专利名称：用于码分多址智能天线系统的快速用户定向方法
技术领域：
本发明属于无线通信系统的智能天线技术领域，特别涉及用于码分多址智能天线阵中进行快速用户定向的方法。
近几年来，随着移动通信迅速发展，有限的通信频带日趋拥挤。为了进一步提高通信频带的利用率，人们提出了用智能天线阵把同频信号在入射方向上分开，来最大限度地利用有限的频带资源。在采用码分多址(CDMA-Code Division Multiplex Access)的无线通信系统中，系统的容量决定于系统的信噪比。通过智能天线的应用可以有效地解决干扰问题、提高系统的信噪比，使系统可以容纳更多的用户，达到提高频带利用率的目的。目前无线通信是全球发展最快的领域。可以预测，在不久的将来，用户需求与频谱资源的严重不足之间的矛盾将会激化。因此，智能天线的广泛应用将是不可避免的，它本身必然会形成一个大市场。
为把信号源在入射方向上分开，必需先进行用户定向(DOA-Direction Of Arrival)，而后通过调整天线阵的系数形成指向用户方位的波束，使天线在用户方向的发射功率最强。因此用户方向定位是智能天线中一项核心技术。
一般码分多址智能天线系统的实现方法如
图1所示，包括以下四个步骤1、对各通道信号进行下变频、基带滤波和采样；2、进行用户定向；3、根据用户方位形成针对不同用户形成波束；4、对每个用户进行同步解码，解调，获得用户信息。
其中第2步为用户定向方法，当前用户定向方法具体包括以下步骤(对应于图1虚线框内部分)1、将各通道获得的数据缓存在RAM中；2、计算协方差矩阵；3、如果采用从传统雷达系统中沿袭过来的空间超分辨方法(MUSIC、ESPRIT)，则计算特征植和特征向量；4、构造空间谱函数；5、进行谱峰搜索并获得用户方位；上述用户定向方法中的第3步，空间超分辨方法如多信号分类(MUSIC)或旋转子空间不变(ESPRIT)，但其实现需要SVD分解，谱峰搜索，导致计算量大，成本高，难于实时实现。而且在CDMA个人移动通信系统，电磁环境复杂，信号又是同频带码分复用，导致信号相关性很强，并存在大量目标用户的相关多径，MUSIC等方法往往难于稳定工作。此外而且这些方法都是在信源数小于阵列单元数目为前提的，由于CDMA信号是同频带码分复用，其同一个频带内的信号及多径信号总数通常多于阵列单元数(典型的为40～60)，导致方失效。当前在一些国外大公司中，基本上只能在固定用户应用中的无线用户环路WLL上用，而且由于采用了高速的工作站，其成本很高，很难在实际民用普及型系统中应用，性能也不甚理想。
若采用基于FFT分析的方法，可省略第3步，且空间谱函数简单，运算速度快可以满足系统实时运行的要求，但DOA的精度与分辨很低，使天线指向偏离用户真实方向，影响智能天线系统的性能。
因此当前工程实现上迫切要求寻找一种能在存在大量相关多径(甚至强多径)的条件下，快速有效地检测出用户目标信号的方向的实用方法。
本发明的目的是为克服已有技术的不足之处，提出一种用于码分多址智能天线系统的快速用户定向方法，该方法适合CDMA系统特点，具有运算量低、精度高、有很高的稳定性和很强的抗多径能力的特点，可满足工程上高性能、低成本和实时性要求。
本发明提出的一种用于码分多址智能天线系统的快速用户定向方法，包括以下步骤1、根据基站用户信息，对每个用户进行同步解码，获得每用户的信息数据；2、将各通道获得的每用户信息数据缓存在RAM中；3、针对每用户信号计算协方差矩阵R，并根据这个协方差矩阵进行预处理，获得神经网络的输入矢量；4、通过对协方差矩阵R进行N×N点FFT分析，而后统计3个以上覆盖0°-180°等间距相互交叠区域的能量大小来进行粗略的用户定位，选出能量最集中的区域作为目标域，而后把该神经网络的输入矢量输入对应该目标区域的反向传播神经(BP)网络，获得用户估计；5、用根据目标定位选出的神经网络进行用户精确定位，该反向传播神经网络为3个以上网络，与第4步中的能量区域相对应；上述第3步中获得神经网络的输入矢量的预处理步骤，可包括1)将协方差矩阵R去除对角线后的下三角区元素提取出来排列成一个复向量，共N×(N-1)，/2元素；2)将这个复向量实部、虚部分开，获得N×(N-1)的实数向量X；3)对X规一化。
