隨著移動通信的發展，TD-SCDMA智能天線中，下行采用波束形成技術，提高下行信干比，增強覆蓋。在3GPP LTE 協議TS 36.213 Release 8中定義了7種下行發射模式，其中模式7為單天線端口（端口5）即為通常所述的波束賦形模式[1]，主要用途是提高SINR、增加小區的覆蓋范圍。LTE標準支持波束形成技術，該技術是針對基站使用小間距的天線陣列，為用戶形成特定指向的波束。

    采樣矩陣求逆（SMI）算法是自適應波束形成中常用的方法，它收斂快，干擾抑制效果好。在數值分析中，SMI算法要估計接收信號的自相關矩陣，自相關矩陣的特征值的分散度(條件數) 要大于數據矩陣本身，條件數越大，數值魯棒性越差，顯然任何一種不求自相關矩陣而直接對數據矩陣計算的算法都會得到較SMI好的數值特性[2]。QR分解，它通過對輸入數據矩陣做QR分解完成協方差矩陣的估計，進而求得權向量，具有更好的數值特性和固有的高度并行性[3]，因此在實際的各種系統中得到了廣泛的應用。但當采樣數較少，采樣協方差矩陣估計值的噪聲特征值分散會導致波束形成算法的性能下降問題。
    針對此缺陷，本文提出了對角加載奇異值（DSVD）分解的算法，該算法首先對采樣數據矩陣進行奇異值（SVD）分解，再利用對角加載技術能減弱小特征值對應的噪聲波束的影響這一優勢，實現對角加載，DSVD算法不僅提高了算法的性能而且降低了復雜度。


3 仿真結果
    仿真條件：假設信號的波達方向為0°，干擾源的波達方向分別為50°（干擾噪聲比為30 dB）SNR=20 dB。圖1為采樣數N=300 QR分解算法和DSVD分解算法的陣列方向圖；圖2為采樣數N=30 QR分解算法和DSVD分解算法的陣列方向圖；圖3為QR分解算法和DSVD分解算法的陣列輸出SINR隨采樣數的變化曲線；圖4為采樣數N=20 的QR分解算法、DSVD算法的陣列輸出信干噪比SINR隨信噪比SNR的變化曲線；圖5為采樣數N=20 的QR分解算法與DSVD算法的BER比較圖。

    從圖1可以看出，在采樣數較大的情況下，兩種算法的方向圖都在期望信號處形成了很高的增益，達到了提取期望信號的目的，在干擾方向50°上都形成了零陷，抑制了干擾，兩種算法形成的零陷一樣深。從圖2可以看出，在采樣數較少的情況下，QR分解算法的旁瓣較高，其性能很不理想，但DSVD算法的旁瓣都較低，對旁瓣性能的改善非常明顯。從圖3可以看出，文中的QR分解算法和DSVD分解算法都有很高的輸出SINR，而且這兩種算法的輸出SINR接近，對角加載的算法在采樣數較少的情況下的就有很好的性能，且其性能優于沒有進行對角加載的算法的性能。從圖4也可以看出，對角加載SVD算法的輸出SINR高于QR算法的SINR。再結合圖5，可以得出DSVD算法的性能優于QR算法的性能，可以提高波束形成算法的性能。

    在自適應波束形成算法中，QR算法優于SMI算法，提高了數據魯棒性。DSVD分解算法和QR分解算法都有很好的性能，能實現正確的波束形成，提高系統增益。仿真結果證明了在采樣數較少的情況下，通過DSVD算法，降低了小特征值及其特征向量的擾動，使DSVD分解算法的性能優于QR分解算法的性能。
參考文獻
[1] 曾召華.LTE基本原理與關鍵技術[M].西安: 西安電子科技大學出版社, 2010.
[2] 張引，黃建國.基于特征結構的可變對角加載波束形成算法[J].電聲技術,2008,32(11):61-64.
[3] 倪淑燕，程乃平，倪正中.固定樣值數目的QR分解遞推算法[J]. 通信學報，2010,31（8A）：195-200.
[4] Yuen Chau, Sun Sumei, Zhang Jiankang.Comparative study  of  QRS in closed-loop beamforming systems[J]. in Proceedings of the IEEE Military Communications Conference, Orlando, FL, Oct. 2007.
[5] CARLSON B D. Covariance matrix estimation errors and diagonal loading in adaptive arrays[J]. IEEE Trans, Aerospace and Electronic Systems, 1988, 24(4)：397-401.