵的行列式相关联的缩放函数来近似矩阵的逆，其中缩放函数确定了矩阵的行列式的幅度或幅度平方(或某一其他函数)何时低于预定阈值。在某些应用中，矩阵R是半正定或正定的，从而允许通过直接阈值化(thresholding)行列式来确定缩放函数。此外，如果需要，可以补偿输出信号以进行估计。例如，可以对输出信号进行缩放，以抵消(offset)与缩放函数相关联的缩放。

该技术应用于其中估计信息的许多应用中。例如，接收机可以是无线接收机(例如G-RAKE接收机)、有线接收机、雷达接收机或声纳接收机。电子处理电路可用于对输入信号进行数字滤波、对输入信号进行均衡、对用于传送输入信号的通信信道进行估计、确定与输入信号相关联的信号质量、使用近似逆矩阵来执行多用户检测、或(在雷达或声纳应用中)估计位置。

附图说明

图1图示出用于近似矩阵的逆的示例设备；

图2是图示出在图1的设备中使用的非限制性示例过程的流程图，其中应用近似逆矩阵来确定与输入信号相关联的期望信息；

图3是图示出移动无线电通信系统的图，所述移动无线电通信系统是可以采用图1中的设备的非限制性示例环境。

图4是阵列处理型无线电接收机的功能框图，所述阵列处理型无线电接收机是其中可以采用图1中的设备的图3环境中的非限制性应用；

图5是可以在图4的无线电接收机中使用的权重求解器的非限制性示例功能框图；

图6是图示出在图4的设备中使用的非限制示例权重求解器过程的流程图；

图7是阵列处理型无线电接收机的功能框图，所述阵列处理型无线电接收机是其中可以采用图1中的设备的图3环境下的非限制性应用；

图8是雷达或声纳接收机的功能框图，所述雷达或声纳接收机是其中可以采用图1中的设备的图3的另一非限制性应用；以及

图9和10图示出其他非限制性示例实施例。

具体实施方式

在以下描述中，为了解释而非限制的目的，阐述了具体细节，如特定节点、功能实体、技术、协议、标准等，以便提供对所描述的技术的理解。在其他实例中，省略了对公知方法、设备、技术等的详细描述，以免因不必要的细节而使描述晦涩难懂。图中示出了单独的功能块。所属领域技术人员将理解可以使用单独的硬件电路，使用软件程序和数据结合适当编程的微处理器或通用计算机，使用专用集成电路(ASIC)、可编程逻辑阵列，和/或使用一个或多个数字信号处理器(DSP)来实现这些块的功能。对于所属领域技术人员显而易见的是，可以在离开以下公开的具体细节的情况下实现其他实施例。

图1图示出用于近似矩阵的逆的示例设备。接收机10接收输入信号，并生成被提供给缩放因子计算机14和伴随矩阵计算机12的矩阵R。伴随矩阵计算机12如以下描述的那样计算矩阵R的伴随矩阵“adj(R)”。缩放因子计算机14确定被选择以避免数值问题的缩放因子或函数。具体地，选择缩放因子以避免当数值过大时发生的溢出问题。矩阵缩放器(scaler)16可以在适当情形中将缩放因子或函数应用于矩阵R的伴随矩阵，以生成近似逆矩阵≈R^-1。

可以按以下描述的那样针对3×3矩阵来计算矩阵的伴随矩阵。确定其他大小矩阵的伴随矩阵的方法是已知的。一般而言，方阵的伴随矩阵或转置伴随矩阵是R的元素的余子式形成的矩阵的转置。为了计算矩阵R的伴随矩阵，执行以下步骤：a)计算矩阵的每个元素的子式，b)根据所计算的子式形成余子式矩阵，以及根据余子式矩阵形成伴随矩阵。

以下给出了示例3×3矩阵R

$R=\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9.01\end{array}\right]$

为了计算元素的子式，使用未落入子式元素的同一行列中的元素来计算行列式。从而

等等。

接着，利用所计算的子式来形成矩阵：

$M=\left[\begin{array}{ccc}-2.95& -5.96& -3\\ -5.98& -11.99& -3\\ -3& -6& -3\end{array}\right]$

