CN1474612A - 自适应波束与自适应开关波束相结合的智能天线系统 - Google Patents

Abstract

本发明为一种自适应波束和自适应开关波束结合的智能天线系统。它分为上行链路和下行链路两个部分，在上行链路中使用自适应波束指向每个用户，在下行链路中使用自适应开关波束形成若干个扇区，从而将自适应波束和自适应开关波束相结合。它综合了原两种智能天线的优点，并克服了它们的弊端，是一种性能优异而技术又易于实现的新的智能天线系统，可广泛应用于第3代移动通信中。

Description

自适应波束与自适应开关波束相结合的智能天线系统

技术领域

本发明属于通信技术领域，具体涉及一种将自适应波束和自适应开关波束相结合的新的智能天线系统。

背景技术

智能天线是第三代移动通信(3G)中的关键技术，它能抑制干扰、增加系统的容量。现有的智能天线系统分为两类：一种是自适应波束(Adaptive Beam)，它通过估计各个用户的来波方向(DOA)形成对准各用户的波束，当用户移动时波束需要进行相应的跟踪。另一种是开关波束(Switched Beam)，它通过各波束将小区(cell)划分成各个扇区(sector)。由于在每个扇区中用户数量的减少，因此干扰减小，并因此使系统的容量增加；但由于每个扇区中仍存在多个用户，由于其抑制干扰的能力不及自适应波束中一个波束对准一个用户，所以系统容量的增加不如自适应波束天线系统。但在多径环境下，由于电波都是非直接到达的，因此很难形成对准各用户的下行波束。实际上要分别形成对准每个用户的下行波束在技术上也是不容易实现的。

发明内容

本发明的目的是提出一种性能优异而技术上易于实现的智能天线系统，该天线系统既可综合上述两种智能天线的优点，又可克服这两个系统的弊端。

本发明提出的智能天线系统，分为上行链路和下行链路二个部分，在系统的上行链路中使用自适应波束指向每个用户，在下行链路中使用自适应开关波束形成若干个扇形区，从而将自适应波束和自适应开关波束相结合。其中，上行链路分成四个部分：解调采样缓冲模块1、导向矢量估计模块2、加权矢量模块3、解扩模块4。天线接收到的信号经过解调采样缓冲模块得到解调后的采样信号，并且将其输入到导向矢量估计模块中，用于估计每个用户的导向矢量；然后结合各个用户导向矢量；求得上行权矢量，并且在加权矢量模块中将权矢量加到每个天线的接收信号中；最后信号通过解扩模块，得到期望用户的发送信息。下行链路分成三个部分：扩频模.5、下行权矢量形成模块6、调制模块7，基站中发送给期望用户的信息通过扩频加载上期望用户的地址码，然后加下行权矢量调制后将基站信息通过天线发送。其结构见图1所示。

本发明提出的上述智能天线系统中，其相应的算法具体如下：

1、用户导向矢量估计

本算法对应于天线系统中用户导向矢量估计模块。

假设接收到K个CDMA用户的信号，每个用户有L_k条路径。信道参数在较短的时隙内可以看作线性时不变(LTI)的。令α_k，p为第k个用户的第p路信号的衰减系数，为叙述方便，将发送幅度

和载波相位φ_k也包含在α_k，p中。信源和接收机同步时φ_k＝0，因此α_k，p是阵元接收的信号幅度。τ_k，p为第k个用户的第p路信号的TOA，取码片周期为T_c，设采样时间T_s远小于T_c，因此可认为是点采样。用具有M个阵元的均匀平面圆阵来接收信号，在第n个采样时刻的接收信号矢量

其中a(θ)是均匀平面圆阵的导向矢量：_i＝2πi/M，R为圆阵的半径，λ为载波波长，θ_k，p为第k个用户的第p    路信号的DOA。T是符号宽度，N＝T/T_c为扩频增益，{c_k ⁽ⁱ⁾}是第k个用户发送的符号，{a_k ⁽ⁿ⁾}是第k个用户的扩频码序列，对于BPSK调制，c_k ⁽ⁱ⁾，a_k ⁽ⁱ⁾∈{1，-1}, $a_k\left(t\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{\mathrm{\Π}}_{T_c}(t-{\mathrm{nT}}_c)a_k^{\left(n\right)},$ ∏T_c(t)为一个矩形脉冲：

