Машинное обучение

Научные отчеты, том 13, Номер статьи: 12590 (2023) Цитировать эту статью

Подробности о метриках

В этом исследовании мы представляем наши результаты исследования использования метода машинного обучения (ML) для улучшения производительности антенн Quasi-Yagi-Uda, работающих в диапазоне n78 для приложений 5G. В этом исследовании исследуются несколько методов, таких как моделирование, измерение и модель эквивалентной схемы RLC, для оценки характеристик антенны. В этом исследовании инструменты моделирования CST используются для разработки антенны Яги-Уда с высоким коэффициентом усиления и низкими обратными потерями для системы связи 5G. При рассмотрении рабочей частоты антенны ее размеры составляют \({0,642}\lambda _0\times {0,583}\lambda _0\). Антенна имеет рабочую частоту 3,5 ГГц, обратные потери \(-43,45\) дБ, полосу пропускания 520 МГц, максимальное усиление 6,57 дБ и КПД почти 97%. Инструменты анализа импеданса в программе CST Studio и инструменты проектирования схем в программном обеспечении Agilent ADS используются для построения эквивалентной схемы антенны (RLC). Мы используем метод контролируемой регрессии ML для точного прогнозирования частоты и усиления антенны. Модели машинного обучения можно оценивать с использованием различных показателей, включая показатель дисперсии, R-квадрат, среднеквадратическую ошибку, среднюю абсолютную ошибку, среднеквадратическую ошибку и среднеквадратическую логарифмическую ошибку. Среди девяти моделей ML результат прогнозирования линейной регрессии превосходит другие модели ML для прогнозирования резонансной частоты, а регрессия гауссовского процесса демонстрирует исключительную производительность для прогнозирования усиления. R-квадрат и переменная оценка отражают точность прогноза, которая близка к 99% как для прогнозирования частоты, так и для прогнозирования усиления. Учитывая эти факторы, антенну можно считать отличным выбором для диапазона n78 системы связи 5G.

В настоящее время для решения растущих проблем связи с точки зрения размера, полосы пропускания и усиления возрос спрос на новые системы микроволнового и миллиметрового диапазона. В результате антенны часто используются для удовлетворения потребностей спутниковой связи. Различные приложения спутниковой связи доступны в разных диапазонах частот1. Исследователи постоянно пытаются улучшить полосу пропускания и коэффициент усиления антенн. В последние годы технологии развивались очень быстро, и сейчас как развитые, так и развивающиеся страны используют беспроводную связь на чрезвычайно высоком уровне2. В последние десятилетия произошло широкое распространение многочисленных поколений стандартов беспроводной связи, таких как 1G, 2G, 3G, 4G, 5G и т. д.3,4,5. Пятое поколение сотовой технологии (5G), обеспечивающее скорость передачи данных в гигабитах в секунду (Гбит/с), практически устраняет недостатки более ранней технологии. Более того, 5G позволяет использовать маломощные приложения IoT, которые быстро расширяются6,7. Ожидается, что в качестве ключевого диапазона частот для развертывания 5G диапазон ниже 6 ГГц (от 2 до 6 ГГц) обеспечит хорошую стабильность между покрытием и пропускной способностью, особенно в диапазонах N77, N78 и N798.

