CN1266861C - 盲自适应波束形成技术 - Google Patents

Abstract

本发明公开了一种自适应波束形成方法，它包括以下步骤：设置初始加权矢量，根据新的信号的矢量计算各种矢量和/或标量的值，使用新信号的矢量和标量的值在梯度搜索方法中更新所述加权矢量，使所述加权矢量归一化，并基于更新的加权矢量形成最佳波束方向图。由于本发明的形成最佳波束方向图的所述加权矢量是按照盲自适应波束形成算法中的梯度搜索方法计算的，因此可使同信道的干扰和噪声最小，结果，使系统容量、覆盖区域和可靠的高速数据通信业务达到最佳。

Description

盲自适应波束形成技术

技术领域

本发明涉及一种智能型天线系统，特别地涉及一种用于诸如WCDMA和CDMA-2000的无线通信系统的智能型天线系统中的增强的盲自适应波束形成技术。

背景技术

使用多个天线和创新的信号处理以便更加智能化地服务于小区的概念已存在了很多年。直到近几年，成本的障碍阻止了其在商业上的应用。功能强大的低成本的数字信号处理器(DSPs)、通用处理器(和ASICs)和创新的基于软件的信号处理技术(算法)的出现使智能天线对于蜂窝通信系统来说是可行的。这些系统为各小区站提供了更大面积的覆盖区域、更高的抗干扰能力和容量上的显著提高。

智能天线系统通常与基站共址，其将天线阵与数字信号处理能力结合起来，以便能以自适应的、空间敏感的方式发送和接收。换言之，该系统能够根据所在的信号环境自动地变换它的辐射图的定向。这样就可以明显地提高无线系统的性能特征(如容量)。

自适应波束形成天线系统是所述智能型天线系统中的一种。

自适应天线技术代表了目前最先进的智能型天线方案。自适应系统使用了各种新的信号处理算法，它的优势在于其能够有效地定位和跟踪各种类型的信号，以动态地使干扰达到最小，使预定的信号接收达到最大。

在自适应天线系统中，通过用于控制各种复杂运行条件的组合的先进的技术(算法)提高了基本的信号处理能力。典型地，将来自空间分布的天线单元的接收的信号乘以一个加权矢量，对幅度和相位进行复合的调整。将这些信号组合，产生天线阵的输出。自适应算法根据预先确定的目标控制加权矢量。这些动态的计算使系统能够改变其辐射方向图，以使信号的接收最佳化。

自适应波束形成算法分为基于定方的波束成形、基于训练序列的波束成形和盲波束形成算法。

所述基于定方的波束形成算法检测来自移动终端的信号的各种到达角度，以形成最佳的波束方向图。但是，该算法要求阵列校准具有高的精确度，因此在无线通信系统中有限制地使用。

所述基于训练序列的波束形成算法使用基准信号(训练信号)来估算加权矢量，以便根据加权矢量形成波束方向图。

最后，所述盲波束形成算法的特征在于，在加权矢量的估算中无需使用基准(训练)信号。

本发明的波束形成算法属于盲波束形成算法。

已研究和开发了很多的用于形成最佳波束方向图的波束形成算法。Seungwon Chui et.al.开发了一种自适应的波束形成算法(Seungwon Choi和Donghee Shim的“一种用于CDMA移动通信环境中的智能型天线系统的新的自适应波束形成算法”，IEEE Trans.OnVehicular Technology，Vol.49，No.5pp1793-1806，2000年9月)，它的特征在于将信噪比最大(SNR)，而不是使信号与干扰加上噪音的比(SINR)最大。但是，该波束成形算法在高能量干扰的环境中不能很好地工作，因为该波束成形算法使SNR最大。

Donghee Shim et.al.开发了另一个波束成形算法(Donghee Shim，Fakhrul Alam和Jeongho Kim的“采用盲自适应算法的智能型天线系统的性能分析”，VT MPRG workshop，2001)，它的特征在于，根据自相关矩阵的倒置使SINR最大。但是，由于该波束形成算法在更新加权矢量的等式中使用近似值，因此可对系统的性能造成不利影响。

