“智能天线”介绍

智能天线译文（未校对）
P945-952
16.1介绍
回顾过去的十年，无线技术发展速度是难以置信的，因此发明新的技术和在降低成本下改善服务是必须的。

这种情况增加了大量的通话时间和大量的用户。

对于这种现象实际中常采用解决方案是利用空间处理技术。

高通的创始人安德鲁维特比明确阐述了“空间处理技术被最有前途的，如果不是在最新领域，在多址接入系统发展领域。

空间处理技术的中心思想是自适应天线和智能天线系统。

尽管自适应天线发明还要追溯到二次世界大战—巴特利特波束形成器。

自适应天线是仅有的低功率数字信号处理，及信号处理技术的创新软件。

智能天线系统引起了世界广泛兴趣。

确实，关于智能天线目前出现了很多观点与教程，且大量的研究关于自适应和到达方向（DOA）运算用于智能天线系统.伴随着用户的快速增加和对无线通信服务要求快速提高.这就要求信号的覆盖面越来越宽,和传输速率越来越快.智能天线系统提供了这些问题的解决方案.
这篇文章讲述了智能天线系统的介绍和大体的观点。

首先,让读者更容易理解,将智能天线系统比作为人类的音频系统,其次,通过介绍蜂窝射频系统以及变革来阐述智能天线的用途.这些观点遵守天线阵理论,到达时间和自适应数字处理算法,互扰,移动自组织网络,天线设计,天线设计关于网络容量的影响。

通信频道误比特率(BER)。

这篇文章的重要部分从[17]-[22].更多延伸讨论和细节在[17]每一节和其它的地方都有。

16.2 智能天线类比
当很多工程系统的功能被联想到人类身体系统[3]的时候，这些功能就可以很容易被理解。

因此，若想了解智能天线系统如何工作，让我们首先想象二个人在黑暗的房间里交流，如图16.1（a）。

当说话者移动的时候，听者有能力判断出他的位置。

这是因为说话者的语音在不同的时间内到达了听者的耳朵（音频的传感器）。

人类信号的处理器是大脑。

大脑通过耳朵来接受音频来判断说话者的位置。

大脑通过二个耳朵增强信号强度来判断声音的方向。

另外，如果其他说话者加入交流，大脑可以一次分辨出这是不需要的干扰且专注有用的声音。

听者可以对说话者通过用嘴巴传输做出回应。

电子智能天线系统工作用同样的方式用二个天线来代替耳朵和数字信号处理器代替大脑，如图16（b）。

因此，当数字信号处理器测量每个天线的延迟来判断有用信号到达方向，然后调节信号的增益与相位来改变辐射形式，让辐射方向聚集在有用信号，理想情况下，排除无用信号(SNOI)。

16.3 蜂窝射频系统的发展
当服务种类和用户数量的增多保持容量总是变得有挑战性。

为了提高容量来满足用户数的增加，蜂窝射频系统这几年里不得不创新发展。

为了证明当今蜂窝系统结构对智能天线的需要，一个简明的蜂窝射频系统的发展被描述。

更多细节请参考[23]-[25].
16.3.1全方向系统
至从早期开始，系统设计者已经意识到了容量将成为一个难点，尤其当一些频段和频率被分配给联邦通讯委员会（FCC），其资源变得有限。

