智能天线在TD—LTE中的应用分析

智能天线在TD—LTE中的应用分析

　　【摘 要】文章从技术层面介绍了智能天线的基础技术、波束赋形技术和自适应算法，介绍了TD-LTE中智能天线的单流波束赋形、双流波束赋形技术及相关算法，分析了智能天线在TD-LTE中的应用情况，最后简述了智能天线技术的发展态势。

　　【关键词】TD-LTE 智能天线 波束赋形

　　1 概述

　　智能天线(Smart Antenna)技术是在微波技术、自动控制理论、自适应天线技术、数字信号处理DSP(Digital Signal Processing)技术和软件无线电技术等多学科基础上综合发展而成的一门新技术。智能天线是具有一定程度智能性的自适应天线阵列。智能天线早期应用于军事领域，自3G时代开始走向民用通信，在今天的TD-LTE试验网和商用网中，智能天线技术得到了飞速发展。

　　智能天线技术利用信号传输的空间相干性，通过调整天线阵列阵元发送信号的权值，产生空间预定波束，将无线信号导向具体方向，使主瓣波束自适应地跟踪用户主信号到达的方向，旁瓣或零陷对准干扰信号到达的方向，达到充分和高效利用移动用户信号，删除或抑制干扰信号的双重目的。智能天线可实现信号的空域滤波和定位，在多个指向不同用户的并行天线波束控制下，可以显著降低用户信号彼此间的干扰。

　　智能天线通常应用在基站侧，可在下行链路对发射信号进行预加权实现选择性发送，也可在上行链路对接收的混叠信号进行不同加权合并得到对应的波形。智能天线因其具有增加系统容量、提高通信质量和扩大小区覆盖等优点，已广泛应用于TD-SCDMA和TD-LTE网络。可以肯定的是，情景化、小型化、电调化、宽带化和集成化相结合的智能天线，将在TD-LTE及后期演进系统中发挥不可替代的作用。

　　2 智能天线简介[1]

　　由于无线移动通信信道传输环境具有复杂性和不确定性，主要受多径衰落、时延扩展等不利因素影响，存在符号间串扰、同信道间干扰和多址干扰等恶化通信环境的情况，直接降低了链路性能和系统容量，而智能天线是解决这些问题的重要手段之一。

　　2.1 智能天线的信号模型

　　图1为智能天线接收部分简图，由阵元、加权和合并三部分组成。用户发射信号经过多径信道衰减和延迟后，到达天线阵列各阵元的是所有发射信号及各自延迟副本的叠加。

　　假设系统中有K个用户，阵列有M个阵元，为了简单，采用均匀线阵模型，则在某时刻第k个用户的信号到达阵列的接收信号矢量可表示为：

　　(1)

　　其中，βk，l为第l条径的衰落幅值，τk，l为第l条径的延迟时间，sk(t)为第k个用户的发射信号。α(θk，l)是阵列响应矢量，而对应第k个用户在经过信道第l条径时到达的角为θk，l，并可表示为：

　　(2)

　　其中，f为信号频率，且满足fc-B/2≤f ≤fc+B/2，fc为载波频率，B为信号带宽;τ是由于信号有限传播速度造成的在相邻天线阵元上的时延，它与信号的到达角、阵元间隔和信号传播速度有关，可以表示为τ=(dsinθk，l)/c，d为阵元间隔，通常取λc/2，λc为载波波长，c为信号的传播速度。

　　由于接收天线接收的是所有用户信号的叠加，所以(1)式可表达为：

　　(3)

　　其中，η(t)为接收端的加性白噪声矢量。

　　因阵列具有方向性，据图1所示，通过对每个阵元加权wk，根据一定准则和信号检测要求，由阵列信号处理模块计算后，可得阵列加权合并矢量的波束赋形输出为：

　　(4)

　　式(4)是智能天线形成波束信号的基本模型，也是智能天线的技术基础。

　　2.2 波束赋形技术

　　式(4)是阵列波束赋形的数学表达式，是阵列信号的预处理技术，其中的权值wk仅仅需要匹配信道的慢变化，如来波方向DOA(Direction Of Arrival)和平均路损。因此，在进行波束赋形时，也可以不必使用终端反馈所需的信息，而是在基站侧通过上行接收信号获得来波方向和路损信息，这既可减小空口传输负担，又能方便地得到计算权值的参数。另外，为了获得波束赋形增益，需要使用较多的天线单元，目前LTE中最多只可使用4个公共导频，无法支持在超过4副天线单元的天线阵列上使用波束赋形，因此波束赋形中还需要使用专用导频。

　　图2为波束赋形的基本原理流程：从天线阵列的上行信号获得DOA估计后，给天线权值控制器产生权值，再将权值反馈给天线阵列，由天线阵列形成赋形波束。显然，波束赋形过程中的关键问题可简单地表述为：(1)根据系统性能指标(如误码率、误帧率)的要求确定优化准则(代价函数，即权重矢量和相关参数的函数);(2)采用一定的方法获得需要的参数;(3)选用一定的算法求解该优化准则下的最佳解，得到权重矢量值。

　　2.3 自适应算法

　　众所周知，智能天线实际上是一项包括多种先进技术的系统工程，但它的核心技术是自适应算法。典型的算法有盲自适应和非盲自适应两大类。后者是基于训练序列的方法，如最小均方(LMS)法、递归最小方差(RLS)法和采样矩阵求逆(SMI)法等;前者是不用训练序列的方法，如基本DOA估计法、特征值恢复和解扩重扩法等，而常用的DOA估计法是直接利用(4)式延迟相加法。下面简单介绍几种算法。

　　(1)最小均方LMS算法：遵循最小均方差(MMSE)准则，根据(4)式，加权矢量迭代更新方法可表示为估计二次型表面(即误差平方)关于权值的梯度，将权值沿递度负方向移动一个步长常数，进而反复迭代，即：

　　估计输出：

　　误差形成：

　　系数更新：

　　其中，y(n)为已知期望响应样本，x(n)为接收信号矢量的采样样本，μ为步长。LMS算法的收敛速度和稳定性与输入信号x(n)的协方差矩阵的特征根分布密切相关，一般特征根散布不是很大时，LMS算法的收敛较快。

　　(2)递归最小方差RLS算法：该算法总是使从滤波器开始运行到目前时刻的总平方误差达到最小，与LMS算法不同，RLS遵循的准则是最小方差(LSE)。若设、、、，则有：

　　同时得到最小二乘误差的更新为：。

　　RLS算法的收敛情况与相关矩阵的特征值扩展无关，而与λ的取值有关(小于或等于1)。