发明内容

本发明就是要努力解决上述问题。

本发明的目的是提供一种自适应的波束形成方法，在宽带码分多址(WCDMA)、CDMA-2000等的智能型天线系统中使用梯度搜索算法将SINR作为性能数据，使SINR最大。

为实现上述目的，本发明的自适应波束形成方法包括以下步骤：设置初始加权矢量，根据新的信号的矢量计算各种矢量和/或标量的值，使用新信号的矢量和标量的值在梯度搜索方法中更新加权矢量，使加权矢量归一化，并基于更新的加权矢量形成最佳波束的方向图。

根据以下cost函数的最大，将所述加权矢量设置为使SINR最大：

$J\left(w_{k,p}\mathrm{\λ}\right)=w_{k,p}^H{R}_{\mathrm{ss}}{w}_{k,p}+\mathrm{\λ}(1-w_{k,p}^H{R}_{\mathrm{uu}}{w}_{k,p})$

其中H是复共轭转置矩阵(厄密共轭算子)，λ是拉格朗日算子，w_k，p是第k个用户终端的第p个多路径信号的加权矢量，R_ss是所需信号的自协方差矩阵，以及R_uu是不需要信号的自协方差矩阵，即干扰信号和噪声的和(u)。

所述梯度搜索方法由下列等式构成：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\frac{1}{2}\mathrm{\μ}{\▿}_w$

$=w_{k,p}\left(m\right)+\mathrm{\μ}(R_{\mathrm{ss}}\left(m\right)w_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right)R_{\mathrm{uu}}\left(m\right)w_{k,p}\left(m\right))$

这里，_w(m)是函数J(W_k，p，λ)在瞬态(snapshot)指数m的梯度矢量，μ是步进尺寸。

根据以下等式，分别计算所需的和不需要的信号的自相关矩阵R_ss，k，p(m)和R_uu，k，p(m)。

R_ss，k，p(m)＝fR_ss，k，p(m-1)+s(m)s^H(m)和

R_uu，k，p(m)＝fR_uu，k，p(m-1)+μ(m)μ^H(m)

其中f是忘记因子(forgetting factor)(0≤f≤1)。

可用以下等式表示λ(m)：

$\mathrm{\λ}\left(m\right)=\frac{w_{m,p}^H\left(m\right)R_{\mathrm{ss},k,p}\left(m\right)w_{k,p}\left(m\right)}{w_{k,p}^H\left(m\right)R_{\mathrm{uu},k,p}\left(m\right)w_{k,p}\left(m\right)}$

用以下等式更新加权矢量：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\mathrm{\μ}[{\tilde{y}}_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right){\tilde{q}}_{k,p}\left(m\right)]$

通过以下等式使更新的加权矢量归一化：

$w_{k,p}(m+1)=\frac{w_{k,p}(m+1)}{\left|\right|w_{k,p}(m+1)\left|\right|}$

附图说明

包含在技术说明书中并构成了技术说明书一部分的附图，表示了本发明所述的实施例，与描述一起，构成了对本发明原理的解释。

图1是一个表示了根据本发明的优选实施例的盲自适应波束形成方法的流程图。

具体实施方式

以下将参照附图对本发明优选的实施例进行描述。

在本发明所述的自适应波束形成方法中，可以用采用拉格朗日算子的cost函数将按如下方式计算加权矢量，以使SINR最大：

$J\left(w_{k,p}\mathrm{\λ}\right)=w_{k,p}^H{R}_{\mathrm{ss}}{w}_{k,p}+\mathrm{\λ}(1-w_{k,p}^H{R}_{\mathrm{uu}}{w}_{k,p})---\left(1\right)$