为了增加容量来满足成千上万的消费者的需求，合适的蜂窝架构不得不被设计出来；例如图16.2架构被描述出来。

每个阴影部分的六边形如图16.2代表一个小区其最大半径为R。

在小区中心中心装了个基站其全向天线辐射，辐射为特定的频段。

基站在邻近的小区分配频段是不一样的。

通过限制小区边界的覆盖范围，相同频段可能会被用于覆盖不同的小区，小区通过彼此之间的足够远的距离来保持低于其他的干扰水平。

选择和分配的设计处理过程。

小区分离的缺点在于安装新的基站，增加小区切换（当移动用户从一个小区到达另一个小区，通信过程也将从一个基站切换到另一个基站）和每个用户更高的处理负载。

A.微蜂窝分裂（未译）
B.扇形系统
随着无线服务系统的要求变得更高，多个频率分配给一个小区实际来应付多个用户，已经显得立不从心了。

因此，蜂窝设计技术需要提供更多的频率来覆盖每个地方。

这种技术参照小区扇形[23]，在基站，当一个单独的全向天线被几个方向性天线取代。

典型的，一个小区被分割成三个部分其每个角度为120度如图16.5.
在扇形区，当保持小区半径不变，降低D/R率来改善容量。

换句话说，通过降低小区的数量那么就会增加频率的复用，可以达到增加容量。

然而，为了完成这些，必须降低之间的干扰，不是通过降低发射功率来实现。

同频道之间的干扰在这种蜂窝系统下被降低，因为这只有二个相邻小区的干扰来代替之间六个相邻小区全向辐射情况[24]，[26]（见图16.6）。

改善信噪比（S\N）和增加基站的天线数量，可降低干线效率，这都归功于基站的频道扇形式。

干线效率可用来测试用户的数量，其是通过特定的配置即固定的频率数量。

16.3.2 智能天线系统
虽然有它的好处，但是小区扇形不能提供解决容量需求的问题。

因此，系统设计者开始研究可以动态划分扇形小区领域的一个系统。

因此他们开始验证智能天线。

许多参考资料把智能天线系统认为是智能天线，其实真是情况是天线不是智能；它是数字信号处理过程，天线一让系统智能。

尽管看起来智能天线系统是一项新的技术。

智能天线基本原理不是新的[5],[6].实际，从第一次世界大战，智能天线就被用于国防系统。

直到最近几年，随着低成本数字信号处理器（DSP），通用处理器（和特定应用集成电路-ASICs）和新的信号处理运算的出现，智能天线开始商用[3]。

智能天线系统以小区扇形（其在扇形覆盖区是由多波束组成）作为基础来延伸。

这要靠天线阵的应用来实现，波束的数量在扇形区是几何阵的功能。

因为智能天线可以让天线的辐射指定需要的用户从而排除不需要的干扰，除此之外，因为智能天线有着更好的抗干扰，因此就有低的误比特率（BER），所以能提供大量的容量改善。

这些系统可以大体上分为切换波束系统和自适应天线阵[5],[6].[27]
A. 切换波束系统
切换波束系统可以选择许多预先设定模式中的一种来增加接受信号强度（如图16.7）很显然这是小区扇形的延伸理念，把每个扇形区再分割成更小的扇形区，当移动用户穿过这个小区，切换波束系统侦测到喜好强度，基站将选择适当的预先设定的波束和连续切换波束。

切换波束系统的总体目标是通过定位用户来增加增益。

然而，当波束被固定，那个用户可能不在主瓣波束的中心。

如果在所用到的波束旁边出现干扰，这可能比增加更多干扰。

B. 自适应天线阵系统
自适应天线阵[5],[6]提供更多任意的角度，因此它们有能力来适应在实际中射频信号环境下的辐射形式。

换句话说，它可以直接辐射出主瓣波束对着有用信号或SOI，阻止天线辐射的直接干扰。

为了简化，自适应矩阵系统可以针对每个用户来的辐射。

这远优越切换波束系统，如图16.8。

从这幅图可以看出切换波束不仅仅不能使主瓣的最大增益点对准需要的用户反而是副瓣的最大点对准其他用户。

由于在一个比较大的覆盖小区控制辐射形式的能力。

如图16.9可以看出自适应矩阵系统增加容量，图16.9可以比较，从相关覆盖区域来说，就传统的扇形的切换波束和自适应阵。

在现在的低等级干扰，智能天线提供增益覆盖传
统的扇形系统。

然而，当高强度干扰出现时候，自适应系统的抗干扰能力比任何常规或切换波束系统提供了更多的覆盖域。

自适应阵系统可以锁定及跟踪信号（用户和干扰者）还可以用信号处理算法来动态调节天线辐射形式来增加接受，减小干扰。

这种系统的工作架构如图16.10。

这幅图还反映了在系统下变频接受信号给基带和转成数字信号后，其用信号到达方向(DOA)算法来找出SOI,而后通过动态改变量(信号的幅度和相位)来不断跟踪SOI和SNOIS。

