CN107248868B - 基于神经网络算法的宽带有源天线阵列自适应校正方法 - Google Patents

Abstract

本发明提供一种基于神经网络算法的宽带有源天线阵列自适应校正方法，包括天线阵列的结构设计，功分器滤波器组结构设计，延时补偿、相位与幅度补偿及带内波动补偿的神经网络滤波器组，神经网络滤波器的结构及神经网络算法。该方法通过反馈数据与补偿滤波器输出数据计算出各个通道之间的误差，使用补偿滤波器组对误差进行补偿，其中通带补偿滤波器使用了神经网络算法，使收发通道的硬件参数一致，本发明特别适用于宽带无线通信的有源天线阵列设计。

Description

基于神经网络算法的宽带有源天线阵列自适应校正方法

技术领域：

本发明属于通信技术领域，具体涉及一种基于神经网络算法的宽带有源天线阵列自适应校正方法。

背景技术：

随着无线通信技术的发展，为了更好的提升通信质量与提高频谱的利用率，波束形成技术应用越来越广。波束形成技术是通过调整各个发射通道的增益，相位，延时等参数，使信号在某些空间位置形成叠加，某些空间位置形成抵消衰减。如果把形成叠加的空间位置指向正在通信的用户，而抵消衰减的空间位置指向不需要通信的地方，那么将大大降低通信的干扰，提升通信的质量。波束形成技术的应用需要天线阵列支持，天线阵列及各个收发通道之间存在硬件参数差异，如增益、相位与时延，在宽带的通信情况下，还存在带内波动的差异，这些参数误差导致波束形成的实际效果与理论仿真存在差异，使实际的波束形成测试效果不理想。而且硬件参数受温度，时间老化等因素的影响而改变，所以需要实时对天线阵列进行补偿校正。

天线阵列校正一般是对增益、相位与延时参数进行校正。随着无线通信的带宽要求越来越高，只校正这些参数是不足够的，因为宽带通信的每个通道除了这些参数差异外，还存在通带内带内波动的参数差异，带内波动不一致的情况下，会影响波束形成的效果。该发明除了使用新的方法纠正增益、相位与延时外，还使用了自适应的神经网络算法，对通带内的带内波动进行补偿，很好的实现宽带的天线阵列补偿。自适应的神经网络算法相对自适应滤波器算法，具有更好的拟合性能，可以对各种带宽差异进行更好的拟合。

在通道参数获取方法上，一种是加测试信号的方式，对发射链路或者接收链路上加一个已知测试信号，各个通道均使用相同的反馈链路接收该信号，对比测试信号与反馈信号，获取参数信息，该方法需要额外的信号源，在实时通信中，影响正常通信。也有在设备外部使用一个参考源收发射参考信号的方式，使用接收到的信号进行估算，该方法由于受到多径与外界因素的影响，测试性能不理想，也影响实时通信。

发明内容：

本发明所要解决的技术问题在于克服现有的技术缺陷，提供一种基于神经网络算法的宽带有源天线阵列自适应校正方法。

本发明所要解决的技术问题采用以下的技术方案来实现：

一种基于神经网络算法的宽带有源天线阵列自适应校正方法，系统的校正流程如下：

(1)初始化系统参数，对通带补偿滤波器进行参数初始化；

(2)选择通道号，判断通道号是否超出最大通道号；如果超出，校正流程结束，启动下一次校正；如果没超出，继续校正；

(3)根据通道号配置选择器，根据通道号进行数据采样，分别采用双工器的耦合反馈信号与射频发射链路的输出数据或者射频接收链路的接收信号；

(4)同步采样数据，计算通道的延时，增益的误差与相位误差；

(5)使用同步后的数据进行通带带内波动参数估计，估算神经网络补偿滤波器系数；

(6)计算系数之后，更新神经网络滤补偿波器系数；

(7)进行下一个通道的计算；

宽带有源天线阵列自适应校正包括发射链路校正与接收链路校正；

发射链路校正信号流程如下：发射的数字信号进入链路补偿模块，链路补偿模块包括延时补偿、相位与增益补偿及通带波动补偿滤波器，其中通带波动补偿滤波器为神经网络补偿滤波器，信号经过链路补偿模块之后，进入射频发射链路，数字信号转化为射频信号，射频信号进入双工器进行滤波处理，经过滤波的信号输出到天线发射出去；

