TD-SCDMA中基于径向基函数神经网络的波达方向估计

摘要

智能天线技术是第三代移动通信系统的关键技术之一，也是当前通信技术中的研究热点。在频谱资源日益拥挤的情况下，智能天线利用阵列天线和阵列信号处理技术将通信资源由传统的频域、时域扩展到空域，对提高系统容量具有巨大潜力。由于引入空分多址的概念，通过用户空间位置的差异对其进行分离。各用户的波达方向(DOA)作为反映用户空间位置的重要参量，不但可以用作下行的波束形成，而且还可以用来定位，因此DOA估计在智能天线中的角色尤为重要。
　　 传统的DOA算法由于大多采用矩阵分解等技巧，因而所需运算量大，不易实时实现，并且对实际应用环境适应性差。近年来，利用人工神经网络进行DOA估计的思路已经出现，其计算量小、强容错性、巨量并行性以及具有的自适应、自组织、自学习的能力已展示了其诱人前景，易于在工程中得到应用。其中，径向基函数神经网络(RBFNN)以简单的结构、快速收敛和极强的非线性逼进能力等特点而引起广泛关注。本文重点研究在TD-SCDMA中基于RBFNN的DOA估计的改进算法。
　　 ①介绍了RBFNN方法的基本原理、RBFNN的学习规则和利用RBFNN思想进行DOA估计的方法。重点比较了RBFNN相对于MUSIC方法在不同条件下实现DOA估计时的差异。另外还分析了在相关源条件下传统的RBFNN方法存在性能下降的问题，对于等距线阵，取正向反向阵列协方差矩阵平均的方法进行了改进，提高了RBFNN方法解相关的能力。
　　 ②介绍了蚁群算法的原理，以及把这种方法用于聚类的思想。重点比较了传统K-means算法和蚁群算法在聚类时的差异。
　　 ③分析了TD-SCDMA系统中利用RBFNN实现DOA估计的方法，主要内容有三点：一是利用CDMA系统中信号扩频解扩的特性把多用户宽带信号的波达方向估计问题简化成单用户窄带信号的波达方向估计问题；二是针对均匀圆阵训练集过大的问题进行降维处理，将二维角的两个变量(俯仰角和方位角)分开，在各自的网络中单独训练；三是提出在RBFNN中用蚁群算法代替K-means算法进行聚类的新方法。最后通过仿真验证了降维处理的可行性和有效性，并对基于两种聚类方法的RBFNN的DOA估计结果进行了比较。结果显示，与基于K-means的RBFNN算法相比，基于蚁群聚类的RBFNN算法聚类的结果不受中心初始值的影响，并且受中心数目变化的影响也较小，因此在隐含层中心的数目相同的条件下，DOA估计的准确度更高，其泛化能力也更好。