基本上，信号达到方向通过计算天线间时间的延迟来计算出所有信号到达方向，然后自适应运算用成本函数计算出最佳辐射方式。

一些细节如时间延迟多少和量将在以后的章节讨论。

因为自适应阵主要多了数字处理，所有在每个天线的后端需要一个射频部分，这样就会比切换波束系统成本高些。

C空分复用多址接入(SDMA)
在蜂窝射频系统的最终目标是空分复用多址接入[3],[27]。

复用多址接入在智能天线技术中是最成熟的使用。

此技术推动了空间处理容量，可以定位很多用户，对每个用户辐射不同的波速，如图16.11.这意味着在同一小区可以分配给更多的用户使用相同的被物理层通信。

P953-957
图 16.10 一个适用的阵列系统的功能块图
图 16.11 SDMA多瓣系统
这个是指超过一个用户在同样的信元中仅用角度隔开就可以同时被分配到相同的物理信道中。

这个是通过基站上有N个并行的波束成型器独立工作完成的。

基站上每个波束成型器有它自己适用的波束成型算法来控制它自己的重量和波达角以决定每个用户信号的时间延时(见图16.12)[28], [29]. 每个波束成型器为它期望的客户创建了最大的朝向，而置空或衰减其他用户。

当大大增加频率复用时，这个技术显著地提高了干扰抑制能力。

图16.12 SDMA系统块图[28], [29]
这导致了容量增加且减少了基础设施的费用。

基本上，容量不仅通过信元间频率复用增加而且通过信元内部频率复用增加[27].
16.4 信号传播
目前为止，容量问题仅仅与同信道干扰和由于用户数目大引起的信道耗尽有关。

然而，多径衰落和延时传播也扮演了减少系统容量的角色[3], [30]. 幸运地，因为智能天线系统有适应信号环境的能力，他们能相当大地减少延时传播和多径衰落，从而增加系统容量。

这部分给出了信号传播的一个简要的总览，对于这个课题的更深入地学习，读者可以参考[3], [31], [32]。

用户移动装置所产生的信号在自然界中是全向性的，因此，它引起了信号被建筑物发射，如大楼房屋。

最终这导致了如图16.13所描述的，基站上主要方向的信号有多个延时路径到达。

这种情况参考记为多径[3],[32]。

一般地，这些多个延时信号因为在基站上路径长度的
差异在相位上也不匹配，如图16.14的例子[3]。

信号传播
图 16.13 多径环境
图 16.14 两个相位相消的多径信号 [3]
因为智能天线系统能自我调整以适应信号环境，他们能利用或者拒绝发射信号，取决于信号是否是SOI或SNOIs的延时拷贝。