接着，根据子式得到余子式。有符号的子式被称为余子式。第i行第j列的元素的余子式被表示为C_ij＝(-1)^i+jM_ij。因此，交替应用+和-值，在左上角以+开始。从而得到

$C=\left[\begin{array}{ccc}-2.95& 5.96& -3\\ 5.98& -11.99& 3\\ -3& 6& -3\end{array}\right]$

接着，通过对余子式矩阵进行转置来计算矩阵R的伴随矩阵，这对应于将行中的元素放入余子式矩阵的列中，即将第一行中的元素转换至第一列，第二行转换至第二列，第三行转换至第三列。

$\mathrm{adj}\left(R\right)=\left[\begin{array}{ccc}-2.95& 5.98& -3\\ 5.96& -11.99& 6\\ -3& 3& -3\end{array}\right]$

图2是图示出在图1的设备中使用的非限制示例过程的流程图，其中应用近似逆矩阵来确定与输入信号相关联的期望信息。接收输入信号，并据此生成输入信号矩阵R(步骤S1)。计算矩阵R的伴随矩阵(步骤S2)，并将缩放因子或函数应用于伴随矩阵(步骤S3)。以依赖信号处理应用的方式，应用所得到的矩阵R的逆的近似，以确定与输入信号相关联的期望信息(步骤S4)。

可以按下式根据R的伴随矩阵和行列式来确定矩阵R的逆：

$R^{-1}=\left(\frac{1}{\det \left(R\right)}\right)\mathrm{adj}\left(R\right)---\left(2\right)$

上面刚刚描述了伴随矩阵确定(adj(R))。方阵矩阵R的行列式(det(R))是通过对矩阵R的所有元素进行组合而计算得到的单个数值。2×2矩阵R的行列式可以被确定为：

$\left|\begin{array}{cc}1& 2\\ 3& 4\end{array}\right|=1\×4-2\×3=-2$

3×3矩阵或更大矩阵的行列式可以使用拉普拉斯展开式来确定，其中行列式由矩阵的行中的元素与其余子式的乘积之和给出。以上面的3×3为例，可以使用第一行将行列式计算为

|R|＝1×(-2.95)+2×5.96+3×(-3)＝-0.03

就病态数值而言，可以仅当行列式|R|不等于或接近于0时，使用行列式|R|来计算矩阵R的逆。当除以0或者甚至接近于0的极小数值时，计算设备会遇到极大的困难(数值问题的示例)。但这种情形不是总能够被避免的。

虽然矩阵R可能是病态的或者甚至是奇异的(行列式＝0)，使得det(R)接近于或者甚至等于0，但矩阵R的伴随矩阵仍是性能良好的，使得逆矩阵R^-1可以被近似为：

R^-1≈f(R)adj(R)    (3)

其中，选择缩放因子或函数f(R)以避免上述类似除以0或除以小数值等数值问题。例如

其中1/f_max或f_max是基于计算逆的设备的精度极限而确定的阈值。相应地，如果R的行列式大于1除以该阈值，那么等式(3)实际上变为等式(2)。但是如果R的行列式等于或小于1除以该阈值，那么通过将f的阈值与矩阵R的伴随矩阵相乘来近似反转矩阵。对于R的行列式可能为负值或复值的应用，R的行列式的幅度平方或某种函数将是受限的。

在一个非限制性示例中，将det(R)限制为0.1的值或者更大可能是适当的，这是由于除以小于0.1的值可能会引起数值溢出。相应地，1/0.1＝10，因此f_max＝10。缩放数值10可能小于1/det(R)，但对于许多应用，简单地乘以标量不影响过程的准确度。例如，如果过程是线性滤波过程以检测接收到的BPSK信号是+还是-符号，那么信号是+1还是+100并不重要，这是由于在两种情况下其都将被检测为+符号。在那些涉及缩放的情形中，能够在计算出等式(4)后，将补偿缩放因子应用于等式(4)的结果，以避免处理病态数值的可能的复杂情况。