η(n)为第n次采样时的高斯白噪声，它的均值为0，方差为σ_n ²，符号

表示取整，为整数倍T_c的时延，所以ν_k，p∈{0，…，N-1}。

取一段长度为N的观察时间序列，对应于一个符号宽度T。将这段时间内的采样接收信号组成一个观察矩阵： $X_i=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}(c_k^{(i-1)}{U}_k^r+c_k^{\left(i\right)}{U}_k^1)+{\mathrm{\Ω}}_i----\left(3\right)$ 其中 ${U_k}^1=\underset{p=1}{\overset{L_k}{\mathrm{\Σ}}}{\mathrm{\α}}_{k,p}{d_k}^1\left(v_{k,p}\right)a^T\left({\mathrm{\θ}}_{k,p}\right),{U_k}^r=\underset{p=1}{\overset{L_k}{\mathrm{\Σ}}}{\mathrm{\α}}_{k,p}{d_k}^r\left(v_{k,p}\right)a^T\left({\mathrm{\θ}}_{k,p}\right);----\left(4\right)$ $d_k^r\left(v_{k,p}\right)={[0,\·\·\·,0,{a_k}^{\left(0\right)},\·\·\·,{a_k}^{(N-v_{k,p}-1)}]}^T\∈C^{N\×1};----\left(5\right)$

       Ω_i＝[η(iN)，η(iN+1)，…，η(iN+N-1)]^T             (6)由于被接收的多径信号的到达各基站的时延应该在一个比[0，T)更小的范围内，设为[0，LT_c)，L为整数且L＜N，于是ν_k，p∈{0，1，…，L-1}。估计导向矢量时要求用户发送已知符号序列，令

ν_k，p在{0，1，…，L-1}中的取值，令M×3维矩阵Hk的第ν_k，p+1行为α_k，pa^T(θ_k，p)，其余行设为0矢量 $p_1,p_2,\&CenterDot;\&CenterDot;\&CenterDot;p_{L_k}\&Element;\{\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,L_k\}$ 且 $v_{{k,p}_1}<v_{{k,p}_2}<\&CenterDot;\&CenterDot;\&CenterDot;<v_{{k,p}_{L_k}}$ 所以 $X_i=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{D}_k^{\left(i\right)}{H}_k+{\mathrm{\&Omega;}}_i----\left(9\right)$ 再令 $H={[H_1^T,H_2^T,\&CenterDot;\&CenterDot;\&CenterDot;H_K^T]}^T,$ 所以

           X_i＝D⁽ⁱ⁾H+Ω_i                   (10)利用最大似然法估计得到 $\hat{H}=[{\hat{H}}_1,{\hat{H}}_2,\&CenterDot;\&CenterDot;\&CenterDot;,{\hat{H}}_k]={\left(D^{{\left(i\right)}^T}{Q}^{-1}{D}^{\left(i\right)}\right)}^{-1}{D}^{{\left(i\right)}^T}{Q}^{-1}{X}_i----\left(11\right)$ 其中 表示H的估计值， $Q=E\left[{\mathrm{\&Omega;}}_i{{\mathrm{\&Omega;}}_i}^T\right]=\mathrm{diag}\{{{\mathrm{\&sigma;}}_n}^2,\&CenterDot;\&CenterDot;\&CenterDot;,{{\mathrm{\&sigma;}}_n}^2\}={\mathrm{\&sigma;}}_n^2{I}_N.$ 从 中分离出…， 遍历 的所有行向量，找出二阶范数最大的行，便是用户k的主径的{α_k，1a^T(θ_k，1)}： ${\hat{a}}_{k,1}{\hat{a}}^T\left({\mathrm{\&theta;}}_{k,1}\right)={\hat{H}}_k({\hat{v}}_{k,1},:)----\left(12\right)$ 其中 ${\hat{v}}_{k,1}=\arg \underset{i}{\max }{\left|\right|{\hat{H}}_k(i+1,:)\left|\right|}_2,$ i∈{0，1，…，L-1)，

表示取

的第i+1行，‖‖₂表示取向量的二阶范数。因为有‖a(θ_k，1)‖₂＝M，所以用户k的主径信号的等效导向矢量 $\hat{a}\left({\mathrm{\&theta;}}_{k,1}\right)=\sqrt{\frac{M}{{\left|\right|H_k^{\&prime;}({\hat{v}}_{k,1},:)\left|\right|}_2}}{\hat{H}}_k^T({\hat{v}}_{k,1},:),k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K----\left(13\right)$ 求得所有用户的主径信号的等效导向矢量a(θ_k，1)后，组成一个M×K的矩阵