接收链路校正信号流程如下：天线接收到的信号进入双工器滤波，天线接收到的信号经过双工器的滤波，进入射频接收链路，转化为中频信号，被采样为数字信号，信号进入链路补偿模块进行延时补偿、增益与相位补偿及通带波动补偿滤波器，补偿后输出为通道数据；

双工器是各个射频发射链路、射频接受链路的滤波器组合，并且在天线接口处进行信号耦合，把经过滤波处理的发射信号和未接受滤波处理的接收信号的一部分信号耦合到反馈链路，各个通道的耦合信号通过选择器进行通道选择，选择的收发信号，经过接收滤波器或者发射滤波器进行滤波，选择到反馈链路接口；

反馈链路是将双工器选择出来的反馈信号进行射频接收，并且转化为数字信号，被采样之后送入参数估计模块进行通道的参数估算。

通道的链路参数误差计算流程如下：

采样射频收发链路的输入输出信号与天线口的反馈信号，对两路数据进行同步处理，同步的计算方法：两组数据做互相关与自相关运算，相关结果转化为能量数据，对互相关的能量数据经过峰均比滤波器处理，对滤波之后的数据查找峰值；

判断峰值的是否过门限，如果峰值过门线，提取对应的地址，根据峰值地址得到相关值与能量值，互相关的峰值除自相关值，视为增益与相位误差；

由于每个通道延时不一致，设定一个最大延时值，作为目标值，峰值位置与最大延时的目标值之差视为延时误差，修正延时误差；

互相关的峰值除自相关值做归一化，修正增益与相位误差，使用修正延时误差、增益误差与相位误差的数据进行估算信号通带的带内平坦度，计算出神经网络补偿滤波器系数，并且更新神经网络补偿滤波器系数。

神经网络补偿滤波器的信号处理流程如下：

1)采样得到的两组数据，经过同步后，设定输入数据为x(i)，输出数据为T；

2)使用x(i)计算神经网络隐含层，其中其中W_mi为隐含层系数，Z_m＝tansig(y_m)；其中Z_m为隐含层输出，m为神经元的个数；

3)计算输出层：

4)计算误差数据

5)利用误差E，计算神经网络补偿滤波器的系数W_mi和V_j的误差值。其中为：-(T_j-Z_j)×f'(net_j)；为：

6)计算多组误差数据，并且平均误差数据；

7)系数更新公式为Coe(k+1)＝Coe(k)+μ×[(1-α)×D(k)+α×D(k+1)]；其中D(k)为当前计算出来的误差值，D(k-1)为上一次计算出来的误差值，μ为学习步进，取值范围0～1；α为比例权重系数，取值范围0～1；Coe(k)为当前系数，Coe(k+1)为新的系数；

8)计算出新的系数之后，更新神经网络补偿滤波器系数。

本发明的有益效果为：

该方法解决了宽带有源天线阵列的通道差异性问题，实现天线阵列多通道的增益、相位、延时及通带带内波动参数差异校正；该方法利用了通信系统的上下行收发信号进行自校正，可以在实时工作中不影响通信的情况下进行自校正，适合实际工程应用；该发明还提出使用一路反馈链路对收发链路进行数据采样，降低成本，并且适用于FDD与TDD模式下工作，简化了有源天线系统的结构；该发明使用自身系统的收发信号进行估计，不引入外部信号，在不影响正常通信的情况下，可以对天线阵列进行实时校正，在TDD与FDD的情况下，使用相同的反馈链路对接收链路与发射链路进行校正，而且使用双工器进行信号选择，节省了硬件资源，具有很好的使用前景。

附图说明：

图1为本发明的结构框图；

图2为本发明的双工器滤波器组结构框图；

图3为本发明控制流程图；

图4为本发明链路补偿模块功能结构图；

图5为通带带内神经网络补偿滤波器算法图；

图6为双工器正面示意图；

图7为双工器侧面示意图；

图8为双工器俯视示意图。

具体实施方式：

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

如图1所示，本发明的方法由5大部分构成，其中101为收发链路补偿模块，102射频收发链路，103为双工器阵列，104为天线阵列，105为参数估算模块及反馈接收链路。

101,102,105可集成为数字信号处理系统601，硬件上由射频收发链路、反馈接收链路及数字信号处理部分组成。

103为双工器阵列，由腔体滤波器与有源选择器组成，负责收发信号的滤波与反馈信号耦合与选择。双工器阵列还负责数字信号处理系统的散热与整体的结构。如图6、7、8所示，数字信号处理系统可安装在103的背面，利用103作为屏蔽与散热，104安装在103的正面。

