基于随机森林的MVDR快速自适应波束形成用于McWiLL“Korona”环形天线

《Inventions》:Fast Adaptive Beamforming for McWiLL “Korona” Ring Antennas Using Random Forest–Based MVDR

【字体: 大 中 小 】 时间:2026年08月28日 来源:Inventions 2.4

编辑推荐:

  本研究聚焦于加速采用“Korona”环形智能天线的多载波无线互联网本地环路(McWiLL)专业无线电通信系统中的自适应波束形成。研究工作探究了八元均匀圆形天线阵列中复加权系数的计算算法。主要目标是在多径传播条件下,在保持干扰抑制深度和稳健性的同时缩短波束方向图

  
本研究聚焦于加速采用“Korona”环形智能天线的多载波无线互联网本地环路(McWiLL)专业无线电通信系统中的自适应波束形成。研究工作探究了八元均匀圆形天线阵列中复加权系数的计算算法。主要目标是在多径传播条件下,在保持干扰抑制深度和稳健性的同时缩短波束方向图自适应时间。为实现该目标,研究人员采用基于随机森林(Random Forest)算法的集成机器学习方法,利用接收信号样本协方差矩阵的元素来逼近最优最小方差无失真响应(MVDR)解。训练数据集通过McWiLL信道仿真生成,其中考虑了阵列单元间的互耦、信噪比(SNR)变化以及期望信号和干扰信号的不同到达角。研究人员从辐射方向图零陷深度、对相位失真的稳健性以及现场可编程门阵列(FPGA)硬件平台上的推理时间等方面,将所提出方法与经典MVDR算法进行了对比评估。结果表明,基于随机森林的方法在形成朝向干扰方向约30–35 dB的辐射方向图零陷(经典MVDR为44–46 dB)的同时,计算时间缩短了四倍以上;综合核心未使用任何硬件乘法器(DSP48),且其与软件模型的功能等价性已通过位精确RTL协同仿真得以确认。研究结果显示出该方法在McWiLL基站及其他需要在动态信道条件下进行快速自适应波束形成的专业无线电系统中部署的前景。
**基于随机森林的MVDR快速自适应波束形成:McWiLL“Korona”环形天线研究解读**

**1. 研究背景与问题**

当前电信系统面临传输流量爆炸式增长和频谱效率要求日益严苛的挑战。在6 GHz以下频段,特别是专业移动无线电(PMR)系统和第五代(5G)网络中,空分多址(SDMA)成为关键发展方向,其技术基础是能够根据信号环境动态调整辐射方向图的智能天线系统。McWiLL标准基于码扩正交频分多址(CS-OFDMA)技术,广泛用于关键任务通信网络以及交通、能源等领域的技术通信系统。其物理层采用“Korona”型八元环形天线阵列,能够在360°全扇区范围内形成窄波束,无需多面板扇区天线,从而获得显著的链路预算增益和同频干扰抑制能力。

然而,“Korona”智能天线的性能直接取决于计算各天线单元加权系数的数字信号处理(DSP)算法的速度与精度。经典自适应方法如最小方差无失真响应(MVDR)和多重信号分类(MUSIC)算法虽能高精度地在干扰源方向形成辐射方向图零陷,但其实现需要进行计算量巨大的协方差矩阵求逆运算。在高用户移动性条件下,无线电信道参数的变化快于经典迭代算法(如最小均方LMS)的收敛速度,导致波束失准和信干噪比(SINR)恶化。此外,实时环境下的繁重矩阵计算会给基站数字信号处理器和FPGA带来峰值负载,限制系统可扩展性。近年来,将人工智能方法应用于物理层问题成为趋势,深度学习方法在信道估计和预编码方面表现优异,但其高计算复杂度和“黑箱”特性限制了在移动终端和紧凑型基站中的应用。因此,本研究的目的是通过开发基于随机森林(RF)集成机器学习技术的方法,提高McWiLL系统中“Korona”天线阵列加权系数的计算效率。研究假设是,用决策树集成预测模型替代直接矩阵计算,可将波束自适应时间缩短三到四倍,同时保持可接受的旁瓣抑制水平。RF算法具有天然并行性,并可简化为逻辑比较操作集合,非常适合McWiLL设备中现代FPGA的架构。

