智能天线学习.pptx

《智能天线学习.pptx》由会员分享，可在线阅读，更多相关《智能天线学习.pptx（22页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 利用智能天线，借助有用信号和干扰信号在入射角度上的差异，选择恰当的合并权值，形成正确的天线接收模式，即将主瓣对准有用信号，低增益副瓣对准主要的干扰信号，从而可更有效的抑制干扰，更大比例的降低频率复用因子，和同时支持更多用户。从某种角度可将智能天线看作是更灵活、主瓣更窄的扇形天线。另外，智能天线可以通过形成多波束来获得额外信道，而不需要分配额外频谱，从根本上增加了频谱效率。智能天线的又一个好处是可减小多径效应。第1页/共22页智能天线的原理智能天线的原理 智能天线之所以称其为智能天线，“智能”不是在于天线，而在于信号处理。在最简单的情况下，天线信号的合并是采用权值矢量进行线性合并，如图3-35

2、所示.作为不同天线输出信号的合并器。智能天线定义强调的是利用从不同空间位置得到的信号，或者也可以说智能天线利用了信道的方向性。具有多天线的接收机能区分不同到达方向的多径分量。第2页/共22页输出信号y(i)(1ir)(irrN)(2ir权重自适应+XXX)(1iw)(2iw)(iwrN.图3-35 智能天线结构第3页/共22页 对一个等间距的元直线阵 ，如果阵元间距为 ，信号波长为 ，信号 从相对阵轴法线夹角为 的方向入射，如图3-37所示，则t时刻 个阵元信号的向量和是 （式3-17）（式3-18）式中，第4页/共22页天线阵的方向图仅由下式确定 （式3-19）归一化方向图以分贝表示为 （式

3、3-20）第5页/共22页 若保持间距不变，增加无方向性的阵元数，由上式可推得当阵元数增加时，方向图主瓣的宽度将减小，并且零点和旁瓣增加。如果天线阵阵元数少，那么对干扰信号进行抑制的零点形成明显减少，这样就减小了在所希望的方向上作用区的灵敏度。克服这种情况的方法之一是使用大型天线阵，提高自适应零点控制的能力。当然随阵元数的增加，费用和复杂性也随之增加。因此在阵的分辨能力、旁瓣电平以及对具体方向上的作用区内所要求的阵元数之间，应该进行综合考虑。第6页/共22页智能天线的接收准则智能天线的接收准则 在波束形成中，权向量通过代价函数的最优化来确定，代价函数的不同，分别对应着不同的方法，这些方法都是通

4、过求合适的权向量来最优化代价函数。自适应波束形成技术经过了几十年的发展，已有许多文献专著专门来介绍波束形成的基本原理和准则。常用的基本准则包括：最小均方误差准则、最大信噪比准则和最小方差准则等。第7页/共22页 最小均方误差准则旨在使估计误差的均方值最小化，是应用最广泛的一种最佳准则。定义参考信号为，则阵列输出与参考信号的均方误差为 （式3-21）为使的均方值最小，代价函数取为 （式3-22）第8页/共22页展开得 （式3-23）（式3-24）其中，为输入信号 的自相关矩阵，为输入信号 和参考信号 的互相关矩阵。第9页/共22页 取最小值的最佳权 ，可由令其对 的梯度为零求得 （式3-25）得

5、到最小均方误差准则下的最优全向量 （式3-26）此解是一种最优维纳解。第10页/共22页 另外两种基本准则为最大信噪比准则和最小二乘准则。其中最大信噪比准则旨在使有用信号功率和干扰噪声功率之比最大，常用于通信系统中，以实现系统误码率的要求。它的代价函数为 （式3-27）据此代价函数求出最优权向量。第11页/共22页 最小二乘准则旨在使如下的加权平方误差累计代价函数最小，由此得出代价函数为：（式3-28）同理求出最优权向量。虽然这三种准则从表面上看相差很大，但可以证明它们的联系非常紧密，最优权向量都是维纳解的特例。因此，选择哪一种准则并不具有决定意义，而选择哪一种算法进行波束方向图的调整却非常重

