智能天線在TD—LTE中的應用分析

智能天線在TD—LTE中的應用分析

　　【摘 要】文章從技術層面介紹了智能天線的基礎技術、波束賦形技術和自適應算法，介紹了TD-LTE中智能天線的單流波束賦形、雙流波束賦形技術及相關算法，分析了智能天線在TD-LTE中的應用情況，最后簡述了智能天線技術的發展態勢。

　　【關鍵詞】TD-LTE 智能天線 波束賦形

　　1 概述

　　智能天線(Smart Antenna)技術是在微波技術、自動控制理論、自適應天線技術、數字信號處理DSP(Digital Signal Processing)技術和軟件無線電技術等多學科基礎上綜合發展而成的一門新技術。智能天線是具有一定程度智能性的自適應天線陣列。智能天線早期應用于軍事領域，自3G時代開始走向民用通信，在今天的TD-LTE試驗網和商用網中，智能天線技術得到了飛速發展。

　　智能天線技術利用信號傳輸的空間相干性，通過調整天線陣列陣元發送信號的權值，產生空間預定波束，將無線信號導向具體方向，使主瓣波束自適應地跟蹤用戶主信號到達的方向，旁瓣或零陷對準干擾信號到達的方向，達到充分和高效利用移動用戶信號，刪除或抑制干擾信號的雙重目的。智能天線可實現信號的空域濾波和定位，在多個指向不同用戶的并行天線波束控制下，可以顯著降低用戶信號彼此間的干擾。

　　智能天線通常應用在基站側，可在下行鏈路對發射信號進行預加權實現選擇性發送，也可在上行鏈路對接收的混疊信號進行不同加權合并得到對應的波形。智能天線因其具有增加系統容量、提高通信質量和擴大小區覆蓋等優點，已廣泛應用于TD-SCDMA和TD-LTE網絡。可以肯定的是，情景化、小型化、電調化、寬帶化和集成化相結合的智能天線，將在TD-LTE及后期演進系統中發揮不可替代的作用。

　　2 智能天線簡介[1]

　　由于無線移動通信信道傳輸環境具有復雜性和不確定性，主要受多徑衰落、時延擴展等不利因素影響，存在符號間串擾、同信道間干擾和多址干擾等惡化通信環境的情況，直接降低了鏈路性能和系統容量，而智能天線是解決這些問題的重要手段之一。

　　2.1 智能天線的信號模型

　　圖1為智能天線接收部分簡圖，由陣元、加權和合并三部分組成。用戶發射信號經過多徑信道衰減和延遲后，到達天線陣列各陣元的是所有發射信號及各自延遲副本的疊加。

　　假設系統中有K個用戶，陣列有M個陣元，為了簡單，采用均勻線陣模型，則在某時刻第k個用戶的信號到達陣列的接收信號矢量可表示為：

　　(1)

　　其中，βk，l為第l條徑的衰落幅值，τk，l為第l條徑的延遲時間，sk(t)為第k個用戶的發射信號。α(θk，l)是陣列響應矢量，而對應第k個用戶在經過信道第l條徑時到達的角為θk，l，并可表示為：

　　(2)

　　其中，f為信號頻率，且滿足fc-B/2≤f ≤fc+B/2，fc為載波頻率，B為信號帶寬;τ是由于信號有限傳播速度造成的在相鄰天線陣元上的時延，它與信號的到達角、陣元間隔和信號傳播速度有關，可以表示為τ=(dsinθk，l)/c，d為陣元間隔，通常取λc/2，λc為載波波長，c為信號的傳播速度。

　　由于接收天線接收的是所有用戶信號的疊加，所以(1)式可表達為：

　　(3)

　　其中，η(t)為接收端的加性白噪聲矢量。

　　因陣列具有方向性，據圖1所示，通過對每個陣元加權wk，根據一定準則和信號檢測要求，由陣列信號處理模塊計算后，可得陣列加權合并矢量的波束賦形輸出為：

　　(4)

　　式(4)是智能天線形成波束信號的基本模型，也是智能天線的技術基礎。

　　2.2 波束賦形技術

　　式(4)是陣列波束賦形的數學表達式，是陣列信號的預處理技術，其中的權值wk僅僅需要匹配信道的慢變化，如來波方向DOA(Direction Of Arrival)和平均路損。因此，在進行波束賦形時，也可以不必使用終端反饋所需的信息，而是在基站側通過上行接收信號獲得來波方向和路損信息，這既可減小空口傳輸負擔，又能方便地得到計算權值的參數。另外，為了獲得波束賦形增益，需要使用較多的天線單元，目前LTE中最多只可使用4個公共導頻，無法支持在超過4副天線單元的天線陣列上使用波束賦形，因此波束賦形中還需要使用專用導頻。

　　圖2為波束賦形的基本原理流程：從天線陣列的上行信號獲得DOA估計后，給天線權值控制器產生權值，再將權值反饋給天線陣列，由天線陣列形成賦形波束。顯然，波束賦形過程中的關鍵問題可簡單地表述為：(1)根據系統性能指標(如誤碼率、誤幀率)的要求確定優化準則(代價函數，即權重矢量和相關參數的函數);(2)采用一定的方法獲得需要的參數;(3)選用一定的算法求解該優化準則下的最佳解，得到權重矢量值。

　　2.3 自適應算法

　　眾所周知，智能天線實際上是一項包括多種先進技術的系統工程，但它的核心技術是自適應算法。典型的算法有盲自適應和非盲自適應兩大類。后者是基于訓練序列的方法，如最小均方(LMS)法、遞歸最小方差(RLS)法和采樣矩陣求逆(SMI)法等;前者是不用訓練序列的方法，如基本DOA估計法、特征值恢復和解擴重擴法等，而常用的DOA估計法是直接利用(4)式延遲相加法。下面簡單介紹幾種算法。

　　(1)最小均方LMS算法：遵循最小均方差(MMSE)準則，根據(4)式，加權矢量迭代更新方法可表示為估計二次型表面(即誤差平方)關于權值的梯度，將權值沿遞度負方向移動一個步長常數，進而反復迭代，即：

　　估計輸出：

　　誤差形成：

　　系數更新：

　　其中，y(n)為已知期望響應樣本，x(n)為接收信號矢量的采樣樣本，μ為步長。LMS算法的收斂速度和穩定性與輸入信號x(n)的協方差矩陣的特征根分布密切相關，一般特征根散布不是很大時，LMS算法的收斂較快。

　　(2)遞歸最小方差RLS算法：該算法總是使從濾波器開始運行到目前時刻的總平方誤差達到最小，與LMS算法不同，RLS遵循的準則是最小方差(LSE)。若設、、、，則有：

　　同時得到最小二乘誤差的更新為：。

　　RLS算法的收斂情況與相關矩陣的特征值擴展無關，而與λ的取值有關(小于或等于1)。