CN1521890A - 智能天线系统和方法 - Google Patents

Abstract

公开了一种智能天线系统和方法。本发明使用具有Hermitian和Toeplitz性质的相关矩阵来在加权估算中使用更接近于真实梯度的梯度值，从而缩短估算加权的算法的收敛速度。

Description

智能天线系统和方法

本申请要求于2002年12月31日申请的P2002-88007韩国申请和2003年1月15日申请的P2003-002741韩国申请的权益，并且在此引入作为参考。

技术领域

本发明涉及一种通信系统，并且更为具体的，是一种智能(smart)天线系统和方法。

背景技术

通常，一种最大化SINR(信号与干扰及噪声比)的方案经常用于计算智能天线的加权向量(weight vector)。

本方案最终意在通过用于最大化SINR的天线加权向量来改进通信质量和容量。

梯度(gradient)对于计算智能天线的加权(weight)可能是有用的。

在寻找梯度的过程中，需要接收信号的相关矩阵(correlationmatrix)。

但是，传统技术中的相关矩阵仅仅满足Hermitian(hermitian)矩阵的属性。

发明内容

因此，本发明涉及一种可以基本上避免因为传统技术的限制和缺点引起的一个或多个问题的智能天线系统和方法。

本发明的一个目的是提供一种智能天线系统和方法。

本发明的另一目的是提供一种智能天线系统和及其方法(methodusing the same)，其中使用具有Toeplitz矩阵性质和Hermitian矩阵性质的相关矩阵，将在真实梯度附近的梯度值用于估算加权向量。

本发明的附加优点、目的和特征将在下面的说明书中描述，在某种程度上，在审查下列内容的基础上，这些附加优点、目的和特征对于本领域内的普通技术人员来说是显而易见的，或者可以从本发明的实践中了解这些附加优点、目的和特征。本发明的目的和其他优点将通过书面说明书和说明书的权利要求书以及附图中所特别指出的结构实现和获得。

为了达成这些目的和其它优点，并根据在这里具体地和广泛地描述的本发明的目的，根据本发明的一种使用智能天线系统的方法包括下面的步骤：将至少一个接收信号向量x(k)分解为信号分量(component)x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]，计算具有HermitianToeplitz矩阵性质的相关矩阵，计算用于使信号向量y(k)的接收信号与干扰及噪声比(SINR)最大化的加权向量w(k)的梯度向量g(k)，以及使用已计算的梯度向量来更新加权向量。

在本发明的另一方面中，智能天线系统包括：装备有用于更新加权向量的适应性算法(adaptive algorithm)的加权向量产生器，使用更新的加权向量形成天线元件波束图(beam pattern)的波束形成模块，以及将天线元件值相加到输出信号向量y(k)的加法器，其中所述适应性算法包括以下步骤：将至少一个接收信号向量x(k)分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]，计算具有HermitianToeplitz矩阵性质的相关矩阵，使用自相关矩阵来计算用于使信号向量y(k)的接收信号与干扰及噪声比(SINR)最大化的加权向量w(k)的梯度向量g(k)，以及使用已计算的梯度向量来更新加权向量。

应该理解前面的本发明的一般描述和下面的具体描述都是示例性和解释性的，并且意在提供本发明如权利要求所述的进一步的解释。

附图说明：

附图是为了能进一步了解本发明而包含的，并且被纳入本说明书中构成本说明书的一部分，这些附图示出了本发明的实施例，并用于与本说明书一起对本发明的原理进行说明

图1是根据本发明的智能天线的接收器的方框图。

图2是根据本发明的第一实施例的更新加权向量的过程的流程图。

图3是根据本发明的第二实施例的更新加权向量的过程的流程图。

图4是根据本发明的第三实施例的更新加权向量的过程的流程图。

图5是根据本发明的第四实施例的更新加权向量的过程的流程图。

具体实施方式：

现在将详细解说本发明的优选实施例，其实例在附图中示出。在任意可能情况下，相同的参考数字始终用于附图中相同或相似的部分。

首先，用于本发明的描述的变量定义如下：

s(k)：传输信号

N：天线元件计数(antenna element count)

v(k)∈C^N

A：包括无线信道系数和天线增益的向量

x(k)：As(k)+v(k)

w(k)＝智能天线加权向量

y(k)＝W^H(k)*x(k)＝W^H(k)As(k)+W^H(k)v(k)：结果信号

作为用于寻找智能天线的加权的适应性算法，有几种方法，比如LMS(最小均方)(least mean square)，RLS(递归最小二乘法)(recursiveleast square)，CMA(恒模特性算法)(constant modulus algorithm)，MSINR(最大信号与干扰及噪声比)(maximum signal to interference andnoise ratio)，等等。这些方法可得到解决广义特征值问题的结论。

