波达方位估计架构方法
【技术领域】
[0001]本发明涉及一种波达方位估计架构方法，特别涉及一种面向宽带无线通信智能天线系统的波达方位估计架构方法。
【背景技术】
[0002]智能天线(smart antenna)技术是我国自主提出的3G国际标准TD-SCDMA的关键技术之一，可显著提高无线通信系统的容量和抗干扰能力，在当前的TD-LTE(4G)系统中得到广泛的应用，而且也将是未来5G通信系统的关键技术之一。在如图1所示的智能天线的一般系统构成中，核心包括三个部分:天线阵列(Antenna Array)、波达方位估计(DOA)模块以及波束成形(Adaptive Algorithm)模块。
[0003]智能天线系统的天线阵列一般采用自适应天线阵列，自适应天线阵列的核心方法是利用多个天线单元空间的正交性和各用户信号空间特征的差异，采取数据天线技术，根据某种接收准则自动调节天线数组的加权向量(W*)，产生空间定向波束，使天线主波束对准用户信号的到达方向，旁瓣或零陷点对准干扰信号到达方向。从而提高目标用户的信干噪比(Signal to Interference and Noise Rat1, SINR)。自适应天线阵列的工作原理如图2所示。
[0004]如图1和图2所示，智能天线系统的一个关键模块即为:波达方位估计(Direct1nal-of-Arrival, D0A)模块。
[0005]以往的智能天线系统需要准确地估计目标信号和干扰源的波达方位(DOA)，以使天线主波束对准用户信号的到达方向，旁瓣或零陷点对准干扰信号到达方向。大量研究和系统测试表明DOA估计在很大程度上影响着智能天线的性能，进而影响整个系统的误码率、系统容量以及覆盖范围。
[0006]在当前的智能天线系统中，波达方位估计(DOA)模块中的DOA估计算法一般采用的是多重信号分类(MUSIC:Multiple Signal Classificat1n)算法和旋转不变参数估计算法(ESPRIT:Estimat1n of Signal Parameters via Rotat1nal InvarianceTechniques)。这2种算法的最主要特点是在信噪比(SNR, signal to noise rat1)较高的情况下，DOA估计精度较高以及计算复杂度较低。
[0007]但是，MUSIC算法和 ESPRIT 法在 SNR(Signal-to_Noise Rat1)较低的情况下，分辨精度不高。此外还有一个重大缺陷是此类方法不能够直接处理多径信号。当信号有多径情况发生时，MUSIC法和ESPRIT法必须采用预处理来进行解相干，如空间平滑(SpatialSmoothing)处理或矩阵重构等。预处理一方面增加了系统的复杂度，另一方面也会影响DOA估计的精度或者牺牲系统的阵列孔径等等。
[0008]相比MUSIC 和 ESPRIT 算法，权重子空间拟合(WSF:Weighted Subspace Fitting)和最大似然(ML, Maximum Likelihood)是更为先进的算法，其可以不经过预处理而直接处理多径信号。而且在信噪比SNR较低的情况下，WSF和ML算法的DOA估计精度也更高。但是，WSF和ML的求解过程是一个多维非线性多峰值的最优化过程，因此其计算复杂度相比于MUSIC与ESPRIT而言要高出很多。这也是阻止WSF以及ML算法目前在实际系统中应用的一个最主要的原因。
[0009]如图3的智能天线系统中DOA估计的流程的框图所示，在传统流程中，不管接收到数据的SNR大小如何，都是采用如图3所示的传统流程。但是正如上所述，MUSIC/ESPRIT算法在SNR较低的情况下，其DOA估计的精度是非常低的，因此，对整个系统的性能起到很重要的影响。但ML/WSF算法的解析过程是一个多维非线性的最优化问题，其计算复杂度非常尚O
[0010]在信噪比SNR较低的情况下，MUSIC/ESPRIT算法的DOA估计精度较低，为克服这一缺点，本发明的波达方位估计架构方法提出了一种基于MUSIC/ESPRIT算法和ML/WSF算法结合的波达方位估计架构方法。
[0011]为有效降低ML/WSF的计算复杂度，以及提高在SNR较低的情况下的DOA估计精度，本发明进一步提出了采用以MUSIC/ESPRIT算法的DOA估计结果为初始值，然后采用局部搜索的方法，寻找初始值附近的搜索值作为DOA估计的最终值的一种波达方位估计架构方法。
【发明内容】
[0012]为克服上述的ML/WSF的计算复杂度较高的缺点，有效提高波达方位估计精度，特别是在低SNR的情况下的估计精度，在包括天线阵列(Antenna Array)、波达方位估计(DOA)模块以及波束成形(Adaptive Algorithm)模块该三个部分的智能天线系统中，本发明的波达方位估计架构方法包括以下步骤:
[0013]预先设定信噪比阈值的步骤；
[0014]从所述天线阵列接收信号数据，从所述信号数据得出实际信噪比的步骤；
[0015]对所述实际信噪比与所述信噪比阈值的大小进行比较，分为所述实际信噪比大于等于所述信噪比阈值的情况，以及所述实际信噪比小于所述信噪比阈值的情况的步骤；
[0016]当所述实际信噪比大于等于所述信噪比阈值时，采用MUSIC/ESPRIT算法得出DOA估计结果的步骤；
[0017]当所述实际信噪比小于所述信噪比阈值时，采用ML/WSF算法的评价标准(criter1n)处理从所述天线阵列接收到的所述信号数据，接下来，对ML/WSF算法的所述评价标准进行解析处理，得出DOA估计的最终值的步骤。