数字信号处理系统601中的101由多个链路补偿模块121组合，对应每个收发通道，均有一个121链路补偿模块对链路进行参数补偿。一个121由三部分组成，如图4所示，分别是401延时补偿，402增益与相位补偿，403的神经网络补偿滤波器。其中401实现的是采样点的延时补偿，根据采样的数据同步计算出的采样点延时位置与目标延时的差值，进行采样点延时补偿，实现所有通道的采样点延时一致。402是复数乘法器，实现通道的增益与相位的补偿。403是实现通带带内波动补偿的神经网络滤波器，实现带内波动补偿。

102为多通道的射频发射链路与射频接收链路，由多路射频发射链路122与射频接收链路123组成。122的功能是把经过参数补偿后的数据，经过DAC实现数模转换，再经过IQ调制为射频信号，输出到103双工器阵列。123的功能是接收双工器滤波后的射频信号，经过混频转化为中频信号，中频滤波及经过ADC的模数转换，转化为数字信号。送入101进行接收链路参数补偿处理。

103为双工器阵列，如图2所示，双工器阵列由多个发射滤波器201与接收滤波器202组成，并且在每组收发滤波器输出到天线接口处，实现耦合203，对收发射频信号在天线口处进行耦合，多路视为耦合信号均经过选择器204，204实现对各个通道的耦合信号进行选择。设计要求各个通道的耦合信号到达选择器的线长为等长，确保各路耦合信号的耦合性能一致。选择器为双工器的有源部分。经过204实现各通道耦合信号的选择。在FDD模式下，选择信号分别进入205发射滤波器与206接收滤波器，滤出发射链路信号与接收链路信号，再经过选择器207选择到反馈链路接口输出；如果是TDD模式，选择信号经过205滤波后，信号输出到反馈链路接口处输出。

104为天线阵列。由多个天线单元127组成，天线单元组成各种所需要的阵列结构。设计要求各个天线单元到双工器阵列的天线接口线长114一致，保证各路天线的一致性。

105为反馈链路及参数估算模块。由124选择器、125参数估算模块及126反馈接收链路组成。其中124为选择器，在数字域选择各路用于估算通道误差的数字信号。如图1的111为发射链路补偿模块的输出口的数据，112为接收链路补偿模块输入口的数据。125实现数据采样、数据的同步及计算通道之间的误差参数，并且更新补偿误差参数到链路补偿模块。126为反馈接收链路，把反馈的射频信号转化为数字信号。

系统的控制流程如图3所示：

1)第一次计算误差参数301，初始化为误差补偿参数1；

2)选择补偿的收发链路通道号301，按顺序补偿计算；

3)判断超出范围303，则一个循环的补偿结束；

4)根据通道号，配置选择器，进行数据采样304；

5)对采样的数据进行同步305，计算出延时误差、增益与相位误差；

6)使用同步之后的数据估算补偿带内波动误差的神经网络滤波器系数306；

7)更新通道误差补偿参数307。

发射链路的补偿过程：

1)125控制选择器124与双工器阵列的204,207，选择进行补偿的通道数据，进行数据采样，得到发射数据与反馈数据。

2)把反馈数据作为x(i)，发射数据作为T；

3)首先对x(i)进行自相关，x(i)与T进行互相关；

4)使用x(i)与T的互相关结果，转化为绝对值，并且把绝对值经过峰均比滤波器滤波，查找滤波后的峰值。该峰值位置为采样点延时点。峰值位置对应的相关值使用x(i)的自相关值进行归一化，得到增益与相位的误差校正值。

5)提取同步后的x(i)与T，用于计算带内波动误差参数；

6)神经网络模型为：其中其模型如图5所示；

7)使用x(i)计算出Q。

8)利用Q与T计算出误差E；

9)利用E推导出W_mi和V_j的变化趋势，经过多次计算并且平均误差参数；

10)系数更新公式为：Coe(k+1)＝Coe(k)+μ×[(1-α)×D(k)+α×D(k+1)]；

11)更新神经网络滤波器系数。

接收链路的补偿过程与发射链路的补偿过程类似，唯一区别是把射频接收链路的数据作为x(i)，把天线口耦合数据作为T。

如果针对具有同步码与信道估计专用序列的通信方式，如3G通信与LTE通信等，可以使用同步码或者信道估计的码进行参数估算。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于神经网络算法的宽带有源天线阵列自适应校正方法，其特征在于，系统的校正流程如下：