该BP神经网络可为两层结构，隐层函数映射为tan-sigmniod，一般取2×N×(N-1)个神经元，输出层函数映射为线性映射。
神经网络的各层的网络权值可预先通过学习训练获得；BP学习方法采用自适应步长的惯性调整，网络权值调整表达式如下Δwijl(k)=(1-m)tSijl(k)+mΔwijl(k-1),]]>式中m是惯性因子，t为步长，它们可以由网络误差函数确定。
神经网络输出层仅一个元素，直接给出反映用户方位信息。
本发明的基本特点为它先进行基带PN长码相关解扩，而后用进行目标区域分组，根据分组结果选取相应反向传播神经网络进行用户定向。具体有如下几方面的特点第一，在本发明的方法中，由于先对CDMA接收信号按不同用户的PN码进行解扩，所以处理的信号，即每用户的信息数据变成仅有该PN码的用户信号和其产生的多径信号构成的混合信号，其它用户信号和干扰成为噪声形式。因此仅需要估计出这个用户的方位。这种处理，简化了信号形式、提高了信噪比，使其容易用神经网络处理。
第二，在这种方法中，对神经网络输入的信号进行了预处理，去除了协方差矩阵中的冗余信息，减少了神经网络的输入神经元数目，使神经网络的训练易于收敛，用于用户定位时运算量的大为减少。
第三，在这种方法中，采用了神经网络分组技术，既通过对协方差矩阵进行N×N点FFT分析，而后统计分布在0-180°范围内的三个以上区域的能量大小〔即FFT幅度平方和，也可用幅度和代替〕来进行粗略的用户定位。这种分类网络结构将大大简化BP网络的复杂度，降低在用户定向检测时的运算量，提高检测性能。
第四，在这种方法中，引入反向传播(BP)神经网络对每用户的信息数据的用户方向，即最大功率方向做估计。
由于它的用户定向是基于BP网络而不是协方差矩阵分解，因此也无信源数小于阵列单元数目的限制。
由于它采用预先已学习训练好的网络，直接采用映射给出用户方向，不需谱峰搜索、SVD分解，计算量小非常小，仅取决于一次等点数快速FFT(8×N×N×log2N)和两次网络映射(为2×N×(N-1) ×(N×(N-1)＋1))。而常规的波束成形FFT需要谱峰搜索，如精度取2°则需128点的FFT运算，由于一般N为4-16，因此BP神经网络的计算量低于FFT分析。这样这种BP神经网络的DOA算法没有特殊的硬件实现要求，计算量小，可以在工程上方便廉价的实现实时方向估计。
由于BP神经网络使基于对实际环境的训练，而不是象传统超分辨方法那样基于数学模型。它在训练时已包含了相关情况的学习，因此可以克服多径问题。对于多径引起的相关信号有很强的容忍性，强多径信号只是造成估值方差的有限增加。因此它可以在复杂的CDMA系统下稳定的工作。此外它在训练时也包含了实际工程中天线尺寸的不精确、各阵元噪声可能是非高斯有色噪声等情况，这些情况会导致传统模型失配而引起误差，而在本发明的方法中通过在基站的实际学习，可以克服这些其他用户定向方法很难或根本无法解决的问题。
附图简要说明图1为已有的码分多址智能天线系统实现方法示意图。
图2为本发明的的码分多址智能天线系统的实现方法示意图。
采用本发明的码分多址智能天线系统的实现方法如图2所示，包括以下步骤1、码分多址智能天线系统(多接收机)接收的各通道信号进行下变频、基带滤波和采样；2、进行快速用户定向；
3、根据用户方位形成针对不同用户形成波束(目标方向图)，已克服其他用户干扰；4、对每个用户进行解码，解调，获得用户信息。