2、上行的权矢量计算和用户分布估计

本算法对应于天线系统中的加权矢量模块。为得到用户的实时分布以形成下行的开关波束，可采用比较相关系数法，根据估计出的导向矢量得到用户对应的来波方向，具体步骤如下：

假设已经估计得到的用户k的导向矢量为 其中M是天线阵的阵元数。若在0～359度中每隔Δ度取一个采样角度θ_s(Δ为大于0小于359的一个常数)，将θ_s代入式(2)中得到采样角度的阵列导向矢量b(θ_s)∈C^M×1，然后求出采样角度的阵列导向矢量b(θ_s)和估计导向矢量的互相关系数 $r\left({\mathrm{\&theta;}}_s\right)=\hat{a}{\left({\mathrm{\&theta;}}_d\right)}^{H}b\left({\mathrm{\&theta;}}_s\right).$ 再找出最大的互相关系数所对应的采样角度θ_s，在其附近以1度的采样角度再作更加精确的估计θ_k，即得到用户k的来波方向。采用以上方法求出所有用户的来波方向并将其代入公式(2)，可以重新得到用户的导向矢量a(θ_k)，因此求得指向每个用户的上行波束对应的Capon权矢量： $w_{\mathrm{caopon},k}=\frac{R^{-1}a\left({\mathrm{\&theta;}}_k\right)}{a^H\left({\mathrm{\&theta;}}_k\right)R^{-1}a\left({\mathrm{\&theta;}}_k\right)}s.t.w^{H}a\left({\mathrm{\&theta;}}_k\right)=1,w^{H}a\left({\mathrm{\&theta;}}_{\mathrm{ij}}\right)=0----\left(15\right)$ 其中W_Capon，k是指向第k个用户的权矢量，θ_k是波束期望指向角度，θ_ij是其他方向，

得到权矢量之后，在天线阵列的各个阵元上逐个乘以权矢量的对应元素，则整个空间分布图上就可以得到指向期望用户的波束。利用Capon权矢量形成的上行自适应波束具有较好的指向性，它的主瓣对准期望用户，而将其余用户约束在零波束或者是较小的旁瓣中(具体可以参见仿真图示)。这样可以减小其他用户的干扰，使得接收信号具有较高的信干比。此外，在上行系统中除了要形成指向用户的波束以外，通过上行链路中已估计出的各用户的来波方向，可得知整个小区内用户的分布情况，为下行自适应开关波束的形成和分布提供了依据。

3、下行自适应开关波束的权矢量形成

本算法对应于天线系统中的下行权矢量的形成模块。CDMA系统需要对移动用户进行功率控制。本文提出的方法不受限于同一个扇区中各个用户到达基站的功率必须相等，而是对各个用户到达基站的功率和信号干扰比(SINR)同时进行控制。设扇区中第i个用户到达基站的功率为P_i，即要求在每个扇区内同时满足(16)、(17)两式： $\min \underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{P}_i----\left(16\right)$ ${\mathrm{SINR}}_i=\frac{P_i}{\underset{j=1,j\&NotEqual;i}{\overset{M}{\mathrm{\&Sigma;}}}{P}_j+I_{\mathrm{ex}}+{\mathrm{\&sigma;}}_n^2}\&GreaterEqual;{\mathrm{SINR}}_{\mathrm{th}}----\left(17\right)$ 其中M是该扇区内用户数，I_ex是外小区干扰，SINR_i是第i个用户的信号干扰噪声比(简称：信干噪比)，它可以由实测得到，SINR_th是保证通信不中断所需信号干扰噪声比的最小阈值。

在保证满足(16)、(17)式的基础上，可通过改变扇区内各用户的发射功率，即改变用户到达基站的功率，使在满足扇区能容纳最多用户时基站接收到的用户功率总和

为最小。具体实现方法如下，在这里仅仅阐述初始扇区的形成方法，以后的均可以类推。

(1)设置扇区的初始角度为0°；

(2)扇区向逆时针方向增加10°；

(3)计算扇区内所有用户的信号干扰噪声比，找到其中最小的信干噪比；

(4)判断最小的信干噪比是否大于通信的阈值SINR_th；如果大于阈值，回到(2)，继续执行；如果小于阈值，则进入(5)；

(5)将对应于最小信干噪比的用户的发射功率增加一个步长(step)；

(6)判断增加后的用户发射功率是否大于移动用户的最大发射功率；如果大于最大发射功率，则将扇区减小10°，恢复该用户的初始发射功率，回到(3)；否则进入(7)；

(7)计算该用户的信干噪比；

(8)判断此时该用户的信干噪比是否小于信干噪比的通信阈值SINR_th；如果小于则回到(5)；否则，进入(9)；

(9)计算其余用户的信干噪比，重新找到新的最小信干噪比；

(10)判断最小信干噪比是否大于通信阈值SINR_th；如果大于，则进入(11)，否则进入(5)；(11)进入下一个扇区的形成；

该方法在保证了扇区拥有最大通信容量的同时，扇区内接收到的用户总功率最小。其中，P_max是根据具体的移动台和基站的性能而确定的，step为步长。步长越小，则用该方法实现扇区自适应分布的效果越好。