考虑简单的2×2矩阵：

$R=\left[\begin{array}{cc}1.001& 1\\ 1& 1.001\end{array}\right]$

其逆矩阵为：

$R^{-1}=\left[\begin{array}{cc}500.2499& -499.7501\\ -499.7501& 500.2499\end{array}\right]$

常规情况下，计算该逆矩阵可能导致数值问题。事实上，甚至表示逆矩阵中的大数值也是一个问题。取而代之地，采用上述技术，计算矩阵的伴随矩阵和行列式。由于伴随矩阵和行列式这二者都使用余子式(或子式)，能够在计算中共享所计算的余子式(如下述图9和10的示例中所说明的那样)。对于2×2矩阵，简单地通过交换对角元素并且将非对角元素取负来计算伴随矩阵，得到：

$\mathrm{adj}\left(R\right)=\left[\begin{array}{cc}1.001& -1\\ -1& 1.001\end{array}\right]$

det(R)＝0.002001

在计算行列式值的倒数之前，将其与阈值比较。由于0.002001的值小于0.1的示例阈值，行列式被限制或“削减(clip)”于0.1。这给出了行列式的逆的最大值10。因此，逆将被计算为10x矩阵R的伴随矩阵：

$R_{\mathrm{approximated}}^{-1}=\left[\begin{array}{cc}10.01& -10\\ -10& 10.01\end{array}\right]$

可以观察到，这些反转矩阵值较小并且比较容易用计算机以有限精度来表示。如果在针对该示例的应用中，逆矩阵的缩放版本不影响性能，则无需调整逆矩阵。对于缩放引起差异的应用而言，例如计算SINR，则能够进行调整。由于行列式实际为0.002001，但被削减至0.1，缩放以0.1/0.002001＝49.975(约50)的因子来影响该绝对值。对于示例SINR计算，可以稍后将该约50的因子应用于(例如乘以)基于使用近似逆R计算的SINR，以确定真实SINR值。

同使用其他不需要计算伴随矩阵的技术来计算逆矩阵相比，计算矩阵的伴随矩阵可能更加复杂。然而，计算矩阵的伴随矩阵是结构良好并且性能良好的。如上面示出的伴随矩阵计算方法所示的，计算伴随矩阵需要形成余子式并且进行转置，而这仅仅涉及乘法、加法和代换，而不涉及除法和减法。

通常，矩阵R是厄密的，使得伴随矩阵也是厄密的，从而减少了对上或下三角矩阵的计算量。如果R具有其他将结构作用于该逆的属性，可以利用这样的属性来简化伴随矩阵计算。此外，存在降低复杂度和/或允许并行实现(有利于硬件实现)的方法。

以下提供了非限制性复数/厄密示例。厄密运算意味着共轭转置。矩阵的转置涉及将第一行移至第一列中，第二行移至第二列中，等等。共轭意味着对复数的虚部的符号取负或改变复数的虚部的符号。例如，对于以下矩阵(i表示虚分量)：

$A=\left[\begin{array}{cc}1& 2+i\\ 3-i& 4\end{array}\right],$ $v=\left[\begin{array}{c}2-3i\\ 1+4i\end{array}\right]$

由下式给出它们相应的厄密转置：

$A^H=\left[\begin{array}{cc}1& 3+i\\ 2-i& 4\end{array}\right],$ v^H＝[2+3i  1-4i]

