CN117195740A - 一种基于机器学习的天线方向图预测方法 - Google Patents
一种基于机器学习的天线方向图预测方法 Download PDFInfo
- Publication number
- CN117195740A CN117195740A CN202311283909.8A CN202311283909A CN117195740A CN 117195740 A CN117195740 A CN 117195740A CN 202311283909 A CN202311283909 A CN 202311283909A CN 117195740 A CN117195740 A CN 117195740A
- Authority
- CN
- China
- Prior art keywords
- antenna
- array
- gain
- configuration parameters
- pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000013508 migration Methods 0.000 claims abstract description 9
- 230000005012 migration Effects 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 25
- 230000010287 polarization Effects 0.000 claims description 18
- 238000003491 array Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于机器学习的天线方向图预测方法,包括以下步骤:S1.对于已知型号的一个阵列天线,给定多组配置参数,并在每一组配置参数下确定对应的天线方向增益图,形成样本集;S2.构建神经网络模型,通过样本集中的样本对神经网络进行训练,得到表征天线配置参数到天线方向增益图映射关系的神经网络模型;S3.针对制造和使用过程中出现偏差的阵列天线,实测该阵列天线在有限组配置参数下的天线方向增益图,并在神经网络模型的基础上进行迁移学习,得到方向图发生变化的天线的神经网络模型,用于实际天线方向图预测。本发明能够通过构建天线方向图的预测模型,并利用迁移学习的方式,只需要少量实测天线方向图样本点数据预测真实天线方向图。
Description
技术领域
本发明设计天线方向图,特别是涉及一种基于机器学习的天线方向图预测方法。
背景技术
天线方向图,又称天线辐射图,是一种用于描述天线在不同方向上辐射能力的表现形式。它描述了天线在各个方向上发射或接收电磁波能力的分布情况。这个方向图可以在三维空间中描述。天线方向图可以帮助理解天线的主瓣、副瓣、背瓣的方向。主瓣是指辐射强度最大的方向,副瓣是指辐射强度小于主瓣但非零的方向,背瓣是指180度方向上的瓣。
天线的选择和设计,需要考虑到它在特定应用中的使用需求。例如,在无线通信中,可能希望天线的辐射主要集中在某一个特定方向,以达到较大的通信距离和较低的干扰。
就目前而言,天线方向图获取困难、实际部署天线后天线设备老化或实际环境不同导致的方向图和理论值存在误差、无法有效利用少量实测天线方向图样本点数据预测真实天线方向图。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于机器学习的天线方向图预测方法,能够通过构建天线方向图的预测模型,并利用迁移学习的方式,只需要少量实测天线方向图样本点数据预测真实天线方向图。
本发明的目的是通过以下技术方案来实现的:一种基于机器学习的天线方向图预测方法,包括以下步骤:
S1.对于已知型号的一个阵列天线,给定多组配置参数(具体的配置参数组数由用户自行设定),并在每一组配置参数下确定对应的天线方向增益图,形成样本集;
设所述阵列天线位于O-xyz坐标系,所述配置参数包括天线配置信息Ai和波束赋形条件Bi;
所述天线配置信息Ai包括阵列的形状Si,天线的几何形状配置参数Gi和天线阵子类型Ui,其中:
阵列形状Si不同取值表征不同的阵列形状,所述不同的阵列形状包括线性阵列、平面阵列、圆柱阵列或球形阵列;
所述几何形状配置参数Gi=(My,Mz,dy,dz,p1,p2),其中My代表y轴方向上的天线数量,Mz代表z轴方向上的天线数量,dy表示y方向天线单元的排布间隔,dz表示z方向天线阵子的排布间隔,p1表示天线阵子的第一个极化方向,p2表示天线单元的第二个极化方向;
所述天线阵子类型Ui不同取值表征不同的类型;
以阵列天线中心为原点O,沿阵列天线的电磁波辐射方向作一条射线,用于表示阵列天线的朝向方向,该条射线与z轴正方向之间的夹角记为θ′,即极角,该条射线在xoy平面的投影线与x轴正方向之间的夹角记为φ′,即方位角;
极角θ′和方位角φ′构成天线的朝向方向(θ′,φ′);
所述波束赋形条件Bi=(Gi,θ′,φ′)。
所述步骤S1包括以下步骤:
S101.对于已知型号的一个阵列天线,设给定的一组配置参数,包括天线配置信息Ai和波束赋形条件Bi;
S102.将阵列天线放置在yoz平面,此时θ′=π/2,φ′=0;通过天线配置信息Ai在阵列天线朝向方向为(θ′,φ′)时模拟仿真,获取阵列天线的初始增益V(θ′,φ′);
S103.确定当前配置参数对应的天线方向增益图:
设是给定的任意方向的单位向量,θ是/>方向的单位向量在和z轴正方向之间的夹角,φ是/>方向的单位向量在xOy平面上的投影与x轴正方向之间的夹角;
针对天线阵列几何形状配置参数Gi,计算y轴方向的阵列导向矢量vy(θ,φ)和z轴方向的阵列导向矢量vz(θ,φ):
vy(θ,φ)=f(My,θ,φ,λ,dy)
vz(θ,φ)=f(Mz,θ,φ,λ,dz)
然后计算阵列天线的阵列导向矢量a(θ,φ):
其中f(·)是通用的阵列导向矢量(steering vector)计算函数,My代表y轴方向上的天线数量,Mz代表z轴方向上的天线数量,dy表示y方向天线阵子的排布间隔,dz表示z方向天线阵子的排布间隔,λ为波长,是克罗内克积;
针对双极化阵列天线,一共有两个极化方向分别是p1和p2,则两个极化方向的阵列导向矢量a1(θ,φ)和a2(θ,φ)分别为:
a1(θ,φ)=|f1(θ,φ)|a(θ,φ)
a2(θ,φ)=|f2(θ,φ)|a(θ,φ)
其中f1(θ,φ)为第一个极化方向p1的天线阵子(如半波偶极子天线单元)在(θ,φ)方向的增益幅值,f2(θ,φ)为第二个极化方向p2的天线阵子(如半波偶极子天线单元)在(θ,φ)方向的增益幅值;
基于信道状态矩阵H(θ,φ)和天线的初始增益V(θ′,φ′),计算得到(θ,φ)方向的天线增益S(θ,φ):
S(θ,φ)=|H(θ,φ)TV(θ′,φ′)|2
因为每一组角度(θ,φ)都对应一个天线增益S(θ,φ),那么所有角度(θ,φ)的天线增益值就构成了一张图片,将这张图片记为天线方向增益图Sgain;
S104.将天线配置信息Ai和波束赋形条件Bi作为样本特征,将对应的天线方向增益图Sgain作为样本标签,得到一个样本[(Ai,Bi),Sgain];
S105.在多个不同的配置参数下,重复执行步骤S102~S104,得到多个样本形成样本集。
S2.构建神经网络模型,通过样本集中的样本对神经网络进行训练,得到表征天线配置参数到天线方向增益图映射关系的神经网络模型;
所述步骤S2包括:
基于机器学习算法构建天线增益图的预测模型,将样本集中每一个样本的样本特征作为输入,将样本标签作为期望输出,对天线增益图的预测模型进行训练,训练得到的预测模型用于当前类型阵列天线的天线方向图预测。优选地,所述机器学习算法包括神经网络、决策树、支持向量机或随机森林。
S3.针对制造和使用过程中出现偏差的阵列天线,实测该阵列天线在有限组配置参数下的天线方向增益图,并在神经网络模型的基础上进行迁移学习,得到方向图发生变化的天线的神经网络模型,用于实际天线方向图预测:
对于制造和使用过程中出现偏差的阵列天线,首先给定有限组配置参数(具体的配置参数组数由用户自行设定);
实测该阵列天线在每一组给定的配置参数下的天线方向增益图;
