一種新的用于移動終端智能天線的半盲算法

張偉

（天津光電通信技術有限公司，天津 300221）

移動終端智能天線由于體積、功耗和成本等因素的限制。一般要求所用的算法復雜度較低，實現簡單，同時收斂速度較快。所以選擇合適的算法是一個關鍵問題。基于訓練序列的算法不需要確定信號的DOA，收斂速度快，有較強的健壯（Robust）性。它在信道特性連續變化時仍可以很好的工作并且當陣元數小于信源數也能較好工作[1]。所以基于訓練序列的算法是移動終端智能天線首選算法。在CDMA系統中，上行和下行鏈路都為每個用戶分配專門的或輔助的導頻信道來發送導引信號進行同步和功率控制等功能。因此在移動終端使用基于訓練序列的算法是可行的。NLMS算法[2]和RLS算法是兩種廣泛應用的訓練序列算法，RLS算法雖然收斂速度比NLMS算法要快很多，但算法復雜度太高。研究者們發明了許多性能優越的算法，如文獻[1]中提出的最小二乘解擴重擴多目標陣列（Least Square Despread respread Multitarget Array，LSDRMTA）算法，最小二乘解擴重擴多目標CMA算法（LS-DRMTCMA），文獻[2]中的最優變步長算法（OVS-LMS）等等。這些算法都是以復雜度的提高為代價來換取系統性能，適合于基站使用。

基于訓練序列的算法，其收斂效果依賴于參考信號的可靠性，參考信號與實際所需信號相關性越好，其處理效果越好。在TD-SCDMA系統中，信號間的時延大小直接影響信號間的相關程度，時延擴展越小，信號的相關程度越高。因此基于訓練序列的算法要求系統具有精確同步和較理想的信道估計。而恒模算法，如CMA算法，只根據信號的恒定幅度特征來產生參考信號，避開了對信號相關性的限制，實驗表明在高速傳輸的陸地移動通信系統中，應用CMA的自適應陣列能夠獲得良好的誤碼率性能[1]。因此將訓練序列算法與恒模算法相結合將使算法的健壯性進一步加強。

在TD-SCDMA系統中，每個時隙突發擁有144chips的訓練序列。在通常的環境下使用NLMS算法在144次迭代之內能夠達到較好的收斂效果。然而在某些惡劣環境下，算法在訓練序列周期收斂不理想，不能對干擾進行很好的抑制。這時應該考慮如何在訓練序列之后進行進一步的誤差收斂。文獻[1]中提出了一種訓練序列重復迭代算法，但需要更高更新速率和存儲空間。TD-SCDMA系統通常采用QPSK信號調制，其信號具有恒模特點。因此可以采用將基于訓練序列的算法與恒模算法相結合來提高系統性能。在此提出一種將NLMS算法和CMA算法相結合的半盲算法應用到移動終端。在144chips的訓練周期內使用NLMS算法，如果在訓練序列周期里達不到收斂效果，在信號周期接著采用恒模算法。

因此我們考慮在144chips周期內采用訓練序列d(n)作為參考信號運用NLMS算法，訓練周期完成后檢測誤差信號e(n)的大小。如果e(n)的最后10個樣本低于某一門限值則算法停止。如果高于門限值則進一步采用恒模特征序列作為

參考信號進行CMA算法運算直到連續10個e(n)樣本達到門限以下。由于NLMS算法和CMA算法處理核心是一樣的（都是基于最小均方誤差準則），算法之間的切換，只需改變期望信號，因此整個過程很容易用硬件實現。同時對于輸入的步長因子，CMA算法由于其步長固定，不需要每次迭代都進行歸一化，因此其實現比NLMS算法要更簡單些。對于誤差門限的選擇，由于NLMS算法的穩態誤差比CMA算法要小，所以誤差門限一般要取大于CMA算法穩態誤差的值。此方法由于在訓練周期內已通過NLMS算法對干擾信號達到了一定的抑制，因而解決了后續CMA算法中的因干擾過強而產生的干擾捕獲問題，從而使CMA算法只收斂于期望信號。

下面針對在訓練序列周期內NLMS算法達不到門限值以下的情況進行半盲算法的MATLAB仿真分析。參數：干擾信號方向-30度，期望信號方向30度，信干比：-5db，信噪比20db，步長因子為0.05，門限平方誤差：0.01；可見在144chips的訓練周期內，NLMS算法并沒有達到門限值，因此半盲算法在144次NLMS迭代過后，CMA迭代過程開始，使誤差進一步降低，最后方向圖將主波束對準了期望信號，同時對干擾的抑制達-45db。顯然，半盲算法對干擾的抑制深度和期望信號方向增益都優于NLMS算法。在時延擴展較大，時鐘同步出現偏差時，半盲算法仍能很好的工作。半盲算法與NLMS算法相比，其對環境變化的適應能力（健壯性）加強，因此具有一定的實用價值。

結束語

本文提出的NLMS算法與CMA算法相結合的半盲算法與NLMS算法相比具有很大的優越性，解決了原算法在訓練序列周期內因收斂較慢而達不到誤差門限的問題，具有很強的環境適應能力。同時其復雜度與NLMS算法相當，因此具有很好的實用價值。新的半盲算法具有很強的健壯性和較低的復雜度，適合TD-SCDMA移動終端智能天線使用。