上述第2步中的快速用户定向方法的实施例如图2中虚线框内所示，具体包括以下步骤1、根据基站用户信息，对每个用户进行同步解码，获得每用户的信息数据；2、将各通道获得的每用户信息数据缓存在RAM中；3、针对每用户信号计算协方差矩阵R^0=1NΣl=1Nz0(l)z0H(l)]]>(N为采样快拍数，Z0为天线阵列信号接收向量)，并根据该协方差矩阵进行预处理，获得神经网络的输入矢量；4、通过对协方差矩阵进行N×N点FFT分析，而后统计分布在0°-60°、40°-100°、80°-140°、120°-180°四个区域的能量大小〔即FFT幅度平方和，也可用幅度和代替〕来进行粗略的用户定位。选出能量最集中的区域作为目标域，而后用对应该目标区域的反向传播(BP)神经网络获得用户估计；5、用根据目标定位选出的神经网络进行用户精确定位，该BP网络有1、2、3、4四个BP网络，分别对应于目标信号在0°-60°、40°-100°、80°-140°、120°-180°四个交叠的方位域的情况；第3步中获得神经网络的输入矢量的预处理步骤，包括1)将协方差矩阵R去除对角线后的下三角区元素提取出来排列成一个复向量，共N×(N-1)2元素；2)将这个复向量实部、虚部分开，N×(N-1)的实数向量X。3)对X规一化；该BP神经网络为两层结构，隐层函数映射为tan-sigmiod，一般取2×N×(N-1)个神经元，输出层函数映射为线性映射。所说的神经网络各层的网络权值可预先通过学习训练获得；BP学习方法采用自适应步长的惯性调整，网络权值调整表达式如下Δwijl(k)=(1-m)tSijl(k)+mΔwijl(k-1).]]>这里m是惯性因子，t为步长，它们可以由网络误差函数确定；所说的神经网络输出层仅一个元素，直接给出反映用户方位信息。
权利要求
1.一种用于码分多址智能天线系统的快速用户定向方法，包括以下步骤1)根据基站用户信息，对每个用户进行同步解码，获得每用户的信息数据；2)将各通道获得的每用户信息数据缓存在RAM中；3)针对每用户信号计算协方差矩阵R，并根据该协方差矩阵进行预处理，获得神经网络的输入矢量；4)通过对该协方差矩阵R进行N×N点FFT分析，而后统计3个以上覆盖0°-180°等间距相互交叠区域的能量大小来进行粗略的用户定位，选出能量最集中的区域作为目标域，而后把该神经网络的输入矢量输入对应该目标区域的反向传播神经(BP)网络，获得用户估计；5)用根据目标定位选出的神经网络进行用户精确定位，该反向传播神经网络为3个以上网络，与第4步中的能量区域相对应。
2.如权利要求1所述的快速用户定向方法，其特征在于，所说的第3步中获得神经网络的输入矢量的预处理步骤，包括1)将协方差矩阵R去除对角线后的下三角区元素提取出来排列成一个复向量，共N×(N-1)／2元素；1)将这个复向量实部、虚部分开，获得N×(N-1)的实数向量X；2)对X规一化。
3.如权利要求1所述的快速用户定向方法，其特征在于，该BP神经网络为两层结构，隐层函数映射为tan-sigmiod，取2×N×(N-1)个神经元，输出层函数映射为线性映射。
4.如权利要求3所述的快速用户定向方法，其特征在于，所说的神经网络各层的网络权值可预先通过学习训练获得；BP学习方法采用自适应步长的惯性调整，网络权值调整表达式如下Δwijl(k)=(1-m)tSijl(k)+mΔwijl(k-1),]]>式中m是惯性因子，t为步长，它们可以由网络误差函数确定。
5.如权利要求3所述的快速用户定向方法，其特征在于，所说的神经网络输出层仅一个元素，直接给出反映用户方位信息。
全文摘要
本发明属于无线通信系统的智能天线技术领域,包括:根据基站用户信息,对每个用户进行同步解码;将各通道获得的每用户信息数据缓存在RAM中;针对每用户信号计算协方差矩阵;进行FFT分析,而后统计3个以上区域的能量大小来进行用户粗定位,用对应目标区域的BP网络进行用户精确定位,获得用户估计。本发明具有运算量低、精度高、有很高的稳定性和很强的抗多径能力的特点,可以满足工程上高性能、低成本和实时性的要求。
文档编号H04W64/00GK1284799SQ0012498
公开日2001年2月21日 申请日期2000年9月29日 优先权日2000年9月29日
发明者李阳, 冯正和, 陈雅琴, 胡铭, 梁立万, 潘伟峰 申请人:清华大学