特别的，像MSINR，其作为寻找最大化SINR向量的方法会导致解决广义特征值问题或使用梯度。

在计算对应的相关矩阵中，本发明使得对应的相关矩阵具有HermitianToeplitz矩阵性质。

另外，在本发明中，快速傅立叶变换(FFT)被应用于使用相关矩阵的HermitianToeplitz矩阵性质的加权更新。

一种计算加权来最大化结果信号的SINR(信号与干扰及噪声比)的方法将在下面解释，以用于示例。

图1是根据本发明的智能天线的接收器的方框图，其中智能天线的元件是安排在彼此相等间隔的阵列天线。

参考图1，智能天线的接收器估算加权来更新各自的天线元件的加权向量。即，智能天线的接收器包括：装备有用于更新先前的加权向量的适应性算法的加权向量产生器30，使用加权向量的更新值来形成天线元件波束图(beam patern)的波束形成模块10，以及将结果值相加的加法器20。

加权向量产生器30装备有适应性算法，其执行将通过图2和图3解释的加权估算过程，并且执行下面的运算。

首先，新输入的接收信号向量被分解为信号分量和干扰/噪声分量。并且，使用两个分开的分量计算具有HermitianToeplitz矩阵性质的相关矩阵。

之后计算用于最大化结果信号的SINR(信号与干扰及噪声比)的加权向量的梯度向量。

并且，使用计算的梯度向量来更新先前的加权向量。

在这种情况中，加权向量产生器30使用接收信号向量x、加法器20的输出信号向量、以及目标值d来更新加权。

波束形成模块10使用从加权向量产生器30输出的加权向量更新值来形成天线元件的波束图。

最后，加法器20将将天线元件的值相加来输出，并且加法器20的输出端被连接到加权向量产生器30，以提供更新的加权向量。

图2是根据本发明的第一实施例的更新加权向量的过程的流程图。

参考图2，加权向量的初始值是w(0)(S10)。并且，新接收信号向量是x(k)(S11)。在这种情况中，接收信号向量x(k)通过取样来提取。当然，接收信号向量是通过在本发明的下面实施例中的取样来提取的。

并且，接收信号向量x(k)被分解为x_s(k)[＝As(k)]和x_v(k)[＝v(k)](S12)。即，新输入的接收信号向量x(k)被分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]。在这种情况中，用于信号分量的‘A’是包括构成智能天线的各自元件的天线增益的向量。

例如，在CDMA(码分多址)系统的接收信号向量x(k)中，x_s(k)[＝As(k)]和x_v(k)[＝v(k)]被分别认为是后去扩频(post-despreading)信号和预去扩频(pre-despreading)信号。因此，对于接收信号向量x(k)，x_s(k)[＝As(k)]和x_v(k)[＝v(k)]分别是预去扩频和后去扩频信号分量。

使用分开的x_s(k)[＝As(k)]和x_v(k)[＝v(k)]，通过等式1和等式2得出相关矩阵(S13)。

【等式1】

${\hat{R}}_{\mathrm{ss}}\left(k\right)=\frac{(k-1){\hat{R}}_{\mathrm{ss}}(k-1)+{\stackrel{\‾}{R}}_{\mathrm{ss}}\left(k\right)}{k}$

【等式2】

${\hat{R}}_{\mathrm{vv}}\left(k\right)=\frac{(k-1){\hat{R}}_{\mathrm{vv}}(k-1)+{\stackrel{\‾}{R}}_{\mathrm{vv}}\left(k\right)}{k}$

R_ss(k)和 R_vv(k)分别在等式3和等式4中示出。

【等式3】

【等式4】

在等式3和等式4中的

和

分别在等式5和等式6中示出。

【等式5】

$\widehat{r_{s,l}}\left(k\right)=\frac{1}{N-l}\underset{i}{\mathrm{\Σ}}{x}_{s,i}\left(k\right)\stackrel{*}{x_{s,i+l}\left(k\right)},l=\mathrm{0,1},...,N-1$