在得知扇区的指向图之后，则可以用最小二乘的方法得到下行的权矢量。对于二维的情况，在＝[0，2π)上均匀的取Q个观察点(例如Q＝360)，它们的方位角分别为θ_q＝(q-1)×2π/Q，利用公式(2)可以求出对应于任一θ_q的阵列导向矢量a(θ_q)。依次排列a(θ_q)则可以组成一个Q×P的矩阵：

                  X＝[a(θ₀)a(θ₁)…a(θ_Q-1)^T             (18)

定义矢量z为所期望的扇区指向分布，它由在圆周上均匀分布的Q个场点的采样值组成。列出线性方程如下：

                             XW＝z                              (19)

一般情况下，观察点的数目会远远大于天线元的数目，所以(19)是一个超定方程，可以用最小二乘的方法求解，求出下行的权矢量为：

                      W＝(X^HX)^-1X^Hz                             (20)

附图说明

图1为自适应波束和自适应开关波束相结合的智能天线的结构框图。

图2是下行自适应开关波束中扇区形成的流程图。

图3是整个小区内的用户分布图。

图4是上行链路中自适应指向用户的几个波束。

图5是下行链路中自动调整的自适应开关波束。

图中标号：1为调解采样模块，2为导向矢量估计模块，3为加权矢量模块，4为解扩模块，5为扩频模块，6为下行权矢量形成模块，7为调制模块。

具体实施方式

下面通过实例进一步具体描述本发明。设在CDMA小区内同时有30个用户与基站进行通信，其用户随机分布如图3所示。系统的扩频带宽为10MHz，数据速率为64Kbps，处理增益为156；话音激活因子υ＝0.375，在信号带宽内的背景噪声功率为-120dBW。系统下行链路中，对用户进行功率调整时，step＝-140dBW，P_max＝-120dBW。

1.根据天线阵列中接收到的用户上行信号，利用最大似然方法估计出第k个用户的导向矢量a(θ_k)，k＝1，…，30。

2.根据求出的用户导向矢量可以得到上行链路中的自适应指向每个用户的波束的权矢量；

3.根据用户的导向矢量可以估计出用户的来波方向(结果见表1)，同时得到小区内的用户分布；在表1中估计值1和估计值2分别是未利用导向矢量相关搜索和利用相关搜索得到的用户DOA估计值。从表中的结果可以看出，通过相关搜索之后得到的估计值精度有了大大的提高。

4.通过功率控制和下行扇区的自适应调整可以得到下行权矢量，形成下行的自适应开关波束。

表1：用户的来波方向(单位：度)和其来波方向的估计结果

Claims (4)

1、一种智能天线系统，其特征在于分为上行链路和下行链路两个部分，在系统的上行链路中使用自适应波束指向每个用户，在下行链路中使用自适应开关波束形成若干个扇区，从而将自适应波束和自适应开关波束相结合，其中，

上行链路分成四个部分：解调采样缓冲模块、导向矢量估计模块、加权矢量模块、解扩模块，天线接收到的信号经过解调采样缓冲模块得到解调后的采样信号，并且将其输入到导向矢量估计模块中，用于估计每个用户的导向矢量；然后结合各个用户导向矢量，求得上行权矢量，并且在加权矢量模块中将权矢量加到每个天线的接收信号中；最后信号通过解扩模块，得到期望用户的发送信息；

下行链路分成三个部分：扩频模块、下行权矢量形成模块、调制模块，基站中发送给期望用户的信息通过扩频加载上期望用户的地址码，然后加下行权矢量调制后将基站信息通过天线发送。

2、根据权利要求2所述的智能天线系统，其特征在于在上行链路中根据天线阵列接收到的用户信号利用最大似然的估计方法估计出用户的导向矢量，其第k个用户的导向矢量由下式确定： $\hat{a}\left({\mathrm{\&theta;}}_{k,1}\right)=\sqrt{\frac{M}{{\left|\right|H_k^{\&prime;}({\hat{v}}_{k,1},:)\left|\right|}_2}}{H}_k^T({\hat{v}}_{k,1},:),k=1,\&CenterDot;\&CenterDot;\&CenterDot;,K----\left(13\right)$ 式中，