(1)初始化系统参数，对通带补偿滤波器进行参数初始化；

(2)选择通道号，判断通道号是否超出最大通道号；如果超出，校正流程结束，启动下一次校正；如果没超出，继续校正；

(3)根据通道号配置选择器，根据通道号进行数据采样，分别采用双工器的耦合反馈信号与射频发射链路的输出数据或者射频接收链路的接收信号；

(4)同步采样数据，计算通道的延时，增益的误差与相位误差；

(5)使用同步后的数据进行通带带内波动参数估计，估算神经网络补偿滤波器系数；

(6)计算系数之后，更新神经网络补偿滤波器系数；

(7)进行下一个通道的计算；

宽带有源天线阵列自适应校正包括发射链路校正与接收链路校正；

发射链路校正信号流程如下：发射的数字信号进入链路补偿模块，链路补偿模块包括延时补偿、相位与增益补偿及通带波动补偿滤波器，其中通带波动补偿滤波器为神经网络补偿滤波器，信号经过链路补偿模块之后，进入射频发射链路，数字信号转化为射频信号，射频信号进入双工器进行滤波处理，经过滤波的信号输出到天线发射出去；

接收链路校正信号流程如下：天线接收到的信号进入双工器滤波，天线接收到的信号经过双工器的滤波，进入射频接收链路，转化为中频信号，被采样为数字信号，信号进入链路补偿模块进行延时补偿、增益与相位补偿及通带波动补偿滤波器，补偿后输出为通道数据；

双工器是各个射频发射链路、射频接收链路的滤波器组合，并且在天线接口处进行信号耦合，把经过滤波处理的发射信号和未接受滤波处理的接收信号的一部分信号耦合到反馈链路，各个通道的耦合信号通过选择器进行通道选择，选择的收发信号，经过接收滤波器或者发射滤波器进行滤波，选择到反馈链路接口；

反馈链路是将双工器选择出来的反馈信号进行射频接收，并且转化为数字信号，被采样之后送入参数估计模块进行通道的参数估算。

2.根据权利要求1所述的基于神经网络算法的宽带有源天线阵列自适应校正方法，其特征在于，通道的链路参数误差计算流程如下：

采样射频收发链路的输入输出信号与天线口的反馈信号，对两路数据进行同步处理，同步的计算方法：两组数据做互相关与自相关运算，相关结果转化为能量数据，对互相关的能量数据经过峰均比滤波器处理，对滤波之后的数据查找峰值；

判断峰值是否过门限，如果峰值过门限，提取对应的地址，根据峰值地址得到相关值与能量值，互相关的峰值除自相关值，视为增益与相位误差；

由于每个通道延时不一致，设定一个最大延时值，作为目标值，峰值位置与最大延时的目标值之差视为延时误差，修正延时误差；

互相关的峰值除自相关值做归一化，修正增益与相位误差，使用修正延时误差、增益误差与相位误差的数据进行估算信号通带的带内平坦度，计算出神经网络补偿滤波器系数，并且更新神经网络补偿滤波器系数。

3.根据权利要求1所述的基于神经网络算法的宽带有源天线阵列自适应校正方法，其特征在于，神经网络补偿滤波器的信号处理流程如下：

1)采样得到的两组数据，经过同步后，设定输入数据为x(i)，输出数据为T；

2)使用x(i)计算神经网络隐含层，其中其中W_mi为隐含层系数，Z_m＝tansig(y_m)；其中Z_m为隐含层输出，m为神经元的个数。

3)计算输出层：

4)计算误差数据

5)利用误差E，计算神经网络补偿滤波器的系数W_mi和V_j的误差值；其中为：-(T_j-Z_j)×f′(net_j)；为：

6)计算多组误差数据，并且平均误差数据；

7)系数更新公式为Coe(k+1)＝Coe(k)+μ×[(1-α)×D(k)+α×D(k+1)]；其中D(k)为当前计算出来的误差值，D(k-1)为上一次计算出来的误差值，μ为学习步进，取值范围0～1；α为比例权重系数，取值范围0～1；Coe(k)为当前系数，Coe(k+1)为新的系数；

8)计算出新的系数之后，更新神经网络补偿滤波器系数。