**2. 主要关键技术方法**

研究人员在MATLAB R2023b中构建了仿真模型,使用Phased Array System Toolbox进行阵列仿真,Statistics and Machine Learning Toolbox训练随机森林回归模型,Deep Learning Toolbox训练多层感知机(MLP)。可综合硬件核心由HDL Coder转换为Verilog,并在Xilinx Vivado 2024.1中针对Kintex-7 FPGA完成综合,在Aldec Active-HDL 12中进行了位精确RTL协同仿真。训练数据生成器考虑了阵列单元间的互耦效应,采用有效导向矢量建模。物理层参数遵循McWiLL规范(ITU-R M.1801):八元均匀圆形阵列(UCA)、CS-OFDMA信号结构、5 MHz信道带宽、期望信号位于0°、两个干扰源位于±60°、干扰噪声比(INR)为20 dB、信噪比(SNR)从?10到+30 dB变化、快拍数N=32。特征向量由样本协方差矩阵的非冗余元素构成,包含8个功率值和28个复相位差值,经归一化后形成64维实值特征向量。RF模型采用多输出回归结构,输出16个实虚部分量,共50棵回归树,使用均方误差(MSE)分裂准则,训练集80000样本,测试集20000样本。硬件实现中,树结构转换为定点格式并映射到片上BRAM,推理过程仅需阈值比较和内存读取操作。

**3. 研究结果**

**3.1 波束方向图形成精度分析**

在期望信号0°、干扰±60°的基线场景下,经典MVDR形成约?44 dB的零陷,RF-MVDR形成约?33 dB的零陷,两者方向图在主瓣和旁瓣结构上高度吻合。在期望信号与干扰仅5°角间隔的紧密干扰场景中,MVDR在干扰方向形成约?34 dB零陷,RF-MVDR约为?29 dB,同时保持相似方向图形状,但期望信号方向低于方向图最大值约12 dB,这是由近距离放置零陷的固有约束所致。在每单元2°相位误差的阵列模型失配条件下,经典MVDR零陷深度约?43 dB,RF-MVDR约?31 dB,且RF-MVDR曲线在全角度范围内紧贴MVDR曲线,表明集成平均效应产生了对校准误差不敏感的“平滑”权向量。

**3.2 输出SINR、收敛性和稳健性对比分析**

在N=32快拍下,经典MVDR的SINR随SNR近似线性增长,RF-MVDR在低中SNR区间与MVDR差距约2 dB,高SNR时出现约28 dB的饱和效应,这一饱和源于树集成权值逼近的有限精度和特征归一化。在N=16低快拍条件下,MVDR和RF-MVDR几乎无性能退化,而迭代算法和MLP基线显著下降。在相干多径条件下,研究人员通过将相干系数ρ从0变化到1进行测试,所有方法均未出现性能崩溃,RF-MVDR在整个范围内保持最高SINR(约16.8–16.9 dB)。收敛行为分析表明,RLS约5个快拍收敛,LMS约15个快拍达到约7 dB,而MVDR、RF-MVDR和MLP均能在单快拍内形成权向量,RF-MVDR达到16.6 dB,远高于迭代方法的稳态水平。平均零陷深度方面,MVDR在整个SNR范围保持约?46 dB零陷,RF-MVDR提供?36 dB至?24 dB的零陷,在典型工作SNR=10 dB时约?35 dB,足以将20 dB INR干扰抑制到噪声底以下。

**3.3 FPGA实现:资源利用、推理延迟与验证**

硬件资源利用方面,RF-MVDR完全未使用DSP48硬件乘法器,其决策树结构仅由比较器和Block-RAM查找表构成;相比之下,经典MVDR需约160个DSP48块,MLP约200个,RLS约90个,LMS约36个。RF-MVDR使用7482个查找表(LUT)和极少量触发器,少于MVDR(约22000 LUT)和MLP(约24000 LUT)。推理延迟方面,RF-MVDR在200 MHz时钟下实现单次权向量计算3.0 μs的最低延迟,比经典MVDR的12.3 μs快4.1倍,MLP为11.0 μs,RLS为6.0 μs,LMS为5.12 μs。位精确功能验证中,通过自校验测试平台对8个测试向量进行RTL协同仿真,全部8×16=128个输出样本与MATLAB 2023b定点参考值逐位匹配,确认综合核心与软件模型功能完全等价。

**4. 讨论与结论**

讨论部分指出,RF-MVDR在典型McWiLL上行链路工作范围内与经典MVDR的SINR差距不超过约2 dB,这一微小精度损失被速度和硬件效率的提升所抵消。与迭代LMS和RLS相比,RF-MVDR从单快照统计量即时形成解,避免了干扰泄漏到参考信号和收敛时间问题;与MLP神经网络基线相比,RF-MVDR在低快照和多径条件下保持高SINR,体现出集成平均对估计误差和相位失真的稳健性。由于训练数据已包含互耦效应,RF-MVDR无需在线校准和耦合矩阵逆乘法。该方法也存在局限性:精度受限于逼近分辨率(高SNR时SINR饱和)和近距离零陷固有的自抑制效应,且模型质量依赖训练集覆盖范围。研究结论确认,RF-MVDR实现了MVDR类选择性、瞬时自适应、稳健性、自动互耦补偿和硬件高效性等优势,适用于McWiLL设备及架构相似的宽带无线接入系统,尤其是在高用户移动性和密集干扰环境下的专业公共安全无线电、工业与运输网络等场景。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号