[0018]其中，在对ML/WSF算法的所述评价标准进行所述解析处理的过程中，以MUSIC/ESPRIT算法得出的所述DOA估计结果作为初始值，通过局部搜索，得出所述初始值附近的搜索值作为DOA估计的最终值。
[0019]根据本发明的波达方位估计架构方法，当SNR较低时，使DOA估计的精度得以提尚O
【附图说明】
[0020]为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。
[0021]图1是模式化表示智能天线系统构成的图。
[0022]图2是模式化表示智能天线中自适应天线阵列的基本工作原理的图。
[0023]图3是模式化表示本发明的智能天线中DOA估计的传统流程与本发明的流程的图。
【具体实施方式】
[0024]传统的DOA估计架构是:在天线阵列接收到数据之后，直接套用MUSIC(多重信号分类)或者ESPRIT (子空间旋转不变性的信号参数估计)算法的评价标准，对数据进行处理，进而得到信号源的DOA估计。
[0025]基于此，本发明提出一种新的可有效提高波达方位估计(特别是在低SNR的情况)的架构，其流程如图3所示。在包括天线阵列(Antenna Array)、波达方位估计(DOA)模块以及波束成形(Adaptive Algorithm)模块该三个部分的智能天线系统中，本发明的波达方位估计架构方法包括以下步骤:预先设定信噪比阈值的步骤；从所述天线阵列接收信号数据，从所述信号数据得出实际信噪比的步骤；对所述实际信噪比与所述信噪比阈值的大小进行比较，分为所述实际信噪比大于等于所述信噪比阈值的情况，以及所述实际信噪比小于所述信噪比阈值的情况的步骤；当所述实际信噪比大于等于所述信噪比阈值时，采用MUSIC/ESPRIT算法得出DOA估计结果的步骤；当所述实际信噪比小于所述信噪比阈值时，采用ML/WSF算法的评价标准(criter1n)处理从所述天线阵列接收到的所述信号数据，接下来，对ML/WSF算法的所述评价标准进行解析处理，得出DOA估计的最终值的步骤。其中，在对ML/WSF算法的所述评价标准进行所述解析处理的过程中，以MUSIC/ESPRIT算法得出的所述DOA估计结果作为初始值，通过局部搜索，得出所述初始值附近的搜索值作为DOA估计的最终值。
[0026]SNR阈值，可以由系统来灵活定义修改。本文以1dB为例。
[0027]具体流程如下:
[0028]1.当SNR> = 1dB时，直接采用传统的DOA估计流程来进行波达方位估计，如图3所示。
[0029]2.当 SNR〈10dB 时:
[0030]I)首先，仍然采用传统的DOA估计流程来计算出MUSIC/ESPRIT算法估计的DOA结果;
[0031 ] 2)采用ML/WSF算法的评价标准来对接收到的数据进行处理；
[0032]3)在ML/WSF算法的解析的过程中，以第I)步所估计的结果作为初始值。采用局部搜索的方法，来寻找初始值附近的最优值作为DOA估计结果。
[0033]根据本发明的波达方位估计架构方法，基于所采用的局部搜索的方法，在不增加计算复杂度的情况下，当SNR较低时，使DOA估计的精度得以提高。
[0034]以上对本发明的实施方式进行了说明，但该实施方式仅作为一个范例，并不具有限定发明范围的意图。本发明能够通过其他各种形态实施，能够在不超出发明主旨的范围内进行各种各样的变更。
【主权项】
1.一种波达方位估计架构方法，其特征在于，在包括天线阵列(Antenna Array)、波达方位估计(DOA)模块以及波束成形(Adaptive Algorithm)模块这三个部分的智能天线系统中，波达方位估计架构方法包括以下步骤: 预先设定信噪比阈值的步骤； 从所述天线阵列接收信号数据，从所述信号数据得出实际信噪比的步骤； 对所述实际信噪比与所述信噪比阈值的大小进行比较，分为所述实际信噪比大于等于所述信噪比阈值的情况，以及所述实际信噪比小于所述信噪比阈值的情况的步骤； 当所述实际信噪比大于等于所述信噪比阈值时，采用MUSIC/ESPRIT算法得出D0A估计结果的步骤； 当所述实际信噪比小于所述信噪比阈值时，采用ML/WSF算法的评价标准(criter1n)处理从所述天线阵列接收到的所述信号数据，接下来，对ML/WSF算法的所述评价标准进行解析处理，得出D0A估计的最终值的步骤。2.根据权利要求1所述的波达方位估计架构方法，其特征在于， 在对ML/WSF算法的所述评价标准进行所述解析处理的过程中，以MUSIC/ESPRIT算法得出的所述D0A估计结果作为初始值，通过局部搜索，得出所述初始值附近的搜索值作为所述D0A估计的最终值。
【专利摘要】本发明提供一种波达方位估计架构方法，特别涉及一种面向宽带无线通信智能天线系统的波达方位估计架构方法。所述方法中包括：当实际信噪比大于等于信噪比阈值时，采用MUSIC/ESPRIT算法得出DOA估计结果的步骤。当实际信噪比小于信噪比阈值时，采用ML/WSF算法的评价标准(criterion)处理从所述天线阵列接收到的所述信号数据，接下来，对ML/WSF算法的评价标准进行解析处理，得出DOA估计的最终值的步骤。在对ML/WSF算法的评价标准进行解析处理的过程中，以MUSIC/ESPRIT算法得出的DOA估计结果作为初始值，通过局部搜索，得出初始值附近的搜索值作为DOA估计的最终值。
【IPC分类】G01S3/14
【公开号】CN105301557
【申请号】CN201510750947
【发明人】陈海华
【申请人】中国石油大学(华东)
【公开日】2016年2月3日
【申请日】2015年11月6日