【等式6】

$\widehat{r_{v,l}}\left(k\right)=\frac{1}{N-l}\underset{i}{\mathrm{\Σ}}{x}_{v,i}\left(k\right)\stackrel{*}{x_{v,i+l}\left(k\right)},l=\mathrm{0,1},...,N-1$

相关矩阵 和 具有Hermitian矩阵性质和Toeplitz矩阵性质。而且，这些相关矩阵是自相关矩阵。

因此，计算使结果信号y(k)的 $\mathrm{SINR}[\mathrm{\λ}\left(k\right)=\frac{w^H\left(k\right)\widehat{R_{\mathrm{ss}}}\left(k\right)w\left(k\right)}{w^H\left(k\right)\widehat{R_{\mathrm{vv}}}\left(k\right)w\left(k\right)}]$ 最大化的梯度向量g(k)(S14)，其中梯度向量g(k)是用于计算加权向量

的向量。并且，结果信号y(k)是在图1中的加法器20的输出值。

计算出的g(k)在等式7中表示。

【等式7】

$g\left(k\right)=[\widehat{R_{\mathrm{ss}}}\left(k\right)-\mathrm{\λ}\widehat{R_w}\left(k\right)]w\left(k\right)$

然后，加权向量产生器30使用梯度向量g(k)来更新先前的加权向量w(k)，如等式8所示。并且，当前的加权向量是w(k+1)。

【等式8】

w(k+1)＝w(k)+μg(k)

在等式8中，μ是用于调整更新量的适应性系数。

如果x_s(k)(＝As(k))的系数A是可估算的，也就是说，如果可以使用在CDMA系统中的导频信道来估算‘A’，则可以获得约束性(constrained)更新表达式(S15)，如等式9所示。

【等式9】

$w(k+1)=P[w\left(k\right)+\mathrm{\μg}\left(k\right)]+\hat{A}/\widehat{A^H}\hat{A}$

并且，‘P’如等式10定义的。

【等式10】

$P=I-\frac{\hat{A}\widehat{A^H}}{\widehat{A^H}\hat{A}}$

等式10满足 $W^H\left(k\right)\hat{A}=1,\∀k.$ 在等式10中，‘I’指示标识符矩阵。

图3是根据本发明的第三实施例的更新加权向量的过程的流程图。

在本发明的第三实施例中，加权向量产生器30通过取样间隔和/或预先确定的时间来累加从接收信号向量计算出的相关矩阵，以计算梯度向量。特别的，加权向量产生器30不在每次输入数据时更新加权。而是，加权向量产生器30在预先确定的时间(例如，1时隙或1帧)内计算，来几次累加来自接收信号的相关矩阵，并且之后使用累加的相关矩阵来几次重复进行更新运算，以更新加权。

参考图3，当k＝1时加权向量的初始值是w(1)(S10)。并且，新接收信号向量是x(k)(S21)。

并且，接收信号向量x(k)被分解为x_s(k)[＝As(k)]和x_v(k)[＝v(k)](S22)。即，新输入的接收信号向量x(k)被分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]。在这种情况中，用于信号分量的‘A’是包括构成智能天线的各自元件的天线增益的向量。

例如，在CDMA(码分多址)系统的接收信号向量x(k)中，x_s(k)[＝As(k)]和x_v(k)[＝v(k)]被分别认为是后去扩频信号和预去扩频信号。

使用分开的x_s(k)[＝As(k)]和x_v(k)[＝v(k)]，通过等式1和等式2得出相关矩阵(S23)。

在这种情况中，重复先前的步骤S21到S23，直到‘k mod L’变为‘0’(S24)。‘mod’表示模数的运算，并且模数运算输出在‘k’除以‘L’情况下的余数。

因为用于在预先确定时间(例如，1时隙或1帧)接收信号的相关矩阵在上述运算中计算，所以‘L’指示诸如1时隙或1帧的预先确定的时间。

因此，一直累加直到‘k mod L’变为‘0’的相关矩阵将用于计算下面的梯度向量‘g’。即，计算使结果信号y(k)的 $\mathrm{SNIR}[\mathrm{\λ}=\frac{w^H\widehat{R_{\mathrm{ss}}}w}{w^H\widehat{R_{\mathrm{vv}}}w}]$ 最大化的梯度向量g(S26)，其中梯度向量‘g’是用于计算加权向量 的向量。

