论文部分内容阅读
智能天线技术研究的核心是波束赋型的算法，但各种算法均存在计算量大和收敛速度较慢等缺点，如何提高系统性能成为一个重要课题。本文研究了智能天线波束赋型非盲算法中的最小均方误差LMS(Least Mean Squares)算法和递归最小二乘RLS(recursive least-squares)算法，所做工作主要包括以下五个方面： 1．分析了向量相关性对LMS算法的影响，根据向量相关性原理，对迭代向量进行了“解相关”处理，提出了解相关LMS算法(Uncorrelated Least Mean Squares，U-LMS)，在不增加失调量的基础上，加快了迭代速度。 2．分析了LMS算法中固定步长与迭代速度、失调量间矛盾，在U-LMS算法的基础上，提出了一种变步长解相关LMS算法(Uncorrelated Variable-step Least Mean Squares，UV-LMS)。UV-LMS算法在迭代初期，步长较大从而加速了迭代速度，进入稳态后，步长相应减小又保证了较小的失调量。 3．针对RLS算法复杂度较大的问题，本文提出了一种树型RLS算法(Tree-model recursive least-squares，TRLS)。TRLS算法使用将输入矩阵分解为子空间降维逐层处理的方法，将RLS算法复杂度O(N~2)减小为O(N)，从而加快了迭代速度。 4．分析了输入信号相关性对TRLS算法误差的影响，分析表明输入信号相关性弱时，TRLS算法误差也较小。对于输入信号相关性强导致TRLS算法误差较大的情况，可通过对信号做离散余弦变换的预处理来降低信号的相关性，从而降低TRLS算法误差，提高算法性能。 5．对提出的UV-LMS算法和TRLS算法进行了计算机仿真，仿真结果表明：与LMS算法相比，UV-LMS算法有着迭代速度快、误差较小的特点；与RLS算法相比，TRLS算法有更短的收敛时间，从而验证了算法的有效性。UV-LMS和TRLS算法有着迭代速度快，达到收敛所需时间短的特点，适用于快速变化的动态环境，可以提高整个系统的性能。