将每一组配置参数作为样本特征,将每一组配置参数对应的天线方向增益图作为标签,构建迁移学习的样本集;
在训练得到的预测模型后连接一个MLP网络模型,形成迁移学习模型,将迁移学习样本集中每一个样本的样本特征作为输入,标签作为期望输出,计算损失函数并基于损失函数对MLP网络模型进行更新,其中损失函数采用均方根损失函数;
所有样本训练完成后,得到迁移学习模型用于实际天线的天线方向图预测。
本发明的有益效果是:本发明有效利用少量实测天线方向图样本点数据预测真实天线方向图的问题,还通过迁移学习使得不同型号天线方向图之间预测模型可以通用。
附图说明
图1为本发明的方法流程图;
图2为实施例中阵列天线的示意图;
图3为实施例中建立的球坐标系示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于机器学习的天线方向图预测方法,包括以下步骤:
S1.对于已知型号的一个阵列天线,给定多组配置参数,并在每一组配置参数下确定对应的天线方向增益图,形成样本集;
该步骤使用高精度电磁仿真软件生成基于不同阵列天线配置的样本数据集。该步骤产生的数据集有助于更准确地模拟和理解阵列天线在不同配置下的辐射特性。
首先,我们定义和设计不同的阵列天线配置。对于一个阵列天线,这个天线的配置Ai主要包含三方面,分别是阵列的形状Si,天线的几何形状配置参数Gi和天线阵子类型Ui。其中可选的阵列形状Si包括,但不限于,线性阵列、平面阵列、圆柱阵列或球形阵列,不同的阵列形状对应不同的Si取值,例如,线性阵列Si=1,平面阵列Si=2等等。对于同一个阵列配置,我们还可以改变天线的几何形状配置参数,这一组几何形状配置参数用向量Gi表示,它包括天线的数量、间距、方向性和极化等参数,例如,本专利中将几何形状配置参数进行如下定义Gi=(My,Mz,dy,dz,p1,p2),其中My代表y轴方向上的天线数量,Mz代表z轴方向上的天线数量,dy表示y方向天线单元的排布间隔,dz表示z方向天线阵子的排布间隔,p1表示天线阵子的第一个极化方向,p2表示天线单元的第二个极化方向。对于阵列中的每一个天线阵子我们也可以考虑包括各种类型的天线,例如偶极天线、贴片天线或螺旋天线,以覆盖更广泛的应用需求,将所选取的天线阵子类型记为Ui,不同类型的天线阵子对应不同的取值,例如偶极天线Ui=1,贴片天线Ui=2等等。如图2所示,给出一个例子说明参数配置,这是一个4*8的平面阵列天线,每一个天线间距是λ/2,其中λ是电磁波的波长,λ=c/f,c是光速,f是电磁波的频率,也是这个天线阵列工作的频率。该阵列天线中,每个位置有两个偶极子天线垂直放置,也即±45°。这个天线的配置可以记为
然后,我们使用高精度电磁仿真软件(例如HFSS)对各种阵列天线配置进行仿真。仿真软件能够准确地模拟天线阵列的电磁辐射和接收特性。然后记录仿真的详细配置和结果,以供后续分析。
在使用高精度电磁仿真软件仿真阵列之后,还需要设置不同波束赋形条件Bi=(Gi,θ′,φ′)。(波束赋形Beamforming又叫波束成型、空域滤波,是一种使用传感器阵列定向发送和接收信号的信号处理技术。波束赋形技术通过调整相位阵列的基本单元的参数,使得某些角度的信号获得相长干涉,而另一些角度的信号获得相消干涉。)
表1波束赋形的关键参数设置
参数 | 值 |
My | 8 |
Mz | 4 |
dy | λ/2 |
dz | 2λ |
θ′ | 90° |
φ′ | 0 |
机械下倾角 | 8° |
建立如图3所示的球坐标系,将MIMO天线面板放置在yOz平面。
其中是给定的任意方向的单位向量,θ是/>方向的单位向量在和z轴正方形之间的夹角,φ是/>方向的单位向量在xOy平面上的投影与x轴正方向之间的夹角。
针对以上天线阵列单元排布,其阵列导向矢量可通过以下公式计算:
vy(θ,φ)=f(My,θ,φ,λ,dy)
vz(θ,φ)=f(Mz,θ,φ,λ,dz)
然后计算阵列天线的阵列导向矢量a(θ,φ):
其中My代表y轴方向上的天线数量,Mz代表z轴方向上的天线数量,dy和dz为水平和垂直方向的天线阵子排布间距,λ为波长。是克罗内克积。
针对双极化阵列天线,每个极化方向对应的32个天线单元的阵列导向矢量为:
a1(θ,φ)=|f1(θ,φ)|a(θ,φ)
a2(θ,φ)=|f2(θ,φ)|a(θ,φ)
其中,f1(θ,φ)为极化方向1(例如+45°)的半波偶极子天线单元在(θ,φ)方向的增益幅值,f2(θ,φ)为极化方向2(例如-45°)的半波偶极子天线单元在(θ,φ)方向的增益幅值。
基于信道状态矩阵H(θ,φ)和波束赋形向量V(θ′,φ′),其中(θ′,φ′)为波束参考方向,计算得到(θ,φ)方向的天线增益S(θ,φ):
S(θ,φ)=|H(θ,φ)TV(θ′,φ′)|2
因为每一组角度(θ,φ)都对应一个天线增益S(θ,φ),那么所有可能的角度(θ,φ)的天线增益值就构成了一张图片,将这张图片记为Sgain。
我们将仿真结果处理成样本数据集。每个样本应包含天线阵列的配置信息Ai、束赋形条件Bi和天线方向图增益Sgain。这样,我们就可以根据需要随时查询和分析样本数据。例如,我们可以对比不同配置在相同条件下的性能,或者分析同一配置在不同条件下的行为。这些信息对于机器学习天线方向图和优化阵列天线的性能非常有价值。
S2.构建神经网络模型,通过样本集中的样本对神经网络进行训练,得到表征天线配置参数到天线方向增益图映射关系的神经网络模型;
首先,选择合适的机器学习算法来学习天线配置参数和天线方向图之间的关系。可能的机器学习算法包括但不限于神经网络、决策树、支持向量机、随机森林等。在选择机器学习算法时,需要考虑到天线配置参数和天线方向图的特性,例如复杂性、非线性、高维度等。神经网络的输入包含天线阵列的配置信息Ai、波束赋形条件Bi。神经网络的输出,是一张图片,代表的是天线方向图增益Sgain。亮度越高,该角度的天线增益越大。这个神经网络可以写成其中wi是这个网络的参数。
然后,使用天线配置参数和天线方向图的数据集来训练机器学习模型。具体的训练方法取决于所选择的机器学习算法。通常,训练过程需要通过迭代优化来最小化预测误差,例如通过梯度下降法等优化算法。
在模型训练完成后,需要进行模型验证和测试。可以从天线配置参数和天线方向图的数据集中选择一部分数据作为验证集和测试集。通过比较模型预测的天线方向图和实际的天线方向图,评估模型的预测性能,例如预测准确度、预测稳定性等。
通过这种方法,可以得到一个预测模型,该模型可以根据基站天线的配置参数预测出相应的天线方向图。该预测模型可以用于基站天线的设计、优化和故障分析,还能用于网络覆盖时,结合其他基站的覆盖情况,计算出本基站的最有覆盖需求,从而反推回该基站的最优配置,从而提高无线通信系统的性能。
S3.针对制造和使用过程中出现偏差的阵列天线(方向图发生变化),实测该阵列天线在有限组配置参数下的天线方向增益图,并在神经网络模型的基础上进行迁移学习,得到方向图发生变化的天线的神经网络模型,用于实际天线方向图预测。
基于迁移学习的天线方向图预测方法,该方法使得预测模型能够通过学习少量的实测天线方向图样本,获取精确的预测模型。此外,该方法还能使得针对某一特定型号的天线预测模型,有能力迁移到方向图发生变化的天线。这样能解决实际配置基站天线时,真实的天线方向图和理论给出的天线方向图不一致,通过实测少量真实天线方向图样本,然后结合迁移学习,就能弥补真实天线方向图和理论天线方向图的偏差。
首先,我们提出一种迁移学习框架,该框架由预训练和微调两个阶段组成。在预训练阶段,我们使用一个前文提到的大规模的、由高精度电磁仿真软件和波束赋形模型生成的基站天线配置参数Ai、波束赋形条件Bi和对应天线方向图增益Sgain的数据集来训练一个深度学习模型。该模型可以学习到天线配置参数Ai、波束赋形条件Bi和天线方向图之间的复杂映射关系。
然后,在微调阶段,我们利用针对特定型号的天线收集到的少量实测天线方向图样本,对预训练的模型进行微调。我们在原有网络的基础上,引入多层MLP网络微调的过程中,只优化新的MLP网络参数vi,优化目标是最小化模型预测的天线方向图和实测天线方向图之间的差距。此过程通过优化算法如随机梯度下降法等实现。
针对方向图发生变化的天线,我们仍然使用相同的迁移学习框架。首先,我们可以使用在预训练阶段训练好的模型作为初始模型。然后,通过少量的针对新型号天线的实测天线方向图样本,进行模型的微调。