如果矩阵等于其共轭转置，则矩阵是“厄密的”。一个示例厄密矩阵为：

$A=\left[\begin{array}{cc}1& 2+i\\ 2-i& 4\end{array}\right]$

图3是图示出移动无线电通信系统20的图，所述移动无线电通信系统是可以采用图1中的设备的一个非限制性示例环境。无线电通信网络20可以被配置为WCDMA无线蜂窝网络、GSM/EDGE或IS-95/IS-2000无线蜂窝网络、LTE无线蜂窝网络，或根据某些其他开放或私有通信标准进行配置。所采用的特定网络架构以及所使用的实体术语可以根据所涉及的网络标准而改变。网络20支持工作于一个或多个被标记为C1、S1、C2、S2等(表示小区1、扇区1和小区2、扇区2等)的无线电服务区中的多个移动终端(又被称为用户设备(UE))，为清楚起见只示出了一个终端。所属领域技术人员将意识到此处所使用的术语“小区”和/或“扇区”应被赋予广义的解释，并且总地来说术语扇区应被理解为标识给定载频下的给定无线电覆盖区域。因此，给定小区可以具有与多个载频相对应的多个覆盖无线电扇区。

在任意情况下，网络20允许与诸如公共电话交换网(PSTN)、因特网或其他公共数据网络、基于ISDN的网络等之类的一个或多个外部网络22通信。该通信由无线电接入网(RAN)26支持，该无线电接入网(RAN)26向移动终端32提供(一个或多个)无线电链路，并且对接至(interface to)一个或多个核心网(CN)24，所述核心网又连接至外部网络22。RAN 26包括一个或多个基站系统，每个基站系统通常包括控制实体以及一个或多个无线电收发机实体。在该图中，以非限制方式将控制单元标记为基站控制器(BSC)28，并将收发机标记为无线电基站(RBS)30，如30-1、30-2和30-3。所示移动终端32还包括控制单元和无线电收发机。

图4是可被用于无线电基站或移动终端中的多天线阵列处理型无线电接收机的功能框图，其是可以采用图1中的设备的图3的环境中的一个非限制性应用。回顾到滤波器或权重计算通常涉及求解Rw＝h形式的方程组，其中R是数据或减损协方差矩阵，w是组合权重或滤波器系数的向量，并且h是表示与接收信号相关联的信道响应的信号。在阵列处理中，R与跨两个或更多接收天线A的数据(MMSE阵列处理)或减损(近似最大似然(ML))相关矩阵相对应，h与信道响应相对应，并且w与天线和/或延迟组合权重相对应。在图4中，为了说明的目的示出了两个天线A1和A2，应理解可以使用任意数量的天线。各前端处理器42-1和42-2将所接收到的天线信号从射频转换至基带频率。这些基带信号被提供至参数估计单元45，所述参数估计单元45对数据或减损R以及信道响应h进行估计。接着，这些估计被提供至权重求解器47，所述权重求解器47产生组合权重w。组合权重w与接收到的基带信号一起被提供至组合器44，所述组合器44根据下式对接收到的基带信号进行组合：

z＝w^Hx    (4)

其中，z是检测统计量(statistic)，如软符号估计。其能够用在例如解码器中以对卷积或turbo码进行解码。

图5是可以在图4的无线电接收机中使用的非限制示例权重求解器的功能框图。伴随矩阵计算机50使用例如上述技术计算矩阵R的伴随矩阵，然而还可以使用其他技术。矩阵R的伴随矩阵被提供至矩阵乘法器54，矩阵乘法器54将其与信道响应h相乘。接着，利用缩放因子计算机52的输出在向量缩放器56中对结果向量进行缩放，以产生组合权重w。注意，这是将伴随矩阵应用于“信号”h，从而创建继而对其应用缩放因子的中间信号的示例。

图6是图示出在图4的设备中使用的非限制性示例权重求解器过程的流程图。起初，接收输入信号，并将其用于生成矩阵R(步骤S 10)。计算矩阵R的伴随矩阵(步骤S11)，并将其与通信信道响应h相乘(步骤S12)。接着，可以将根据等式(4)的缩放因子f(R)应用于R的伴随矩阵和h的乘积，以根据等式(1)的近似产生组合或滤波器权重/系数w(步骤S13)。应用组合或滤波器权重/系数w，以确定期望信息，例如信息符号、SINR等(步骤S14)。可选步骤(步骤S15)可以对w或某一中间信号进行缩放，以在需要时抵消缩放因子f(R)的效应。