6、要的。第12页/共22页智能天线中常用的自适应算法智能天线中常用的自适应算法 通过算法可以自动地调整天线增益的权值以便实现所需要的空间滤波和频率滤波。通常对算法的基本要求是收敛快、稳定性好、计算量不能太大、硬件实现容易。目前己经提出的算法有很多，根据计算权矢量所必需的参考信号信息形式大体可分为三种：时间参考方式、盲处理方式和空间参考方式。第13页/共22页（1）基于时间参考方式的算法 基于时间参考方式的算法根据最小均方误差准则，利用导引信号来恢复信号。这类算法收敛速度较快，可以实现实时跟踪，非常适合多径丰富且信道特性变化剧烈的环境，缺点是需要系统发射训练序列，会占用一定的系统频谱资源。下面列举

7、几种常用的算法。第14页/共22页 最小均方误差算法（LMS一Least Mean Square）基于最小均方误差准则，应用了梯度估计的最陡下降原理，适用于作环境中信号的统计特性平稳但未知的情况。算法迭代公式如下：（式3-29）（式3-30）（式3-31）第15页/共22页 其中 ，为迭代步长，它决定着算法收敛的速度，取值必须满足 才能保证算法收敛。LMS算法的收敛性态取决于相关矩阵凡的特征结构，当其特征值相差很大时，算法收敛速度很慢，同时受输入信号的功率变化的影响。但是由于算法简便易于实现，它仍然得到了广泛的应用。为了减小收敛速度对输入信号功率的依赖性，可引入归一化技术，令式上式变为 （式3

8、-32）（式3-33）第16页/共22页 这时的算法称为归一化最小均方误差算法（NLMS-Normaliezd_LMS），收敛条件是 。NLMS算法根据输入信号的功率调整迭代步长，收敛速度要比LMS算法快，但是它的收敛性依然取决于相关矩阵的特征结构。递归最小二乘算法（RLS-Recursive Least Squares）基于最小二乘准则，利用从算法初始化后得到的所有阵列数据信息，用递推方法来完成采样相关矩阵的求逆运算。RLS算法无需直接进行矩阵求逆运算，因而收敛速度快，对特征值的散布度不敏感，且能实现收敛速度与计算复杂性之间的折衷。一般在大信噪比的情况下，RLS算法要比LMS算法的收敛速度快

9、一个数量级。第17页/共22页（2）基于盲处理方式的算法 基于盲处理方式的算法只利用接收信号本身的特征结构来恢复信号，这些特征结构包括恒模性、非高斯性、循环平稳性、有限码集特性等。这类算法通常也称为盲波束形成算法，它们不需要导引信号，提高了频谱的利用率，可应用于不同的传播环境。缺点是收敛性能差，且在复杂信道中可能不收敛或收敛到干扰信号。在近年来流行的盲算法中，恒模算法无需时间同步，运算复杂度相对较低，实现起来比较简单。第18页/共22页 （3）基于空间参考方式的算法 基于空间参考方式的算法利用阵列响应的先验知识，确定同时处在空间某一区域内感兴趣信号的空间位置，然后根据到达角（DOA-Direc

10、tion of Arrival）信息建立最优波束形成器。这类算法需要进行DOA估计和波束形成两个过程，因此计算量大，而且能够估计出的DOA的数目受限于天线阵元的个数。基于DOA估计的方法主要有：多重信号分类算法、旋转不变信号参数估计算法、加权子空间拟合算法、最小范数算法等。其中，多重信号分类算法以其良好的性能而得到广泛应用。第19页/共22页 多重信号分类算法（MUSIC-Multiple Signal Classification）的原理为：若天线阵元数比信号源数多，则天线接收的信号分量一定位于一个低秩的子空间，在一定条件下，这个子空间将唯一确定信号的波达方向，并且可以利用数值稳定的奇异值分

11、解来精确确定波达方向。MUSIC算法在信号源独立且阵元数大于信号源数情况下，有很高分辨率。但在实际中，信号都具有一定相关性，如果相关性比较强时，MUSIC算法就不能把信号分离出来，估计误差也会很大。空间平滑技术是对付相干或强相关信号的有效方法，可以利用它来改进MUSIC算法，但这是以牺牲阵列的有效孔径为代价的。第20页/共22页智能天线的作用智能天线的作用 智能天线的作用主要有增大覆盖范围、提升容量、改善链路质量、减小时延色散、提高用户定位的估计等方面。（1）增大覆盖范围 （2）增大容量 （3）改善链路质量 （4）减小时延色散 （5）提高用户定位的估计第21页/共22页感谢您的观看！第22页/共22页