CN102572861A - 基于极化分集增益最优的基站变极化方法 - Google Patents

Abstract

本发明提供了一种基于极化分集增益最优的基站变极化方法，应用于无线通信领域。天线极化状态包括极化角α与相对相位差φ两个自由度。近期相关研究提出一种基于改变基站天线安装角度的极化增益优化方案，该方案忽略了极化状态相对相位差φ这个自由度。相比该方案，本发明实施例联合优化基站发送天线极化状态对应的极化角α与相对相位差φ。本发明实施例通过基站估计信道获取信道统计特性，依据信道统计特性和发送极化状态，建立分集增益最优化目标模型，采用群体智能粒子群优化算法求解最优发送极化状态(α^*，φ^*)，基站根据(α^*，φ^*)实现发送天线的变极化。仿真结果表明，联合优化基站发送天线极化状态对应的极化角α与相对相位差φ能够获得更高的极化分集增益。

Description

基于极化分集增益最优的基站变极化方法

技术领域

本发明属于无线通信领域，特别涉及基于极化分集增益最优的基站变极化最优发送方法。

背景技术

在无线通信领域，由于不同的极化方式同时经历深衰落的可能性很小，极化分集可获得有效的分集增益。目前关于极化分集的研究主要集中在极化分集与空间分集性能对比分析研究、无线信道特性对极化分集增益的影响、发送和接收天线配置对极化分集增益的影响等方面。这些研究的最终目标都是提高极化分集增益。为了提高极化分集增益，从接收分集的角度，现有研究表明，±45°双极化天线分集接收是准最优的接收方式。事实上，接收端分集增益的大小同时也由发端天线极化配置决定。近期相关研究提出一种基于改变天线安装角度的极化增益优化方案，通过改变天线安装角度，即等效于改变天线极化角α使得接收端极化分集增益最大。然而一个极化状态可以表述为Jones矢量形式 $\left[\begin{array}{c}\cos \mathrm{\α}\\ {\sin \mathrm{\αe}}^{\mathrm{j\φ}}\end{array}\right],$ 即一个极化状态有极化角α与相对相位差φ两个自由度。基于改变天线安装角度的极化增益优化方案忽略了极化状态相对相位差φ这个自由度，仅是φ＝0的一个特例。联合优化基站发送天线极化状态对应的极化角α与相对相位差φ，能够获得更高的分集增益。

发明内容

为了使接收端极化分集增益最大，本发明实例提供了一种基站端通过信道估计，建立分集增益最优化目标模型，通过群体智能粒子群优化算法选择匹配信道统计特性的最优发送极化状态，实现基站端最优变极化发送，所述技术方案如下：

基于极化分集增益最优的基站变极化方法，包括：

基站估计信道获取信道统计特性；

依据信道统计特性和发送极化状态，建立分集增益最优化目标模型；

采用群体智能粒子群优化算法求解最优发送极化状态；

基站实现发送天线的变极化。

本发明实例提供的技术方案的有益效果是：

通过估计信道统计特性，建立分集增益最优化目标模型，求解最优发送天线极化状态，实现基站天线适应极化信道统计特性，变极化最优发射，使得接收端极化分集增益最大。

附图说明

图1：本发明实施例的通信***发射框图；

图2：本发明实施例的通信***接收框图；

图3：本发明实施例的最优极化状态选择框图；

图4：本发明实施例带来的分集增益效果对比图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

参见图1：

调制100：移动通信采用传统调制，如数字蜂窝移动通信GSM(Global System of Mobilecommunication)中采用的GMSK(GaussianFilteredMinimumShiftKeying)调制。

分路200：把一路信号分为两路，作为正交发送天线的两个副本。

最优极化状态选择300：基站估计信道的统计特性，建立接收极化分集增益最优化目标函数与信道统计特性、发送极化状态关系，通过群体智能粒子群优化算法，选择最优天线发送极化状态，采用变极化技术等效改变天线极化状态。

数模转换400：实现数字信号向模拟信号转换。

正交双极化天线发射500：正交双极化天线作为变极化的硬件基础，实现信号通过射频天线向接收端辐射。

参见图2：

双极化天线接收600：实现射频信号到模拟信号接收。

模数转换700：实现模拟信号到数字信号的转换。

分集合并800：合并分集接收两路信号，其输出信号是各支路信号的加权和。可选的分集合并方式包括等增益合并，选择合并和最大比合并等。

解调900：从分集合并后的接收信号中恢复消息。

在本发明实施例中，参见图3，最优极化状态选择300包括：

信道估计301：基站在时域进行基于训练序列的最小二乘信道估计，获得双极化信道的统计特性。一个VH-VH(可以是任意正交双极化天线，为分析方便采用垂直水平双极化天线发送到垂直水平双极化天线接收)的双极化信道可以表示为 $\left[\begin{array}{cc}{h}_{\mathrm{vv}}& h_{\mathrm{vh}}\\ h_{\mathrm{hv}}& h_{\mathrm{hh}}\end{array}\right],$