其中H是复共轭转置矩阵(厄密共轭算子)，λ是拉格朗日算子，w_k，p是第k个用户终端的第p个多路径信号的加权矢量，R_ss是所需信号的自协方差矩阵，以及R_uu是不需要的信号的自协方差矩阵，即干扰信号和噪声的和(u)。

可用以下公式表示所述加权矢量w_k，p

$w_{k,p}={[w_{k,p}^{\left(0\right)}{w}_{k,p}^1\·\·\·w_{k,p}^{N-1}]}^H---\left(2\right)$

其中N是天线的数量。从等式(2)中，使函数J(w_k，p，λ)最大的加权矢量w_k，p可通过约束 $w_{k,p}^H{R}_{\mathrm{uu}}{w}_{k,p}10=1$ 条件得出。

R_ssw_k，p＝λR_uuw_k，p                         (3)

从等式(1)中，可通过如下等式计算函数J(w_k，p，λ)的与w_k，p ^*有关的梯度矢量_w(m)：

_w(m)＝2(R_ss(m)w_k，p(m)-λ(m)R_uu(m)w_m，p(m))      (4)

其中m是瞬态指数，*是复共轭。

根据梯度搜索方法，按如下方式更新加权矢量：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\frac{1}{2}\mathrm{\μ}{\▿}_w---\left(5\right)$

$=w_{k,p}\left(m\right)+\mathrm{\μ}(R_{\mathrm{ss}}\left(m\right)w_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right)R_{\mathrm{uu}}\left(m\right)w_{k,p}\left(m\right))$

其中，μ为步进尺寸。可通过如下等式获得协方差矩阵R_ss和R_uu：

R_ss，k，p(m)＝fR_ss，k，p(m-1)+s(m)s^H(m)      (6)

R_uu，k，p(m)＝fR_uu，k，p(m-1)+u(m)u^H(m)      (7)

其中f是忘记因子(0≤f≤1)。从等式(5)中，λ(m)可表示如下：

$\mathrm{\λ}\left(m\right)=\frac{w_{m,p}^H\left(m\right)R_{\mathrm{ss},k,p}\left(m\right)w_{k,p}\left(m\right)}{w_{k,p}^H\left(m\right)R_{\mathrm{uu},k,p}\left(m\right)w_{k,p}\left(m\right)}---\left(8\right)$

同样，按如下方式将所述加权矢量w_k，p归一化：

$w_{k,p}(m+1)=\frac{w_{k,p}(m+1)}{\left|\right|w_{k,p}(m+1)\left|\right|}---\left(9\right)$

使用协方差矩阵，可以推出能够减少盲梯度搜索方法(BGSA)的计算复杂程度的线性化的盲自适应算法。

可按如下方式定义瞬态指数m中的拉格朗日算子λ

$\mathrm{\λ}\left(m\right)=\frac{{\mathrm{\λ}}_{\mathrm{num}}\left(m\right)}{{\mathrm{\λ}}_{\mathrm{den}}\left(m\right)}---\left(10\right)$

由公式(10)，将λ_num(m)表示如下：

${\mathrm{\λ}}_{\mathrm{num}}\left(m\right)=w_{k,p}^H\left(m\right)R_{\mathrm{ss}}\left(m\right)w_{k,p}\left(m\right)$

$=w_{k,p}^H\left(m\right)\≥[f{R}_{\mathrm{ss}}(m-1)+s\left(m\right)s^H\left(m\right)]w_{k,p}\left(m\right)$

$=f{w}_{k,p}^H\left(m\right)R_{\mathrm{ss}}(m-1)w_{k,p}\left(m\right)+w_{k,p}^H\left(m\right)s\left(m\right)s^H\left(m\right)w_{k,p}\left(m\right)$

$\≈f{w}_{k,p}^H(m-1)R_{\mathrm{ss}}(m-1)w_{k,p}(m-1)+w_{k,p}^H\left(m\right)s\left(m\right)s^H\left(m\right)w_{k,p}\left(m\right)$ (11)