作为非限制性示例，在图7中考虑在具有两个天线的扩频通信系统中的广义Rake(G-Rake)接收机60(可以使用不同数目的天线)。针对码片均衡进行类似的处理，除了在组合(滤波)后进行解扩之外。如在图4中那样，为了说明的目的，示出了两个天线A1和A2，应理解可以使用两个或更多的天线。各前端处理器42-1和42-2将接收到的天线信号从射频转换至基带频率。这些基带信号被提供至参数估计单元65，所述参数估计单元65对数据或减损R以及信道响应h进行估计。接着，这些估计被提供至权重求解器66，所述权重求解器66产生组合权重w。组合权重w与接收到的基带信号一起被提供至组合器68，所述组合器68根据等式z＝w^Hr来组合接收到的基带信号。回顾到，使用根据等式(3)所确定的R_approximated ^-1来计算组合权重w。

天线输入还被提供至解扩单元62，以使用适当的扩频码进行解扩，并被提供至RAKE耙齿(finger)布置单元64，所述RAKE耙齿布置单元64确定将在解扩单元62中对接收信号的哪些延迟版本进行解扩。参数估计器65将路径延迟提供给耙齿布置单元64，以用耙齿捕捉延迟(to finger delays)。在组合器68中使用权重w对解扩器62所生成的解扩值进行滤波，以便补偿信道效应和噪声。

另一非限制性应用领域是均衡。利用线性turbo均衡，计算并通常在每次迭代中重新计算滤波权重。使用根据等式(3)所确定的反转矩阵R^-1来计算那些滤波权重。尽管是非线性的，但判决反馈均衡包括前馈(FF)和反馈(FB)滤波器，这二者都是线性的。在这些滤波器中，求解滤波器系数或权重涉及对矩阵进行求逆。例如，在FF滤波器中，系数计算涉及数据协方差逆。能够将根据等式(3)所确定的反转矩阵R^-1应用于该逆计算。有时，应用前置滤波(一种线性部分均衡)来实现更简单的后续处理。在GSM/EDGE中，前置滤波计算涉及求解方程组，从而需要对矩阵进行求逆。另一用于GSM/EDGE的前置滤波技术涉及求解Yule-Walker等式。能够应用近似R_approximated ^-1来求解这些等式。

另一非限制性应用是MMSE线性多用户检测器和线性多用户解相关器，这二者都需要矩阵的求逆。能够使用根据等式(3)所确定的反转矩阵R^-1来改进在这些应用中的数值稳定性。

另一非限制性应用是信道估计，所述信道估计通常涉及矩阵求逆。例如，采用Kalman滤波，来更新与R矩阵的逆相对应的P矩阵。可以更新R矩阵，然后根据等式(3)来近似R的逆。

另一非限制性应用是确定接收信号质量，如SINR。由于f(R)是标量，所以能够在与h或组合结果(软输出)进行组合之前，将其应用于数据。因此，能够使用下式来计算权重：

w＝f(R)[adj(R)h]    (5)

接着，可以例如使用以下之一来估计接收信号的SINR：

SINR＝f(R)h^Hadj(R)h＝w^Hh＝h^Hw    (6)

其中，w是使用等式(5)来确定的。

用于该技术的另一非限制性示例应用是其中形成检测统计量的雷达和声纳。图8是雷达或声纳接收机70的功能框图，所述雷达或声纳接收机是其中可以利用图1中的设备的图3的另一非限制性应用。用于无线通信(无线电和声学)中的自适应波束成形还用于雷达或声纳，以使不在感兴趣方向上的信号无效(null)。使用天线或水听器的传感器阵列来获得信号。在天线的情况下，将接收到RF信号下混频至基带，并且恢复复基带采样。接着，将基带信号提供至一组有限冲激响应(FIR)滤波器72，从而对每个阵列传感器信号进行滤波。由滤波器权重生成器74来确定和提供滤波器系数或权重。滤波器权重生成器可能涉及对矩阵求逆，在矩阵求逆中可以采用本申请中的技术。例如，利用直接矩阵求逆(DMI)形式的自适应波束成形，对数据相关矩阵求逆以确定权重。虽然未示出，但在这种情况下，滤波器权重生成器74还接收传感器信号作为输入。在加法器76中加上滤波器输出，并且还可能对其进行进一步处理，以在雷达和声纳的情况下形成检测统计量。针对该技术的其他应用示例包括系统识别、分层地球建模、预测反卷积、线性预测编码、谱分析、信号检测、自适应噪声消除、回声消除以及雷达偏振测定。