这是一个优势因为智能天线在拒绝所有干扰或SNOIs的同时不仅有能力从SOI的直接路径中提取信息而且也能从SOI的反射版本中提取信息。

因此，由于智能天线有管理多路信号的能力智能天线系统提高了连接质量。

因为信号被延时，多路信号分量的相位会在一个窄带频谱上被破坏性地组合，导致接收到的信号水平衰退。

图 16.15 用户信号上的衰落影响
这导致了信号强度的减小，一个代表性的例子如图16.15中所示[3]。

衰落的一种类型是瑞利衰落或快衰落[32], [33]。

衰落经常变化，并且它是一个3维(3D)现象，形成了衰落区[30]。

这些衰落区通常比较小，且当用户经过他们时他们试图周期性地衰减接收信号(例如降低质量)。

虽然衰落总的来说是一个难对付的问题，如果衰落不是很严重智能天线系统比早期的系统运行得更好。

图16.16表示的浅阴影区就是多径环境中衰落区的代表。

偶尔，多径信号反相180度，如图16.17所示。

这个多径问题称为相位消除[3]。

当相位相消发生时，通话不能长时间维持会掉线。

图 16.16衰落区 [3]
智能天线的优势
图 16.17 相位消除
图 16.18 延时传播和ISI
数字信号中，多径的影响结果引发了一个情况称为延时传播。

换句话说，如图16.18所示，符号代表了比特彼此碰撞引起了符号间干扰(ISI)。

当存在这个为题时，误码率(BER)上升，且可以观察到明显的质量下降[31]。

最后，另一个信号传播的问题是通信到干扰[30]。

当一个有着相同频率的通话干扰了用户信号时，信道干扰就发生了。

全向性信元比部分向性信元遭受了更多同信道干扰。

智能天线系统在这种环境下运行得更好[24]因为他们有关掉同信道干扰的能力。

这个比较在图16.19中所示。

16.5 智能天线的优势
对智能天线加强关注的最主要的原因是容量增加。

在人口密集的地区，移动系统经常干扰受限，即来自于其他用户的干扰是系统中噪声的主要来源。

这意味着信号干扰比(SIR)远小于信噪比(SNR)。

一般地，智能天线将同时增加有用的接收信号水平和降低干扰水平，增加SIR。

P958-961
同信道干扰
用户
同信道干扰
全向基站分区基站智能天线
图16.19 不同系统的同信道干扰比较
智能天线系统提供的另一个好处是增加范围。

因为智能天线系统相比全向天线和分区天线更加定向，存在范围增加的潜力[27]。

换而言之，智能天线系统把能量集中于预期用户，而不是像全向天线那样把它导向其它不需要的方向（浪费）。

这意味着基站的布局可以更分散，从而使得发展的成本更低。

因此，智能天线系统也很适合乡村和人口稀少地区，在那里，无线电设备的覆盖范围比容量更重要[27]。

智能天线系统的另一个附加优点是安全性。

在一个越来越依赖经营业务和传递个人信息的社会中，安全是一个很重要的因素。

智能天线系统使得窃听一个连接变得更难，因为为了成功地窃听一个连接，入侵者和用户必须处于基站的同一个方向[27]。

最后，由于智能天线系统有空间方向性的性质，它们可以被用来在紧急事件或其它精确定位服务中定位用户[27]。

16.6 智能天线的缺点
尽管智能天线提供了很多好处，但它们也确实在某些缺点而痛苦。

例如，它们的收发器比传统基站的收发器更复杂。

天线的每个阵列原件都需要单独的收发器链对，而且每一个都需要精确的实时校准[27]。

而且，一个天线的波束形成是计算密集的，这意味着那个智能天线基站必须配备很强大的数字信号处理器。

这倾向于短期内增加系统成本，但是因为它所带来的利益大于成本，长期来说，总成本会更便宜。

为了使一个智能天线拥有自适应能力和合理的收益，一个天线元件的阵列是必须的。

16.7 天线
一个智能天线的必要组成器件是它的传感器和天线元件。

正如人的耳朵是一个可以将声音的波动转换成电化学脉冲的传感器一样，智能天线可以将电磁波转换成电脉冲。

智能天线在塑造和扫描天线辐射图，约束数字信号处理器的自适应算法中都起到了重要的作用。

这些林林总总的天线元件[34]可以被选来形成一个自适应阵列。

这包括了经典的辐射器，例如偶极天线，单极天线，环形天线，开口天线，喇叭型天线，反射天线，微带天线等。

因此，一个好的天线设计师应该考虑哪种类型的天线元件最适合当前应用。

一个能够满足移动设备要求和能力的元件是印制元件和贴片的阵列，就像他们经常被提起的，图14.2显示了其中的一部分。

最常用的两个是矩形天线（14.2中具体讨论）和圆形天线（14.3中具体讨论）。

这样的阵列处理该属性以提供必要的带宽，扫描能力，波束宽度和旁瓣电平。

此外，它是一个非常适合商业产品的低成本技术，而且它的质量很轻并且是保角表面。

微带天线和贴片天线的分析和设计将在14章中具体讨论。

有若干分析方法和软件包，其中一个是[35]。

16.7.1 阵列设计
由于更大型阵列具有更窄的波束宽度，它可以更精确地解决无噪声系数器件（SOIs）的问题，并且允许智能天线系统拒绝更多的噪声系数器件（SNOIs）。

