广义特征分解以及其在波束形成中的应用

摘要

广义特征分解问题广泛地出现在现代信号处理应用中，其中包括模式识别、线性判断分析、错误探查、自适应阵列处理等。广义特征分解技术作为一种实用的统计工具，用来解决主广义特征空间或向量的搜寻问题。在时变通信环境中，由于矩阵束是未知的，需要从随机序列中提取，所以如何提高算法的实时性和跟踪能力成为了关键问题。
　　 正交频分复用(OFDM)技术是一种典型的无线多载波调制技术，具有较强的对抗多径衰落的能力。它不仅可以有效对抗无线链路衰落和多径效应，而且由于对子载波的叠加利用，大大提高了频谱的利用率。然而，OFDM通信系统利用的频率带经常被其它通信系统所占用，引发同频干扰(CCI)，通信效果也会受到影响。
　　 智能天线采用现代数字处理技术，利用自适应算法，使天线阵列方向图主瓣动态跟踪目标用户信号的来波方向，而使旁瓣或零陷对准干扰信号，从而到达提高系统信号干扰噪声比(SINR)的效果。
　　 本文讨论了如何提取前p个主广义特征向量。利用收缩技术，将广义特征分解问题转化为一个无约束的最小化问题，并在此基础上提出一种基于牛顿法的自适应算法。为了提升算法的实时性，改进并给出一种基于近似估计的并行算法，并构建了一个两层神经网络来执行该自适应算法。通过随机渐近理论证明了算法的渐近收敛性。仿真结果展示了算法的有效性。
　　 本文利用智能天线技术解决针对带虚载波的OFDM无线通信系统中的同频干扰问题，并考虑采用广义特征分解技术来解决波束形成问题。为应对同频干扰较强的通信环境，提出了一种基于误差矩阵的自适应波束形成算法。首先将广义特征分解问题转化为非线性最优化问题，利用误差矩阵对信号的相关矩阵进行重新估计，并修正非线性损失函数，最后求解出问题的最优权向量。该方法可以增强系统的鲁棒性，最大化SINR。仿真结果表明该算法能够有效地抑制OFDM通信系统的同频干扰。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景及意义

1．1．1 OFDM技术

1．1．2 智能天线

1．1．3 广义特征分解

1．2 国内外研究现状

1．2．1 OFDM技术的研究现状

1．2．2 智能天线技术的研究现状

1．2．3 广义特征分解技术的研究现状

1．3 研究内容和章节安排

第二章 OFDM技术

2．1 OFDM的基本原理与系统结构

2．1．1 OFDM利用逆DFT

2．1．2 保护时间和循环扩展

2．1．3 OFDM的产生

2．1．4 子载波调制

2．1．5 串并转换

2．1．6 信道编码和交织技术

2．2 OFDM系统参数的选择

2．3 OFDM的主要优缺点

2．4．OFDM韵峰值功率问题

2．5 OFDM系统中的同步问题

2．5．1 利用循环延展进行同步化

2．5．2 利用训练序列的同步化

2．5．3 在存在多路径进行时序优化

第三章 智能天线技术与自适应波束形成算法

3．1 智能天线的基本概念

3．2 智能天线基本原理与结构

3．3 自适应波束形成

3．4 自适应波束形成准则

3．5 常见的波束形成算法

3．5．1 最陡下降法

3．5．2 最小均方算法(LMS)

3．5．3 递推最小二乘(RLS)算法

3．5．4 恒模算法(CMA)

3．5．5 最小方差无畸变响(MVDR)算法

3．5．6 拟牛顿算法

3．5．7 类最小二乘迭代法(FRLSL)

第四章 多个主广义特征向量的快速自适应提取算法

4．1 广义特征分解问题的重构

4．2 自适应算法推导

4．2．1 算法推导

4．2．2 并行算法以及它的神经网络模型

4．3 收敛性分析

4．4 算法仿真

第五章 OFDM系统的同频干扰抑制波束形成算法

5．1 系统模型

5．2 自适应波束形成算法

5．3 算法仿真

第六章 总结与展望

6．1 本文的总结

6．2 下一步工作的展望

参考文献

致谢

攻读硕士期间发表的论文及其它成果