同样，从等式(11)中，可将λ_num(m)表示如下：

λ_num(m)＝fλ_num(m-1)+|y_k，p(m)|²     (12)

从等式(12)中，可y_k，p(m)将表示如下：

$y_{k,p}\left(m\right)=s_{k,p}^H\left(m\right)w_{k,p}\left(m\right)---\left(13\right)$

以同样的方式，将λ_den表示如下：

λ_den(m)＝fλ_den(m-1)+|q_k，p(m)|²     (14)

从等式(14)中，可将q_k，p(m)表示如下：

q_k，p(m)＝u^H(m)w_k，p(m)               (15)

同样，可将加权矢量更新等式(5)写成如下：

w_k，p(m+1)＝w_k，p(m)+μz_k，p(m)       (16)

在等式(16)中，可将z_k，p(m)表示如下：

z_k，p(m)＝[R_ss(m)-λ(m)R_uu(m)]w_k，p(m)(17)

在等式(17)中，可将z_k，p(m)表示为：

z_k，p(m)＝[fR_ss(m-1)+s(m)s^H(m)-λ(m)(fR_uu(m-1)＋u(m)u^H(m))]w_k，p(m)

＝[(fR_ss(m-1)w_k，p(m)+s(m)s^H(m)w_k，p(m))-fλ(m)R_uu(m-1)w_k，p(m)-λ(m)u(m)w_k，p(m)]

                                                               (18)

从等式(13)和(18)中，可将 表示为：

${\tilde{y}}_{k,p}\left(m\right)=f{R}_{\mathrm{ss}}(m-1)w_{k,p}\left(m\right)+s\left(m\right)s^H\left(m\right)w_{k,p}\left(m\right)$

$\≈f{R}_{\mathrm{ss}}(m-1)w_{k,p}(m-1)+s\left(m\right)s^H\left(m\right)w_{k,p}\left(m\right)---\left(19\right)$

$=f{\tilde{y}}_{k,p}(m-1)+y_{k,p}\left(m\right)s\left(m\right)$

其中可将初始值表示为： ${\tilde{y}}_{k,p}\left(0\right)=y_{k,p}\left(0\right)s\left(0\right).$

以相同的方式，从公式(15)和(18)可将 表示如下：

${\tilde{q}}_{k,p}\left(m\right)=f{R}_{\mathrm{uu}}(m-1)w_{k,p}\left(m\right)+u\left(m\right)u^H\left(m\right)w_{k,p}\left(m\right)$

$=f{\tilde{q}}_{k,p}(m-1)+q_{k,p}\left(m\right)u\left(m\right)$ (20)

其中，可将初始值表示为： ${\tilde{q}}_{k,p}\left(0\right)=q_{k,p}\left(0\right)u\left(0\right).$

相应地，可将z_k，p(m)表示为：

$z_{k,p}\left(m\right)=[{\tilde{y}}_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right)q_{k,p}\left(m\right)]---\left(21\right)$

将参照图1对本发明所述的盲自适应波束形成方法进行描述。

当本发明所述的盲自适应波束形成算法用于接收的信号时，利用如下(22)-(27)的等式计算的初始矢量和/或标量，在步骤S101来设置初始加权矢量w_k，p(0)：

w_k，p(0)＝s(0)                                                   (22)

y_k，p(0)＝s^H(0)w_k，p(0)                                        (23)

q_k，p(0)＝u^H(0)w_k，p(0)                                        (24)

λ_num(0)＝|y_k，p(0)|²                                          (25)

λ_den(0)＝|q_k，p(0)|²                                  (26)

$\mathrm{\λ}\left(0\right)=\frac{{\mathrm{\λ}}_{\mathrm{num}}\left(0\right)}{{\mathrm{\λ}}_{\mathrm{den}}\left(0\right)}---\left(27\right)$

接收到新的信号时，就在步骤S102按如下方法使用新信号的信号矢量更新以前的矢量和/或标量：

y_k，p(m)＝s^H(m)w_k，p(m)                                (28)

q_k，p(m)＝u^H(m)w_k，p(m)                                (29)