梯度向量‘g’由等式11表示。

【等式11】

$g=[\widehat{R_{\mathrm{ss}}}-\mathrm{\λ}\widehat{R_{\mathrm{vv}}}]w$

加权向量产生器30使用等式11的梯度向量g来更新先前的加权向量w(S27)，如等式12中所示。以和先前设置的计数一样多的次数来执行这样一个加权向量的更新(S28)。图3中的‘Iter_No’表示先前设置的加权向量的更新计数。

【等式12】

w(k+1)＝w(k)+μg(k)

在等式12中，μ是用于调整更新量的适应性系数。

如果x_s(k)(＝As(k))的系数A是可估算的，就是说，如果可以使用在CDMA系统中的导频信道来估算‘A’，则可以得到约束性更新表达式(S26)，如等式13所示。

【等式13】

$w(k+1)=P[w\left(k\right)+\mathrm{\μg}\left(k\right)]+\hat{A}/\widehat{A^H}\hat{A}$

并且‘P’如等式10中的定义。

将在下面解释用于计算加权来使结果信号的信号与干扰及噪声比(SINR)最大化的方法的不同应用。即，将在下面解释导致解决广义特征值问题的方法。

广义特征值问题由等式14表示：

【等式14】

R_ssw＝λR_vvw

在这种情况中，R_ss和R_vv分别是用于接收信号的信号分量的相关矩阵和用于干扰和噪声分量的相关矩阵。‘w’是天线的加权。并且，‘λ’是广义特征值。

为了解等式14，本发明对其应用快速傅立叶变换(FFT)。特别的，本发明包括用于本发明的第三到第五实施例的下面的逻辑设置(logical configuration)。即，加权向量产生器30(其装备有用于更新在智能天线波束形成器中先前加权向量的适应性算法)，包括：分别执行等式15和16的FFT计算模块，通过等式17来执行广义特征值的特征值计算模块，以及更新模块，其根据等式18来更新加权W_F(该W_F是通过对其应用快速傅立叶变换(FFT)计算出来的)。

【等式15】

其中‘O’是N×1的零向量。

【等式16】

【等式17】

$\mathrm{\λ}=\frac{w_F\⊗{\hat{R}}_{\mathrm{ss}}^F\⊗w_F}{w_F\⊗{\hat{R}}_{\mathrm{vv}}^F\⊗w_F}$

【等式18】

$w_F^{\mathrm{new}}=w_F^{\mathrm{old}}+\mathrm{\μ}({\hat{R}}_{\mathrm{ss}}^F-\mathrm{\λ}{\hat{R}}_{\mathrm{vv}}^F)\⊗w_F^{\mathrm{old}}$

图4是根据本发明第三实施例的更新加权向量的过程的流程图。

参考图4，加权向量的初始值是w(0)(S40)。W_F通过根据等式15在加权向量的初始值w(0)上执行快速傅立叶变换(FFT)计算出(S41)。

新接收信号向量是x(k)(S42)。并且，接收信号向量x(k)被分解为x_s(k)[＝As(k)]和x_v(k)[＝v(k)](S43)。即，预相关(pre-correlation)的新输入的接收信号向量x(k)被分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]。在这个情况中，用于信号分量的‘A’是包括构成智能天线的各自元件的天线增益的向量。

例如，在CDMA(码分多址)系统中，x_s(k)[＝As(k)]和x_v(k)[＝v(k)]分别被认为是后去扩频和预去扩频信号。

使用分开的x_s(k)[＝As(k)]和x_v(k)[＝v(k)]，通过等式1和等式2得出相关矩阵(S44)。

R_ss(k)和R_vv(k)分别在等式3和等式4中示出，另外，在等式3和等式4中的

和 分别在等式5和等式6中示出。

通过等式1到等式6的计算，相关矩阵R_ss(k)和R_vv(k)具有Hermitian矩阵性质和Toeplitz矩阵性质。另外，这些相关矩阵是自相关矩阵。

之后，通过在已计算的相关矩阵上执行快速傅立叶变换，可使用等式16计算出

和

(S45)。

使用快速傅立叶变换的结果值(W_F，

)来计算出等式17的特征值λ。

在等式17中的算子由等式19定义。

[等式19】

$\left[\begin{array}{c}{x}_1\\ x_2\\ \·\\ \·\\ \·\\ x_N\end{array}\right]\⊗\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_N\end{array}\right]=\left[\begin{array}{c}{x}_1{y}_1\\ x_2{y}_2\\ \·\\ \·\\ \·\\ x_N{y}_N\end{array}\right]$