下面，结合图9和10来描述其他非限制性示例实施例。图9图示出一个示例矩阵逆变器(inverter)80，其中在伴随矩阵和行列式的计算中共享子式(或余子式)。子式计算机81计算矩阵R的每个元素的子式。接着那些矩阵元素子式由行列式计算机82在计算R的行列式时使用并由伴随矩阵计算机83在计算R的伴随矩阵时使用。缩放因子计算机84接收行列式，以决定然后被提供给矩阵缩放器85的缩放因子，以根据等式(3)来确定近似逆矩阵。

对于SINR估计，除非SINR大于最大值，仅仅使用矩阵行列式自身是可接受的。图10示出了示例SINR估计器90，其中缩放因子计算机94确保最终SINR值不会溢出。子式计算机91计算矩阵R的每个元素的子式。接着那些矩阵元素子式由行列式计算机92在计算R的行列式时使用并且由伴随矩阵计算机93在计算R的伴随矩阵时使用。单元95利用下式，根据矩阵的伴随矩阵R来计算标准化(normalized)SINR

SINR_norm＝h^Hadj(R)h

缩放因子计算机94接收行列式和标准化SINR值(未示出连接)，以决定然后被提供至乘法器96的缩放因子，所述乘法器96能够将缩放因子与标准化SINR相乘以生成SINR值。选择缩放因子以避免溢出。例如，

其中，最大SINR值由设备的精度来确定。进一步的简化是可能的，其中当R的行列式低于标准化SINR除以最大SINR时SINR被设置为最大值。

上述技术提供了，使用矩阵的伴随矩阵和缩放因子或函数来进行需要反转矩阵的参数估计。这避免了数值困难并且在这样的数值困难引起糟糕的性能或通过牺牲性能的现有方法得到解决的情形下改进接收机性能。

上述说明不应被认为暗示任何特定的元件、步骤、范围或函数是必要以致其必须被包含在权利要求范围之中。专利主题的范围仅由权利要求来限定。法律保护的范围由所允许的权利要求及其等效中记载的词语来限定。所属领域技术人员所公知的上述优选实施例中元件的所有结构和功能等效被明确地合并于此，并且意在被本权利要求所涵盖。此外，没有必要为了被本权利要求所覆盖而使设备或方法解决本发明所要解决的每个问题。权利要求并不打算援引35USC§112的第6段，除非使用了词语“用于...的装置”或“用于...的步骤”。此外，无论是否在权利要求中记载，本说明书中的实施例、特征、组件或步骤并非意在贡献于公众。

Claims (16)

1.一种用于根据信号估计信息的设备，包括：

接收机(10)，用于接收输入信号，以及用于生成与输入信号相关联的NxN矩阵，N是大于1的正整数；

伴随矩阵计算机，用于计算所述矩阵的伴随矩阵；

缩放因子计算机，用于计算缩放函数，其中计算NxN矩阵的行列式并且将其与1除以阈值进行比较以使得如果所计算的行列式小于或等于1除以阈值，则提供与所计算的行列式不同的所述阈值；

矩阵缩放器，用于基于矩阵的伴随矩阵以及(a)在所计算的行列式大于1除以阈值的情况下-NxN矩阵的所计算的行列式或(b)在所计算的行列式小于或等于1除以阈值的情况下-所述阈值，来确定NxN矩阵的逆的近似；