尽管这对一个智能天线系统来说，很具有吸引力，它还是有两个主要的缺点。

一个缺点是它倾向于增加成本和硬件实现的复杂性，另一个缺点是它增加了自适应算法的收敛时间，从而减少了有价值的带宽。

因此，这个问题可以在网络吞吐量的基础上被解决，将着重在本章的后续内容中进行讨论。

适合移动通信的阵列结构通常是平面阵列。

线性阵列就不那么有吸引力了，因为它不能在3D空间中扫描。

另一方面，平面阵列可以在θ（仰角）和φ（极角）的任何方向扫描主波束，就像第6章中所讨论的那样。

最初，线性阵列会被分析用来演示阵列理论的基础原理；最终，大部分的精力还是会用来分析平面阵列。

16.7.2 线性阵列
一个线性阵列的偶数个元件的M因子是沿着y轴均匀分布的，如图16.20所示，可以在第6章理论的基础上得到，正如
化简并整理16-1式，均匀沿着y轴分布的偶数个元件的阵列因子简化为
元件沿y轴分布的的线性阵列
其中
在（16-2）式和（16-2a）式中，ψn和βn分别代表了每个单独元件的振幅和相位激励。

在第6章中，振幅系数由αn标示，在信号处理波束成形中，用ψn来表示更为普遍，并且在本章中也将采取该表示方法。

振幅系数ψn主要控制图形的形状和由大到小的波瓣电平，而相位激励主要控制阵列的扫描能力。

锥形的相位分布展示了更宽的波束宽度和更低的旁瓣电压。

因此，天线设计师可以选用不同的相位分布来符合应用规范。

这在16.21式中显示了均匀线性阵列和道夫-契比雪阵列的因子比较。

正如第6章中讨论的，道夫-契比雪阵列把旁路波瓣的维持在同一电平，不过在更宽的霍夫次幂波束宽度时会有轻微的让步。

16.7.3 平面阵列
正如早先提到的，线性阵列缺乏扫描3-D空间的能力，并且因为对便携式终端来说，在任何方向上扫描θ（仰角）和φ（极角）是必须的，平面阵列对这些移动终端来说更有吸引力。

假设我们有偶数个相同的元件，如图所示，沿着xy平面以相同的间隔对称分布。

这个平面阵列因子的最大值是θ0φ0，对于偶数个元件在任意方向都可以写成
其中
在16-3式中，ωmn 是单个元件的相位激励。

对于可分离的分布，ωmn =ωm ωn 。

然而对于不可分离的分布，ωmn ≠ωm ωn 。

这意味着对于一个M ×N 的平面阵列，只有M+N 个激励的值需要（下接962页）
P962-964
这意味着对于一个M×N 的平面阵，只需要从一个可分离的分布中计算出M+N 个激励值，而从一个不可分离的分布中需要M×N 个值[36]。

16.8 天线的波束成形
智能，韦氏词典给出的定义是：“某人运用知识利用环境的能力”。

所以，某个系统具有多少智能取决于它所收集到的信息量、对信息进行处理后如何获得知识，以及它运用这些8器件线性阵列的因子（每个器件间隔0.5λ）
均匀空间元件的平面阵列
知识的能力。

在智能天线系统中，这些知识是通过数字信号处理器（DSP）执行算法来获取和运用的，如图16.10所示。

DSP的目标是预测：
1.所有入射信号的波达方向；
2.合适的阵元加权，从而较理想地把天线方向图的主波束（最大辐射）指向SOI（期
望信号），零陷（最小辐射）指向SNOI（非期望信号）。