因此，加权向量产生器30更新先前经过傅立叶变换的加权向量W_F(S47)，如等式18所示。

在等式18中，μ是用于调整更新量的适应性系数。

在是一般表示的等式18中，通过本发明第三实施例的步骤计算的加权向量是一个旧的值。重复上述步骤来使用旧的值得出新的加权向量。

图5是根据本发明第四实施例的更新加权向量的过程的流程图。

在本发明的第四实施例中，加权向量产生器30在取样间隔和/或预先确定的时间内累加从接收信号向量计算出的相关矩阵，以计算广义特征值。特别的，加权向量产生器30不在每次输入数据时更新加权。而是，加权向量产生器30在预先确定的时间(例如，1时隙或1帧)内计算，来几次累加来自接收信号的相关矩阵，并且之后使用累加的相关矩阵来几次重复进行更新运算，以更新加权。

参考图5，如果k＝1，则加权向量的初始值是w(1)(S50)。W_F通过根据等式15在加权向量的初始值w(1)上执行快速傅立叶变换(FFT)计算出(S51)。

新接收信号向量是x(k)(S52)。并且，接收信号向量x(k)被分解为x_s(k)[＝As(k)]和x_v(k)[＝v(k)](S53)。即，新输入的接收信号向量x(k)被分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]。在这种情况中，用于信号分量的‘A’是包括构成智能天线的各自元件的天线增益的向量。

例如，在CDMA(码分多址)系统中，x_s(k)[＝As(k)]和x_v(k)[＝v(k)]分别被认为是后去扩频和预去扩频信号。

使用分开的x_s(k)[＝As(k)]和x_v(k)[＝v(k)]，通过等式1和等式2得出相关矩阵(S54)。

在这种情况中，重复先前的步骤S52到S54，直到‘k mod L’变为‘0’(S55)。‘mod’表示模数运算，并且模数运算输出在‘k’除以‘L’的情况下的余数。

因为用于在预先确定时间(例如，1时隙或1帧)接收信号的相关矩阵在上述运算中计算，所以‘L’指示诸如1时隙或1帧的预先确定的时间。

因此，将要用于快速傅立叶变换(FFT)的相关矩阵将被一直累加直到‘k mod L’变为‘0’。

之后，通过在累加的相关矩阵上执行快速傅立叶变换，使用等式16计算出

和

(S56)。

使用快速傅立叶变换的结果值(W_F， )计算出等式17的特征值λ(S58)。

在等式17中的算子通过等式19定义。

因此，加权向量产生器30更新先前经过傅立叶变换的加权向量W_F(S59)，如等式18所示。以和先前设置的计数一样的次数重复这样一个加权向量的更新(S60)。在图5中，‘Iter_No’指示加权向量的先前设置的更新计数。

在等式18中，μ是用于调整更新量的适应性系数。

同时，在根据本发明的另一优选实施例中，在更新先前经过傅立叶变换的加权向量W_F中，在下面提供一种不使用等式17的更为简单的计算特征值的方法。

下面的方法用于计算在本发明的第三和第四实施例中的特征值λ。

首先，表示广义特征值问题的等式14可由等式20表达。

【等式20】

$\widehat{R_{\mathrm{ss}}^F}\⊗w_F=\mathrm{\λ}\widehat{R_{\mathrm{vv}}^F}\⊗w_F$

为了解等式20，根据本发明的加权向量产生器30进一步包括执行等式21的递归计算模块。

【等式21】

$w_F(k+1)=\frac{{\left\{\mathrm{diag}\left(\widehat{R_{\mathrm{vv}}^F}\right)\right\}}^{-1}\widehat{R_{\mathrm{ss}}^F}\⊗w_F\left(k\right)}{\mathrm{\λ}}$

在等式21中，‘diag’表示在等式22中所示的对角矩阵。

【等式22】

因此，可以通过等式23计算出特征值λ。

【等式23】

$\mathrm{\λ}=\frac{\widehat{R_{\mathrm{ss}}^F}\⊗z}{\widehat{R_w^F}\⊗z},z=w_F\⊗w_F$

因此，通过使用在等式23中计算出的特征值λ，对等式18中的先前经过傅立叶变换的加权向量W_F进行更新。

因此，接近真实梯度的梯度值被用于使用具有Hermitian性质和Toeplitz性质的相关矩阵的加权估算，借此缩短估算加权的算法的收敛速度(convergence speed)。

