一种新的用于移动终端智能天线的半盲算法

张伟

（天津光电通信技术有限公司，天津 300221）

移动终端智能天线由于体积、功耗和成本等因素的限制。一般要求所用的算法复杂度较低，实现简单，同时收敛速度较快。所以选择合适的算法是一个关键问题。基于训练序列的算法不需要确定信号的DOA，收敛速度快，有较强的健壮（Robust）性。它在信道特性连续变化时仍可以很好的工作并且当阵元数小于信源数也能较好工作[1]。所以基于训练序列的算法是移动终端智能天线首选算法。在CDMA系统中，上行和下行链路都为每个用户分配专门的或辅助的导频信道来发送导引信号进行同步和功率控制等功能。因此在移动终端使用基于训练序列的算法是可行的。NLMS算法[2]和RLS算法是两种广泛应用的训练序列算法，RLS算法虽然收敛速度比NLMS算法要快很多，但算法复杂度太高。研究者们发明了许多性能优越的算法，如文献[1]中提出的最小二乘解扩重扩多目标阵列（Least Square Despread respread Multitarget Array，LSDRMTA）算法，最小二乘解扩重扩多目标CMA算法（LS-DRMTCMA），文献[2]中的最优变步长算法（OVS-LMS）等等。这些算法都是以复杂度的提高为代价来换取系统性能，适合于基站使用。

基于训练序列的算法，其收敛效果依赖于参考信号的可靠性，参考信号与实际所需信号相关性越好，其处理效果越好。在TD-SCDMA系统中，信号间的时延大小直接影响信号间的相关程度，时延扩展越小，信号的相关程度越高。因此基于训练序列的算法要求系统具有精确同步和较理想的信道估计。而恒模算法，如CMA算法，只根据信号的恒定幅度特征来产生参考信号，避开了对信号相关性的限制，实验表明在高速传输的陆地移动通信系统中，应用CMA的自适应阵列能够获得良好的误码率性能[1]。因此将训练序列算法与恒模算法相结合将使算法的健壮性进一步加强。

在TD-SCDMA系统中，每个时隙突发拥有144chips的训练序列。在通常的环境下使用NLMS算法在144次迭代之内能够达到较好的收敛效果。然而在某些恶劣环境下，算法在训练序列周期收敛不理想，不能对干扰进行很好的抑制。这时应该考虑如何在训练序列之后进行进一步的误差收敛。文献[1]中提出了一种训练序列重复迭代算法，但需要更高更新速率和存储空间。TD-SCDMA系统通常采用QPSK信号调制，其信号具有恒模特点。因此可以采用将基于训练序列的算法与恒模算法相结合来提高系统性能。在此提出一种将NLMS算法和CMA算法相结合的半盲算法应用到移动终端。在144chips的训练周期内使用NLMS算法，如果在训练序列周期里达不到收敛效果，在信号周期接着采用恒模算法。

因此我们考虑在144chips周期内采用训练序列d(n)作为参考信号运用NLMS算法，训练周期完成后检测误差信号e(n)的大小。如果e(n)的最后10个样本低于某一门限值则算法停止。如果高于门限值则进一步采用恒模特征序列作为

参考信号进行CMA算法运算直到连续10个e(n)样本达到门限以下。由于NLMS算法和CMA算法处理核心是一样的（都是基于最小均方误差准则），算法之间的切换，只需改变期望信号，因此整个过程很容易用硬件实现。同时对于输入的步长因子，CMA算法由于其步长固定，不需要每次迭代都进行归一化，因此其实现比NLMS算法要更简单些。对于误差门限的选择，由于NLMS算法的稳态误差比CMA算法要小，所以误差门限一般要取大于CMA算法稳态误差的值。此方法由于在训练周期内已通过NLMS算法对干扰信号达到了一定的抑制，因而解决了后续CMA算法中的因干扰过强而产生的干扰捕获问题，从而使CMA算法只收敛于期望信号。

下面针对在训练序列周期内NLMS算法达不到门限值以下的情况进行半盲算法的MATLAB仿真分析。参数：干扰信号方向-30度，期望信号方向30度，信干比：-5db，信噪比20db，步长因子为0.05，门限平方误差：0.01；可见在144chips的训练周期内，NLMS算法并没有达到门限值，因此半盲算法在144次NLMS迭代过后，CMA迭代过程开始，使误差进一步降低，最后方向图将主波束对准了期望信号，同时对干扰的抑制达-45db。显然，半盲算法对干扰的抑制深度和期望信号方向增益都优于NLMS算法。在时延扩展较大，时钟同步出现偏差时，半盲算法仍能很好的工作。半盲算法与NLMS算法相比，其对环境变化的适应能力（健壮性）加强，因此具有一定的实用价值。

结束语

本文提出的NLMS算法与CMA算法相结合的半盲算法与NLMS算法相比具有很大的优越性，解决了原算法在训练序列周期内因收敛较慢而达不到误差门限的问题，具有很强的环境适应能力。同时其复杂度与NLMS算法相当，因此具有很好的实用价值。新的半盲算法具有很强的健壮性和较低的复杂度，适合TD-SCDMA移动终端智能天线使用。