Синтаро Уда и Хидецугу Яги были изобретателями антенны Яги, также известной как антенна Яги-Уда. Эта антенна направленная и состоит из диполя и множества паразитных элементов. Паразитные элементы представляют собой один отражатель, установленный позади диполя, и несколько директорий, установленных перед дипольным элементом, что может улучшить свойства излучения. Он имеет направленное излучение, поскольку концентрирует сигнал в одном направлении, что делает его менее восприимчивым к помехам от других передатчиков9. Существует множество причин широкого использования антенны Яги Уда, включая ее низкую цену, значительный коэффициент усиления и простоту конструкции. Хотя телевизоры были основными пользователями этой антенны в первые дни после ее изобретения, сейчас такие устройства находят применение в таких разнообразных секторах, как радар, радиочастотная идентификация, спутниковая связь и т. д.10. В работе11 с использованием RT Duroid 5880 были построены микрополосковые антенны Яги–Уда с резонансными частотами близкими к 900 МГц, высотой подложки 1,575 мм, характеристическим сопротивлением 50 Ом и толщиной полоскового проводника 35 мкм. материал. Для реализации антенн Яги Уда используются микрополосковые схемы, что позволяет сделать антенны небольшими и незаметными. Пятиэлементная версия антенны Яги-Уда была разработана в12 с использованием программного обеспечения для моделирования FEKO. Центральная частота антенны составляет 500 МГц, что позволяет работать с сигналами в диапазоне 450–550 МГц, а максимальный коэффициент усиления антенны составляет 6,7 дБ. В статье 13 рассматриваются многочисленные антенны квази-яги на основе методологий питания. Некоторые авторы сообщают об выигрыше антенны Яги-Уда на 14–17 дБ за счет увеличения количества директоров. Фундаментальным недостатком антенны Яги-Уда является ее узкая полоса пропускания10,13. Трехмерное полноволновое электромагнитное моделирование георадара (GPR), используемое для определения характеристик закопанных предметов на основе искусственного интеллекта, представлено на рисунке 14. В этой работе был разработан быстрый и точный подход суррогатного моделирования на основе данных для описания характеристик захороненных объектов, эффективный в вычислительном отношении метод построения суррогатной модели с использованием небольших наборов обучающих данных, а также новый метод глубокого обучения, модель частотно-временной регрессии (TFRM), который использует необработанный сигнал. без предварительной обработки для достижения конкурентоспособной оценки. Данный метод превосходит по производительности многослойный персептрон (MLP), гауссов процесс (GP), машину регрессии опорных векторов (SVRM) и регрессию сверточной нейронной сети (CNN). Авторы утверждают в15, что антенны с реконфигурируемой частотой имеют свой собственный обобщаемый суррогатный подход к моделированию. Этот метод осуществляет постобработку дискретных данных CAD-моделирования в суррогатную модель. Впоследствии реконфигурируемая СШП-антенна с настраиваемой полосой пропускания показывает, что суррогатное моделирование практично, эффективно и точно. Предлагаемая суррогатная модель является хорошим претендентом на стандарт интерфейса реконфигурируемой антенны-сигнала системы когнитивного радио. Миниатюрные микроволновые компоненты обычно проектируются с использованием полноволнового электромагнитного (ЭМ) моделирования16. Процедуры с суррогатной поддержкой используют быстрые метамодели на основе данных для замены дорогостоящих ЭМ-симуляций. Верификационные исследования трех микрополосковых компонентов показывают, что предлагаемый подход превосходит подходы, ориентированные на производительность, и стандартные процессы моделирования с точки зрения суррогатной точности изготовления и стоимости вычислений. В статье 17 авторы обсуждают конструкции микроволновых фильтров с суррогатной поддержкой, использующие различные целевые функции конструкции. При разработке фильтров рассматриваются суррогатное моделирование (машинное обучение) и усовершенствованные алгоритмы оптимизации. Три основных метода проектирования фильтров: интеллектуальная выборка данных, расширенное суррогатное моделирование и расширенные структуры оптимизации. Для достижения успеха и стабильности их необходимо настраивать или смешивать, чтобы они соответствовали параметрам микроволнового фильтра. Наконец, рассматриваются новые области применения и тенденции в области проектирования фильтров. Исследователь использовал суррогатное моделирование для проектирования и оптимизации антенн MIMO в18. Численный анализатор Microwave Studio и MATLAB автоматически оптимизируется. Мелкая оптимизация нейронной сети используется для определения лучших решений TARC, S11 и S12. Для проверки предлагаемого подхода сконструирована и оптимизирована сверхширокополосная MIMO-антенна 3,1–10,6 ГГц. Антенны сложно проектировать и обслуживать без использования технологий машинного обучения. Без машинного обучения проектирование антенн ускоряется слишком медленно. Без машинного обучения трудно поддерживать низкий уровень ошибок и высокую производительность. Отсутствие помощи в сокращении моделирования ML при сохранении осуществимости работы и расчета поведения антенны является сложной задачей19. Машинное обучение заменяет метод проб и ошибок при моделировании метаматериалов прогнозированием параметров конструкции с использованием одной или нескольких правильно разработанных моделей машинного обучения. Две вещи влияют на точность прогноза. прежде всего размер набора данных. Кроме того, модель обучения машинного обучения20. Подход на основе ансамбля материалов антенны оценивает полосу пропускания антенны и коэффициент усиления in21. В этой статье представленный метод сравнивается с SVM, случайным лесом, регрессором K-соседей и регрессором дерева решений. Метод адаптивной динамической оптимизации китов, управляемых полярной розой, оптимизирует функции ансамблевой модели. Предложенная модель предсказала полосу пропускания антенны и эффективность усиления лучше, чем другие в регрессионном исследовании. На основе характеристик антенны методы машинного обучения могут прогнозировать коэффициент отражения (S11). Таким образом, это может предотвратить цикл оптимизации методом проб и ошибок. В этом исследовании22 использовались алгоритмы дерева решений, случайного леса, регрессии XGBoost, KNN и ANN. Поскольку набор данных моделирования является нелинейным, эти алгоритмы были выбраны для выполнения регрессии для нелинейных данных. После моделирования антенны с использованием HFSS в ходе исследования были получены резонансная частота, длина, ширина и толщина L-образной щели. Различные алгоритмы ML прогнозируют значения. Точность прогнозирования измеряется показателем R-квадрата и среднеквадратической ошибкой (MSE) для смоделированных и прогнозируемых коэффициентов отражения (S11). Антенна Яги-Уда, использующая искусственную нейронную сеть (ИНС) для прогнозирования усиления антенны и времени обучения, предлагается в 23. В исследовании 23 в качестве показателя точности прогнозирования использовалось только MSE, тогда как оценки MAE, MSLE, RMSLE, MAPE, RMSE, R-Square и Var игнорировались. Кроме того, результаты прогнозирования предложенной модели ANN не сравнивались с результатами других текущих моделей ML. В другом исследовании24 авторы исследовали одну из ключевых форм связи Интернета вещей — фоновое обратное рассеяние — и предложили стратегию проектирования антенн на основе машинного обучения для защиты физического уровня. Чтобы определить степень неточности в этом исследовании, исследователи не рассчитывали процент ошибки, выраженный как MSE, MAE или RMSE. Более того, показатель дисперсии не определялся количественно в большинстве предыдущих статей по проектированию антенн на основе ML.