并且，在约束性更新中，满足 $W^H\hat{A}=1,\∀k,$ 使得可以防止约束的更新等式在多个解之间浮动。

另外，不需要将使结果信号的SINR(信号与干扰及噪声比)最大化的计算加权的方法(MSINR)的问题转化为广义特征值问题，借此可以不需要逆矩阵，从而大大减少了计算量。

此外，因为具有Toeplitz矩阵性质和Hermitian矩阵性质的相关矩阵被用于加权估算，所以不需要得出相关矩阵的所有分量。即，仅通过计算第一列或第一行来估算加权，借此减少了总的计算量和存储设备的大小。

另外，本发明进一步使用快速傅立叶变换(FFT)，从而减少矩阵和根据天线元件计数(N)的矩阵与向量相乘的运算数量。即，对于矩阵和向量的相乘运算的数量，0(N²)可被0(Nlog₂N)代替，从而计算量随着天线元件计数(N)的增加而相对减少。另外，用于存储矩阵的内存容量从N²减少到了2N。

对本领域普通技术人员来说，很明显可以对本发明作出多种更改和修正。因此，本发明意在覆盖在本发明和它的权利要求的范围之中提供的更改和修正以及它们的等价物。

Claims (29)

1.一种使用智能天线系统的方法，包括下面的步骤：

将至少一个接收信号向量x(k)分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]；

计算具有Hermitian和Toeplitz矩阵性质的相关矩阵

和

以及

使用已计算的所述相关矩阵将加权向量的加权向量先前值更新为当前值。

2.如权利要求1所述的方法，其中所述信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]分别是后去扩频和预去扩频信号分量。

3.如权利要求1所述的方法，其中所述信号分量包括构成智能天线的各自元件的天线增益。

4.如权利要求1所述的方法，其中所述相关矩阵是自相关矩阵。

5.如权利要求1所述的方法，其中所述相关矩阵是

和其中 ${\hat{R}}_{\mathrm{ss}}\left(k\right)=\frac{(k-1){\hat{R}}_{\mathrm{ss}}(k-1)+{\stackrel{\‾}{R}}_{\mathrm{ss}}\left(k\right)}{k},$

${\hat{R}}_{\mathrm{vv}}\left(k\right)=\frac{(k-1){\hat{R}}_{\mathrm{vv}}(k-1)+{\stackrel{\‾}{R}}_{\mathrm{vv}}\left(k\right)}{k},$

$r_{s,l}^{^}\left(k\right)=\frac{1}{N-l}\underset{i}{\mathrm{\Σ}}{x}_{s,i}\left(k\right)x_{s,i+l}^{*}\left(k\right),l=\mathrm{0,1},...,N-1,$ 以及

$r_{v,l}^{^}\left(k\right)=\frac{1}{N-l}\underset{i}{\mathrm{\Σ}}{x}_{v,i}\left(k\right)x_{v,i+l}^{*}\left(k\right),l=\mathrm{0,1},...,N-1.$

6.如权利要求1所述的方法，进一步包括下面的步骤：

使用已计算出的相关矩阵来计算用于使信号向量y(k)的信号与干扰及噪声比SINR最大化的加权向量w(k)的梯度向量g(k)；以及

使用已计算出的梯度向量将加权向量的先前值更新为当前值。

7.如权利要求6所述的方法，其中使用 和 将所述梯度向量g(k)表示为 $g\left(k\right)=[\widehat{R_{\mathrm{ss}}}\left(k\right)-\mathrm{\λ}\widehat{R_{\mathrm{vv}}}\left(k\right)]w\left(k\right),$ 其中

$\mathrm{\λ}\left(k\right)=\frac{w^H\left(k\right)\widehat{R_{\mathrm{ss}}}\left(k\right)w\left(k\right)}{w^H\left(k\right)\widehat{R_{\mathrm{vv}}}\left(k\right)w\left(k\right)}.$

8.如权利要求6所述的方法，其中，使用相关矩阵 和 所述接收信号与干扰及噪声比SINR为 $\mathrm{\λ}\left(k\right)=\frac{w^H\left(k\right)\widehat{R_{\mathrm{ss}}}\left(k\right)w\left(k\right)}{w^H\left(k\right)\widehat{R_{\mathrm{ss}}}\left(k\right)w\left(k\right)}.$