λ_num(m)＝fλ_num(m-1)+|y_k，p(m)|²                     (30)

λ_den(m)＝fλ_den(m-1)+|q_k，p(m)|²                     (31)

$\mathrm{\λ}\left(m\right)=\frac{{\mathrm{\λ}}_{\mathrm{num}}\left(m\right)}{{\mathrm{\λ}}_{\mathrm{den}}\left(m\right)}---\left(32\right)$

$\tilde{y}\left(m\right)=f{\tilde{y}}_{k,p}(m-1)+y_{k,p}\left(m\right)s_{k,p}\left(m\right)---\left(33\right)$

${\tilde{q}}_{k,p}\left(m\right)=f{\tilde{q}}_{k,p}(m-1)+q_{k,p}\left(m\right)u\left(m\right)---\left(34\right)$

上述值更新后，在步骤S103中，采用梯度搜索方法中的更新的矢量和/或标量值来更新加权矢量如下：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\mathrm{\μ}[{\tilde{y}}_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right){\tilde{q}}_{k,p}\left(m\right)]---\left(35\right)$

更新后，在步骤S104，按如下方法对加权矢量进行归一化：

$w_{k,p}(m+1)=\frac{w_{k,p}(m+1)}{\left|\right|w_{k,p}(m+1)\left|\right|}---\left(36\right)$

如果继续进行自适应的更新程序，则自适应波束成形算法重复地回到步骤S102。

一旦计算出加权矢量，在步骤S105，根据更新的加权矢量计算天线阵的输出。

当结合目前认为最为实用的和优选的实施例，对本发明作了描述后，可以理解，本发明不仅限于公开的实施例，相反，本发明包括在权利要求中所述的精神和范围之内的各种修改和等效设置。

如上所述，在本发明的盲自适应波束形成算法中，由于形成最佳波束方向图的加权矢量是在梯度搜索方法中计算的，因此有可能使同信道的干扰和噪声最小，结果，使系统容量、覆盖区域和可靠的高速数据通信服务达到最佳。

同样，本发明所述的盲自适应波束形成算法可用于第四代无线通信系统中，也可用于诸如WCDMA、CDMA-2000的其他无线系统中，以使系统性能最佳。

Claims (9)

1.一种自适应波束形成方法，包括步骤：

设置初始加权矢量；

根据新的信号的矢量计算各种矢量和/或标量的值；

使用新信号的矢量和标量的值在梯度搜索方法更新加权矢量；以及

根据更新的加权矢量形成最佳波束方向图；

其中，根据以下cost函数的最大，设置所述加权矢量以使SINR最大：

$J(w_{k,p},\mathrm{\λ})=w_{k,p}^H{R}_{\mathrm{ss}}{w}_{k,p}+\mathrm{\λ}(1-w_{k,p}^H{R}_{\mathrm{uu}}{w}_{k,p})$

其中H是复共轭转置矩阵(厄密共轭算子)，λ是拉格朗日算子，w_k，p是第k个用户终端的第p个多径信号的加权矢量，R_ss是所需信号的自协方差矩阵，以及R_uu是不需要的信号的自协方差矩阵，即干扰信号和噪声的和(u)；

其中所述梯度搜索方法用以下等式表示：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\frac{1}{2}\mathrm{\μ}{\▿}_w$

$=w_{k,p}\left(m\right)+\mathrm{\μ}(R_{\mathrm{ss}}\left(m\right)w_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right)R_{\mathrm{uu}}\left(m\right)w_{k,p}\left(m\right))$

其中，_w(m)是函数J(W_k，p，λ)瞬态指数m的梯度矢量，以及μ是步进尺寸；

其中用以下等式表示λ(m)：

$\mathrm{\λ}\left(m\right)=\frac{w_{m,p}^H\left(m\right)R_{\mathrm{ss},k,p}\left(m\right)w_{k,p}\left(m\right)}{w_{k,p}^H\left(m\right)R_{\mathrm{uu},k,p}\left(m\right)w_{k,p}\left(m\right)}.$