代表主极化功率比(CPR)，体现无线散射信道环境对于极化状态的选择性，u∈(0，1)，体现为垂直极化波更适合实际无线散射信道传输。

代表交叉极化鉴别度(XPD)，体现无线散射环境的去极化作用。υ1＝ε{h_vv，h_vh}，υ2＝ε{h_hv，h_hh}分别为接收端垂直和水平天线得到的发送相关系数。σ1＝ε{h_vv，h_hv}，σ1＝ε{h_vh，h_hh}分别为发送端垂直和水平天线得到的接收相关系数。δ1＝ε{h_vv，h_hh}，δ2＝ε{h_hv，h_vh}代表正交极化引起的信道间相关系数，分别为主极化相关和反极化相关。随着双极化天线制作工艺的不断提高，υ1，υ2，σ1，σ2都接近与零。因此，通过信道估计，获得u，x，δ1，δ2。

最优化目标函数建模与最优极化状态求解302：一个接收分集***的性能通过分集增益来衡量，分集增益由接收分集信号的相关性、接收分集信号两支路的功率差以及分集合并算法共同决定。

设发送天线的极化状态为 $\left[\begin{array}{c}\cos \mathrm{\α}\\ {\sin \mathrm{\α}\·e}^{\mathrm{j\φ}}\end{array}\right],$ 基站通过信道估计获得信道的统计特性参数u，x，δ1，δ2，则接收端两信号的功率差Δ(dB)为：

$\mathrm{\Δ}=\mathrm{abs}\left[10\log \left(\frac{A+B}{A-B}\right)\right]---\left(2\right)$

A＝[1+(1+|δ1|²*(u-1)*x)]*cos²α+[|δ1|²+u-|δ1|²*u+u*x]*sin²α

B＝[|δ1|*cos(φ-φ1)+|δ2|*u*x*cos(φ+φ2)]*sin(2α)

φ1为δ1的相位，φ2为δ2的相位。

相应地，接收端两信号的相关性为：

$\mathrm{\ρ}=\frac{\sqrt{C^2+D^2}}{\sqrt{A+B}\sqrt{A-B}}---\left(3\right)$

C＝[-1+(1+|δ1|²*(u-1)*x)]*cos²α+[-|δ1|²*(u-1)+u-u*x]*sin²α

D＝[-|δ1|*sin(φ-φ1)+|δ2|*u*x*sin(φ+φ2)]*sin(2α)

根据具体接收***处理分集信号方式不同，可以选择不同的分集合并，这里设分集接收***采用的是最大比合并方式。则最优化分集增益目标模型为

$\underset{{\mathrm{\α}}^{*},{\mathrm{\φ}}^{*}}{\arg \max }\left\{G_{\mathrm{div}(\max \mathrm{imal}\_\mathrm{ratio}\_\mathrm{combine})}(\mathrm{\ρ},\mathrm{\Δ})\right\}---\left(4\right)$

St.

$\left\{\begin{array}{c}\mathrm{\α}\∈[0,\mathrm{\π}/2]\\ \mathrm{\φ}\∈(\mathrm{0,2}\mathrm{\π}]\end{array}\right.$

其中，Δ和ρ参考公式(2)，(3)。

根据式(4)，采用群体智能粒子群算法，设置粒子群群数40、迭代次数100与惯性因子W＝0.7，求解最优化目标函数的全局最优解G_{div(max imal_ratio_combine)}，即此无线信道统计特性下的最优发送天线极化状态(α^*，φ^*)。

变极化303：任一极化状态可以通过Jones矢量表述为 $\left[\begin{array}{c}\cos \mathrm{\α}\\ {\sin \mathrm{\α}\·e}^{\mathrm{j\φ}}\end{array}\right].$ 基站采用正交双极化天线，垂直极化天线对应的Jones矢量表述为 $\left[\begin{array}{c}1\\ 0\end{array}\right],$ 水平极化天线对应的Jones矢量表述为 $\left[\begin{array}{c}0\\ 1\end{array}\right],$ 所以任一极化状态可以表征为垂直极化和水平极化的叠加。变极化技术就是通过改变正交双极化天线承载两路信号对应的幅值和相位，等效改变发送天线极化状态。由最优化发送极化状态(α^*，φ^*)与分路信号s(t)，垂直极化天线发送 ${\cos \mathrm{\α}}^{*}\·\left[\begin{array}{c}1\\ 0\end{array}\right]\·s\left(t\right),$ 水平极化天线发送 ${\sin \mathrm{\α}}^{*}\·e^{{\mathrm{j\φ}}^{*}}\·\left[\begin{array}{c}0\\ 1\end{array}\right]\·s\left(t\right),$ 等效于变极化发送天线到(α^*，φ^*)。