9.如权利要求6所述的方法，其中所述加权向量更新的表达式是w(k+1)＝w(k)+μg(k)，其中‘μ’是用于调整更新量的适应性系数。

10.如权利要求6所述的方法，其中所述如果x_s(k)(＝As(k))的系数‘A’是可估算的，则加权向量的更新表达式是满足 $W^H\left(k\right)\hat{A}=1,$ k的 $w(k+1)=P[w\left(k\right)+\mathrm{\μg}\left(k\right)]+\hat{A}/\widehat{A^H}\hat{A}$ ，其中‘μ’是用于调整更新量的适应性系数， $P=I-\frac{\hat{A}\widehat{A^H}}{\widehat{A^H}\hat{A}},$ 以及‘I’表示标识符矩阵。

11.如权利要求6所述的方法，其中所述用于至少一个接收信号的相关矩阵在数据取样的间隔和/或预先确定的时间内被累加，以用来计算梯度向量。

12.如权利要求11所述的方法，其中所述用于至少一个接收信号的相关矩阵是以时隙为单位进行累加的。

13.如权利要求11所述的方法，其中所述用于至少一个接收信号的相关矩阵是以帧为单位进行累加的。

14.如权利要求1所述的方法，其中在使用在数据取样间隔和/或预先确定的时间内进行累加的相关矩阵来更新加权向量的情况中，几次重复更新加权向量的步骤。

15.如权利要求1所述的方法，其中所述进一步将构成智能天线的各自元件的天线增益应用于估算加权。

16.如权利要求1所述的方法，进一步包括以下步骤：

在先前的加权向量和计算出的相关矩阵上执行快速傅立叶变换FFT；

使用经过快速傅立叶变换的加权向量(W_F)和经过快速傅立叶变换的相关矩阵

来计算特征值(λ)；以及

使用已计算的特征值、经过快速傅立叶变换的加权向量和经过快速傅立叶变换的相关矩阵将先前的加权向量更新为当前值。

17.如权利要求16所述的方法，其中所述经过快速傅立叶变换的加权向量(W_F)是 $w_F=\left[\begin{array}{c}w\\ o\end{array}\right]$ 的FFT，其中‘O’是N×1的零向量。

18.如权利要求16所述的方法，其中所述相关矩阵分别是

和 并且其中如果 ${\hat{R}}_{\mathrm{ss}}\left(k\right)=\frac{(k-1){\hat{R}}_{\mathrm{ss}}(k-1)+{\stackrel{\‾}{R}}_{\mathrm{ss}}\left(k\right)}{k},$

${\hat{R}}_{\mathrm{vv}}\left(k\right)=\frac{(k-1){\hat{R}}_{\mathrm{vv}}(k-1)+{\stackrel{\‾}{R}}_{\mathrm{vv}}\left(k\right)}{k},$

$r_{s,l}^{^}\left(k\right)=\frac{1}{N-l}\underset{i}{\mathrm{\Σ}}{x}_{s,i}\left(k\right)x_{s,i+l}^{*}\left(k\right),l=\mathrm{0,1},...,N-1,$ 以及

$r_{v,l}^{^}\left(k\right)=\frac{1}{N-l}\underset{i}{\mathrm{\Σ}}{x}_{v,i}\left(k\right)x_{v,i+l}^{*}\left(k\right),l=\mathrm{0,1},...,N-1,$ 相关矩阵的快速傅立叶变换分别是 $\widehat{R_{\mathrm{ss}}^F}=\left[\begin{array}{c}\widehat{r_{s,0}}\\ \widehat{r_{s,l}^{*}}\\ \underset{.}{\overset{.}{.}}\\ \widehat{r_{s,N-1}^{*}}\\ 0\\ \widehat{r_{s,N-1}}\\ \underset{.}{\overset{.}{.}}\\ \widehat{r_{s,1}}\end{array}\right]$ 的FFT和 $\widehat{R_{\mathrm{vv}}^F}=\left[\begin{array}{c}\widehat{r_{v,0}}\\ \widehat{r_{v,1}^{*}}\\ \underset{.}{\overset{.}{.}}\\ \widehat{r_{v,N-1}^{*}}\\ 0\\ \widehat{r_{v,N-1}}\\ \underset{.}{\overset{.}{.}}\\ \widehat{r_{v,1}}\end{array}\right]$ 的FFT。