因此，智能天线促进了对自适应信号处理算法（例如：DOA）和自适应波束成形的研究。

DOA估计包括了对阵列信号的相关分析以及特征分析和信号/噪声子空间的形成，而自适应波束成形的目标是通过调整每个天线单元的大小和相位从而获得期望的方向图[37]。

本节将简要介绍DOA算法和自适应波束成形算法。

自适应波束成形部分将通过一个简单的例子给读者初步的认识。

16.8.1 波达方向（DOA）算法概述
天线阵列接收到从各个方向来的信号后，DOA算法通过时延来确定各个信号的方向。

为了计算出时延，假定一个M×N的平面阵，x轴方向阵元距离为d x，y轴方向的阵元距离为d y，如图16.23所示。

当一个波携带着基带信号s(t)，以角度(θ,φ)入射于天线阵，它产生的时延相关于其它天线元素。

这些时延取决于天线的几何形状、阵元数量以及阵元间距。

对于如图16.23所示的矩形格状阵列而言，信号s(t)在第(m, n)个阵元处的时延，与原点(0, 0)处的阵元相关，为：
(16-4)
其中，分别的计算方法如下：
(16-5)
图16.23M×N平面阵的时延图形表示
其中，是从是从原点到第(m, n)个阵元的单位
半径矢量与信号s(t)方向上的单位半径矢量之间的夹角。

由此，和由下
(16-7) 其中，和分别代表沿着信号s(t)方向上以及沿着距离到第
和）可以表示为：
(16-8a)
(16-8b) 其中，、、分别代表沿着x轴，y轴和z轴的单位矢量。

最后，把（16-5）–（16-8b）式代入（16-4），第(m, n)个阵元关于原点(0, 0)的时延可以写成：
(16-9) 根据数据分析和实现的基础，DOA估计可以分成以下四类：传统法、子空间法、最大似然法和综合法，综合法结合了信号特征恢复技术和子空间方法[27]。

DOA估计的传统法是基于波束成形、零陷导引以及不依赖接收信号统计值的概念。

在这项技术中，通过把波束调向到所有可能方向，搜寻输出功率谱的谱峰来确定所有信号的波达方向（DOA）。

传统法的具体案例是延时-相加法（经典的波束形成器或傅立叶法）以及Capo n最小方差法。

延时-相加法的主要缺点是它的低分辨率，也就是说，主波束的宽度和旁瓣的高度限制了它分离相邻信号的能力[27]。

另一方面，Capon最小方差法试图解决延时-相加法的低分辨率问题，事实上，它也取得了明显地改善。

虽然Capon最小方差法可以获得更好的分辨率，但当非期望信号和期望信号相关时，该方法就会失效。

与传统法不同，子空间法利用接收数据的结构，实现对分辨率的大大提升。

此类算法中有两个比较主要的 –– 多信号分类算法（MUSIC）和通过旋转不变技术估计信号参数算法（ESPRIT）。

1979年，施密特提出了传统的MUSIC算法，它利用了输入协方差矩阵的特征结构[38]。

该算法可计算出入射信号的个数、每个信号的DOA、强度、信号间的互相关性以及噪声功率。

和许多算法一样，传统的MUSIC算法也有缺点。

其一就是它需要非常严格和准确的阵列校正；另外一点，如果入射信号高度相关，它就会失效，因为接收信号的协方差矩阵会变成奇异；最后，它的计算复杂度较高。

为了进一步改进传统的MUSIC算法，前人已经就提高分辨率和降低计算复杂度进行了多次尝试。

1983年，Barabell开发出基于多项式求根的求根MUSIC算法，它可以实现更高的分辨率，缺点是它只适用于等距直线阵列[39]。

1989年，施密特提出循环MUSIC算法 –– 一个方向选择性发现算法，利用接收信号的频谱相干特性，当信号的间隔小于阵列的分辨率时，也能够解析出信号。

而且，循环MUSIC算法不受入射信号个数一定要少于传感单元个数要求的限制[40]。

之后，在1994年，Xu（Guanghan Xu）提出了快速子空间分解技术来降低MUSIC算法的复杂度[41]。

在多径环境下，当接收到的信号高度相关时，MUSIC算法的。