图4为本发明实施例带来的分集增益效果对比图。选取基于改变天线安装角度的极化增益优化方案为对比方案，G_{div(traditional)}表示该方案获得的极化分集增益，D_{div(optimized)}表示本发明实施例获得的接收端极化分集增益。为了比较实施例带来的分集增益提升效果，选取两种典型的无线通信场景Urban_Macro(市区宏蜂窝)与Urban_Micro(市区微蜂窝)进行性能仿真对比如图4所示。考虑不同通信场景，相应地设置了信道统计特性参数u，x，δ1，δ2，图4表明，基站考虑了极化角α和相对相位差φ两个自由度以后，相对仅考虑极化角α，极化分集增益在Urban_Macro场景下，当信道相关性δ1＝0.2，δ2＝0.2时，实施例方案提供额外0.8dB分集增益，当信道相关性δ1＝0.2，δ2＝0.9实施例方案能够提供额外2.15dB分集增益；Urban_Micro场景下，当信道相关性δ1＝0.2，δ2＝0.2时，实施例方案提供额外0.69dB分集增益，当信道相关性δ1＝0.2，δ2＝0.9时，实施例方案能够提供额外1.63dB分集增益。因此，相比基于改变天线安装角度的极化增益优化方案，联合优化基站发送天线极化状态对应的极化角α与相对相位差φ，能够获得更高的分集增益。

Claims (2)

1.基于极化分集增益最优的基站变极化方法，应用与无线通信领域，其特征在于，包括：

基站估计信道获取信道统计特性；

依据信道统计特性和发送极化状态，建立分集增益最优化目标模型；

采用群体智能粒子群优化算法求解最优发送极化状态；

基站实现发送天线的变极化。

2.根据权利要求1所述的方法，其特征在于，所述依据信道统计特性和发送极化状态，建立分集增益最优化目标模型，包括：

基站在时域进行基于训练序列的最小二乘信道估计，获得双极化信道的统计特性，包括u，x，δ1，δ2；

建立分集增益最优化目标模型：

$\underset{\underset{0<\mathrm{\&phi;}\&le;2*\mathrm{\&pi;}}{0\&le;\mathrm{\&alpha;}\&le;\mathrm{\&pi;}/2}}{\max }\left\{G_{\mathrm{div}}(\mathrm{\&rho;},\mathrm{\&Delta;},\mathrm{\&kappa;})\right\}$

ρ＝f(u，x，δ1，δ2)

Δ＝g(u，x，δ1，δ2)

其中ρ为两分集信号相关性，Δ为两分集信号功率比的dB值，κ为选择的分集合并方式

设发送天线的极化状态为 $\left[\begin{array}{c}\cos \mathrm{\&alpha;}\\ {\sin \mathrm{\&alpha;}\&CenterDot;e}^{\mathrm{j\&phi;}}\end{array}\right],$ 基站通过信道估计获得信道的统计特性参数u，x，δ1，δ2，则接收端两信号的功率差Δ(dB)为：

$\mathrm{\&Delta;}=\mathrm{abs}\left[10\log \left(\frac{A+B}{A-B}\right)\right]$

A＝[1+(1+|δ1|²*(u-1)*x)]*cos²α+[|δ1|²+u-|δ1|²*u+u*x]*sin²α

B＝[|δ1|*cos(φ-φ1)+|δ2|*u*x*cos(φ+φ2)]*sin(2α)

φ1为δ1的相位，φ2为δ2的相位。

相应地，接收端两信号的相关性为：

$\mathrm{\&rho;}=\frac{\sqrt{C^2+D^2}}{\sqrt{A+B}\sqrt{A-B}}$

C＝[-1+(1+|δ1|²*(u-1)*x)]*cos²α+[-|δ1|²*(u-1)+u-u*x]*sin²α

D＝[-|δ1|*sin(φ-φ1)+|δ2|*u*x*sin(φ+φ2)]*sin(2α)

根据具体接收***处理分集信号方式不同，κ可以选择不同的分集合并，这里设分集接收***采用的是最大比合并方式。最优化分集增益目标模型为：

$\underset{{\mathrm{\&alpha;}}^{*},{\mathrm{\&phi;}}^{*}}{\arg \max }\left\{G_{\mathrm{div}(\max \mathrm{imal}\_\mathrm{ratio}\_\mathrm{combine})}(\mathrm{\&rho;},\mathrm{\&Delta;})\right\}$

St.

$\left\{\begin{array}{c}\mathrm{\&alpha;}\&Element;[0,\mathrm{\&pi;}/2]\\ \mathrm{\&phi;}\&Element;(\mathrm{0,2}\mathrm{\&pi;}]\end{array}\right.$

其中，Δ和ρ参考公式(2)，(3)。

Images