19.如权利要求16所述的方法，其中所述特征值(λ)是 $\mathrm{\λ}=\frac{w_F\⊗{\hat{R}}_{\mathrm{ss}}^F\⊗w_F}{w_F\⊗{\hat{R}}_{\mathrm{vv}}^F\⊗w_F},$ 其中，算子定义为 $\left[\begin{array}{c}{x}_1\\ x_2\\ \underset{.}{\overset{.}{.}}\\ x_N\end{array}\right]\⊗\left[\begin{array}{c}{y}_1\\ y_2\\ \underset{.}{\overset{.}{.}}\\ y_N\end{array}\right]=\left[\begin{array}{c}{x}_1{y}_1\\ x_2{y}_2\\ \underset{.}{\overset{.}{.}}\\ x_N{y}_N\end{array}\right].$

20.如权利要求16所述的方法，其中所述加权向量的更新等式是 $w_F^{\mathrm{new}}=w_F^{\mathrm{old}}+\mathrm{\μ}({\hat{R}}_{\mathrm{ss}}^F-\mathrm{\λ}{\hat{R}}_{\mathrm{vv}}^F)\⊗w_F^{\mathrm{old}},$ 其中μ是用于调整更新量的适应性系数。

21.如权利要求16所述的方法，其中所述用于至少一个或多个接收信号向量的相关矩阵是在数据取样间隔和/或预先确定的时间内进行累加的，以及累加出的相关矩阵被用于FFT计算。

22.如权利要求21所述的方法，其中所述用于接收信号向量的相关矩阵以时隙为单位进行累加的。

23.如权利要求21所述的方法，其中所述用于接收信号向量的相关矩阵以帧为单位进行累加的。

24.如权利要求16所述的方法，其中如果用于特征值(λ)的广义特征值问题是 $\widehat{R_{\mathrm{ss}}^F}\⊗w_F=\mathrm{\λ}\widehat{R_{\mathrm{vv}}^F}\⊗w_F,$ 则通过使用对角矩阵的递归计算，当前值是 $w_F(k+1)=\frac{{\left\{\mathrm{diag}\left(\widehat{R_{\mathrm{vv}}^F}\right)\right\}}^{-1}\widehat{R_{\mathrm{ss}}^F}\⊗w_F\left(k\right)}{\mathrm{\λ}},$ 以及特征值(λ)是 $\mathrm{\λ}=\frac{\widehat{R_{\mathrm{ss}}^F}\⊗z}{\widehat{R_{\mathrm{vv}}^F}\⊗z},$ z＝w_Fw_F。

25.一种智能天线系统，包括：

加权向量产生器，其装备有用于更新加权向量的适应性算法；

波束形成模块，其使用已更新的加权向量来形成天线元件的波束图；

加法器，其将天线元件的后相关值相加来输出后相关的信号向量y(k)；

其中所述适应性算法包括以下步骤：将至少一个接收信号向量x(k)分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]，计算具有Hermitian Toeplitz矩阵性质的相关矩阵，使用相关矩阵来计算用于使后相关的信号向量y(k)的接收信号与干扰及噪声比SINR最大化的加权向量w(k)的梯度向量g(k)，以及使用已计算的梯度向量来更新加权向量。

26.如权利要求25所述的系统，其中所述天线元件是被布置为彼此相等间隔的阵列天线。

27.一种智能天线系统，包括：

加权向量产生器，其装备有用于更新加权向量的适应性算法；波束形成模块，其使用已更新的加权向量来形成天线元件的波束图；

加法器，其将天线元件的值相加来输出信号向量y(k)；

其中所述适应性算法包括以下步骤：将至少一个接收信号向量x(k)分解为信号分量x_s(k)[＝As(k)]和干扰/噪声分量x_v(k)[＝v(k)]，计算具有Hermitian Toeplitz矩阵性质的相关矩阵，在先前的加权向量和已计算出的相关矩阵上执行快速傅立叶变换FFT，使用经过快速傅立叶变换的加权向量(W_F)和经过快速傅立叶变换的相关矩阵 来计算特征值(λ)，以及使用已计算的特征值(λ)、经过快速傅立叶变换的加权向量和经过快速傅立叶变换的相关矩阵来将先前的加权向量更新为当前值。

28.一种使用智能天线算法来接收信号的方法，包括下面的步骤：

使用多个天线接收信号；

对已接收的信号进行去扩频；以及

使用已接收的和已去扩频的信号来计算每一相关矩阵。

29.如权利要求1所述的方法，其中所述相关的特征在于Hermitian和Toeplitz矩阵。

Images