其中，近似逆矩阵被应用于输入信号，以将输入信号变换成输出信号；以及

基于输出信号来确定与输入信号相关联的信息，

其中，所述阈值是基于计算逆的精度极限而确定的。

2.根据权利要求1所述的设备，其中所述设备还包括：矩阵乘法器，用于将NxN矩阵的伴随矩阵应用于输入信号以将输入信号变换成中间信号；以及向量缩放器，用于将缩放函数应用于中间信号以产生输出信号。

3.根据权利要求1所述的设备，其中所述输出信号被补偿以进行近似。

4.根据权利要求1所述的设备，其中所述输出信号被缩放以抵消与缩放函数相关联的缩放。

5.根据权利要求1所述的设备，其中所述NxN矩阵R是厄密对称的。

6.根据权利要求1所述的设备，其中所述NxN矩阵R的逆被定义为：

$R^{-1}=\left(\frac{1}{\det \left(R\right)}\right)\mathrm{adj}\left(R\right)$

其中，det(R)是NxN矩阵R的行列式，并且adj(R)是NxN矩阵R的伴随矩阵，其中所述矩阵缩放器被配置为使用R^-1≈f(R)adj(R)来近似NxN矩阵R的逆，其中缩放函数被定义为如下：

并且其中f_max是所述阈值。

7.根据权利要求1所述的设备，其中所述接收机是无线接收机，或者所述接收机是有线接收机。

8.根据权利要求1所述的设备，其中所述接收机被配置为：使用从近似逆矩阵得到的权重，对输入信号进行数字滤波。

9.根据权利要求1所述的设备，其中所述接收机被配置为：使用近似逆矩阵来对输入信号进行均衡或对用于传送输入信号的通信信道进行估计。

10.一种根据信号估计信息的方法，包括：

在接收机(10)中接收来自一个或多个传感器的输入信号，以及

在所述接收机中生成与输入信号相关联的NxN矩阵，N是大于1的正整数，

所述方法的特征在于，还包括以下步骤：

由伴随矩阵计算机计算所述矩阵的伴随矩阵；

由缩放因子计算机计算缩放函数，其中计算NxN矩阵的行列式并且将其与1除以阈值进行比较以使得如果所计算的行列式小于或等于1除以阈值，则提供与所计算的行列式不同的所述阈值；

由矩阵缩放器基于矩阵的伴随矩阵以及(a)在所计算的行列式大于1除以阈值的情况下-NxN矩阵的所计算的行列式或(b)在所计算的行列式小于或等于1除以阈值的情况下-所述阈值，来确定NxN矩阵的逆的近似；

将近似逆矩阵应用于输入信号，以将输入信号变换成输出信号；以及

基于输出信号来确定和提供与输入信号相关联的信息，

其中，所述阈值是基于计算逆的精度极限而确定的。

11.根据权利要求10所述的方法，其中所述矩阵缩放器通过将NxN矩阵的伴随矩阵乘以缩放函数来近似NxN矩阵的逆。

12.根据权利要求10所述的方法，其中矩阵乘法器将NxN矩阵的伴随矩阵应用于输入信号以将输入信号变换成中间信号，并且向量缩放器将缩放函数应用于中间信号以产生输出信号。

13.根据权利要求10所述的方法，还包括补偿输出信号以进行近似。

14.根据权利要求10所述的方法，还包括由子式计算机计算NxN矩阵的子式或余子式，并且在计算伴随矩阵和缩放函数时共享它们。

15.根据权利要求10所述的方法，其中所述NxN矩阵R是厄密对称的。

16.根据权利要求10所述的方法，其中所述NxN矩阵R的逆被定义为：

$R^{-1}=\left(\frac{1}{\det \left(R\right)}\right)\mathrm{adj}\left(R\right)$

其中，det(R)是NxN矩阵R的行列式，并且adj(R)是NxN矩阵R的伴随矩阵，其中所述矩阵缩放器被配置为使用R^-1≈f(R)adj(R)采近似NxN矩阵R的逆，其中缩放函数被定义为如下：

并且其中f_max是所述阈值。