表示取H_k的第

行的所有元素， ${\hat{v}}_{k,1}=\arg \underset{i}{\max }\left|\right|H_k(i+1,:)|{|}_2,$ i∈{0，1，...，L-1}，H_k(i+1，：)表示取H_k的第i+1行，‖‖₂表示取向量的二阶范数，M是天线阵列的阵元个数； $\hat{H}=[{\hat{H}}_1,{\hat{H}}_2,\&CenterDot;\&CenterDot;\&CenterDot;,{\hat{H}}_k]={\left(D^{{\left(i\right)}^T}{Q}^{-1}{D}^{\left(i\right)}\right)}^{-1}{D}^{{\left(i\right)}^T}{Q}^{-1}{X}_i----\left(11\right)$ $D_k^{\left(i\right)}=[c_k^{(i-1)}{d}_k^1\left(0\right)+c_k^{\left(i\right)}{d}_k^r\left(0\right),c_k^{(i-1)}{d}_k^1\left(1\right)+c_k^{\left(i\right)}{d}_k^r\left(1\right),\&CenterDot;\&CenterDot;\&CenterDot;,c_k^{(i-1)}{d}_k^1(L-1)+c_k^{\left(i\right)}{d}_k^r(L-1)]----\left(7\right)$ Ω_i＝[η(iN)，η(iN+1)，…，η(iN+N-1)]^T    (6) $X_i=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{D}_k^{\left(i\right)}{H}_k+{\mathrm{\&Omega;}}_i----\left(9\right)$ $d_k^r\left(v_{k,p}\right)=[0,\&CenterDot;\&CenterDot;\&CenterDot;,0,{a_k}^{\left(0\right)},\&CenterDot;\&CenterDot;\&CenterDot;{a_k}^{(N-V_{k,p}-1)}{]}^T\&Element;C^{N\&times;1}----\left(5\right)$ 其中η(n)为第n次采样时的高斯白噪声，它的均值为0，方差为σ_n ²， $Q=E\left[{\mathrm{\&Omega;}}_i{{\mathrm{\&Omega;}}_i}^T\right]=\mathrm{diag}\{{{\mathrm{\&sigma;}}_n}^2,\&CenterDot;\&CenterDot;\&CenterDot;,{{\mathrm{\&sigma;}}_n}^2\}={\mathrm{\&sigma;}}_n^2{I}_N,$ {a_k ⁽ⁿ⁾}是第k个用户的扩频码序列，对于BPSK调制，a_k ⁽ⁱ⁾∈{1，-1}，N为扩频增益。

3、根据权利要求1所述智能天线系统，其特征在于得到用户的估计导向矢量之后，利用比较相关系数的方法得到用户的来波方向，并进一步求得指向每个用户的上行波束对应的Capon权矢量，从而确定小区内用户的分布；其中Capon权矢量由下式计算获得： $w_{\mathrm{caopon},k}=\frac{R^{-1}a\left({\mathrm{\&theta;}}_k\right)}{a^H\left({\mathrm{\&theta;}}_k\right)R^{-1}a\left({\mathrm{\&theta;}}_k\right)}s.t.w^{H}a\left({\mathrm{\&theta;}}_k\right)=1,w^{H}a\left({\mathrm{\&theta;}}_{\mathrm{ij}}\right)=0----\left(15\right)$ 其中w_Capon，k是指向第k个用户的权矢量，θ_k是波束期望指向角度，θ_ij是其他方向，

4、根据权利要求1所述的智能天线系统，其特征在于在下行链路中采用自适应开关波束，结合用户功率控制调整扇区的分布，以达到系统的最高容量；在确定扇区指向分布之后，用最小二乘的方法求出下行权矢量：

                    W＝(X^HX)^-1X^Hz    (20)

                X＝[a(θ₀)a(θ₁)…a(θ_Q-1)]^T    (18)Q为在＝[0，2π)上均匀的取的观察点数，它们的方位角分别为θ_q＝(q-1)×2π/Q，a(θ_q)是对应于θ_q的阵列导向矢量，矢量z为所期望的扇区指向分布，它由在圆周上均匀分布的Q个场点的采样值组成，其满足方程：

                                 XW＝z

                                                            (19)

Images