2.根据权利要求1所述的自适应波束形成方法，其中使用拉格朗日算子使SINR最大。

3.根据权利要求1所述的自适应波束形成方法，其中根据以下等式，分别计算所需的和不需要的信号的自协方差矩阵R_ss，k，p(m)和R_uu，k，p(m)：

R_ss，k，p(m)＝fR_ss，k，p(m-1)+s(m)s^H(m)和

R_uu，k，p(m)＝fR_uu，k，p(m-1)+u(m)u^H(m)

其中f是忘记因子(0≤f≤1)。

4.根据权利要求3所述的自适应波束形成方法，其中通过下列等式更新所述加权矢量：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\mathrm{\μ}[{\tilde{y}}_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right){\tilde{q}}_{k,p}\left(m\right)].$

5.一种自适应波束形成方法，包括步骤：

设置初始加权矢量；

根据新的信号的矢量计算各种矢量和/或标量的值；

使用新信号的矢量和标量的值在梯度搜索方法中更新加权矢量；

使所述加权矢量归一化；和

根据更新的加权矢量形成最佳波束方向图；

其中，根据以下cost函数的最大，设置所述加权矢量以使SINR最大：

$J(w_{k,p},\mathrm{\λ})=w_{k,p}^H{R}_{\mathrm{ss}}{w}_{k,p}+\mathrm{\λ}(1-w_{k,p}^H{R}_{\mathrm{uu}}{w}_{k,p})$

其中H是复共轭转置矩阵(厄密共轭算子)，λ是拉格朗日算子，w_k，p是第k个用户终端的第p个多径信号的加权矢量，R_ss是所需信号的自协方差矩阵，以及R_uu是不需要的信号的自协方差矩阵，即干扰信号和噪声的和(u)；

其中所述梯度搜索方法用以下等式表示：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\frac{1}{2}\mathrm{\μ}{\▿}_w$

$=w_{k,p}\left(m\right)+\mathrm{\μ}(R_{\mathrm{ss}}\left(m\right)w_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right)R_{\mathrm{uu}}\left(m\right)w_{k,p}\left(m\right))$

其中，_w(m)是函数J(W_k，p，λ)瞬态图指数m的梯度矢量，以及μ是步进尺寸；

其中用以下等式表示λ(m)：

$\mathrm{\λ}\left(m\right)=\frac{w_{m,p}^H\left(m\right)R_{\mathrm{ss},k,p}\left(m\right)w_{k,p}\left(m\right)}{w_{k,p}^H\left(m\right)R_{\mathrm{uu},k,p}\left(m\right)w_{k,p}\left(m\right)}.$

6.根据权利要求5所述的自适应波束形成方法，其中使用拉格朗日算子使SINR最大。

7.根据权利要求5所述的自适应波束形成方法，其中根据以下等式，分别计算所需的和不需要的信号的自协方差矩阵R_ss，k，p(m)和R_uu，k，p(m)：

R_ss，k，p(m)＝fR_ss，k，p(m-1)+s(m)s^H(m)和

R_uu，k，p(m)＝fR_uu，k，p(m-1)+u(m)u^H(m)

其中f是忘记因子(0≤f≤1)。

8.根据权利要求5所述的自适应波束形成方法，其中通过下列等式更新所述加权矢量：

$w_{k,p}(m+1)=w_{k,p}\left(m\right)+\mathrm{\μ}[{\tilde{y}}_{k,p}\left(m\right)-\mathrm{\λ}\left(m\right){\tilde{q}}_{k,p}\left(m\right)].$

9.根据权利要求5所述的自适应波束形成方法，其中通过以下等式将所述加权矢量归一化：

$w_{k,p}(m+1)=\frac{w_{k,p}(m+1)}{\left|\right|w_{k,p}(m+1)\left|\right|}.$

Images