通过这种迁移学习方法,我们可以实现模型的知识迁移,即将在一个任务(如预测某一型号的天线方向图)中学到的知识应用到另一个任务(如预测方向图发生变化的天线的天线方向图)。这不仅可以减少对实测样本的需求,降低模型训练的成本和时间,也可以提高模型的预测精度和泛化能力。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器学习的天线方向图预测方法,其特征在于:包括以下步骤:
S1.对于已知型号的一个阵列天线,给定多组配置参数,并在每一组配置参数下确定对应的天线方向增益图,形成样本集;
S2.构建神经网络模型,通过样本集中的样本对神经网络进行训练,得到表征天线配置参数到天线方向增益图映射关系的神经网络模型;
S3.针对制造和使用过程中出现偏差的阵列天线,实测该阵列天线在有限组配置参数下的天线方向增益图,并在神经网络模型的基础上进行迁移学习,得到方向图发生变化的天线的神经网络模型,用于实际天线方向图预测。
2.根据权利要求1所述的一种基于机器学习的天线方向图预测方法,其特征在于:所述阵列天线采用MIMO天线。
3.根据权利要求2所述的一种基于机器学习的天线方向图预测方法,其特征在于:设所述阵列天线位于O-xyz坐标系,所述配置参数包括天线配置信息Ai和波束赋形条件Bi;
所述天线配置信息Ai包括阵列的形状Si,天线的几何形状配置参数Gi和天线阵子类型Ui,其中:
阵列形状Si不同取值表征不同的阵列形状,所述不同的阵列形状包括线性阵列、平面阵列、圆柱阵列或球形阵列;
所述几何形状配置参数Gi=(My,Mz,dy,dz,p1,p2),其中My代表y轴方向上的天线数量,Mz代表z轴方向上的天线数量,dy表示y方向天线阵子的排布间隔,dz表示z方向天线阵子的排布间隔,p1表示天线阵子的第一个极化方向,p2表示天线单元的第二个极化方向;
所述天线阵子类型Ui不同取值表征不同的类型;
以阵列天线中心为原点O,沿阵列天线的电磁波辐射方向作一条射线,用于表示阵列天线的朝向方向,该条射线与z轴正方向之间的夹角记为θ′,即极角,该条射线在xoy平面的投影线与x轴正方向之间的夹角记为φ′,即方位角;
极角θ′和方位角φ′构成天线的朝向方向(θ′,φ′);
所述波束赋形条件Bi=(Gi,θ′,φ′)。
4.根据权利要求3所述的一种基于机器学习的天线方向图预测方法,其特征在于:所述步骤S1包括以下步骤:
S101.对于己知型号的一个阵列天线,设给定的一组配置参数,包括天线配置信息Ai和波束赋形条件Bi;
S102.将阵列天线放置在yoz平面,此时θ′=π/2,φ′=0;通过天线配置信息Ai在阵列天线朝向方向为(θ′,φ′)时模拟仿真,获取阵列天线的初始增益V(θ′,φ′);
S103.确定当前配置参数对应的天线方向增益图:
设是给定的任意方向的单位向量,θ是/>方向的单位向量在和z轴正方向之间的夹角,φ是/>方向的单位向量在xOy平面上的投影与x轴正方向之间的夹角;
针对天线阵列几何形状配置参数Gi,计算y轴方向的阵列导向矢量vy(θ,φ)和z轴方向的阵列导向矢量vz(θ,φ):
vy(θ,φ)=f(My,θ,φ,λ,dy)
vz(θ,φ)=f(Mz,θ,φ,λ,dz)
然后计算阵列天线的阵列导向矢量a(θ,φ):
其中f(·)是通用的阵列导向矢量计算函数,My代表y轴方向上的天线数量,Mz代表z轴方向上的天线数量,dy表示y方向天线单元的排布间隔,dz表示z方向天线阵子的排布间隔,λ为波长,是克罗内克积;
针对双极化阵列天线,一共有两个极化方向分别是p1和p2,则两个极化方向的阵列导向矢量a1(θ,φ)和a2(θ,φ)分别为:
a1(θ,φ)=|f1(θ,φ)|a(θ,φ)
a2(θ,φ)=|f2(θ,φ)|a(θ,φ)
其中f1(θ,φ)为第一个极化方向p1的天线阵子在(θ,φ)方向的增益幅值,f2(θ,φ)为第二个极化方向p2的天线阵子在(θ,φ)方向的增益幅值;
基于信道状态矩阵H(θ,φ)和天线的初始增益V(θ′,φ′),计算得到(θ,φ)方向的天线增益S(θ,φ):
s(θ,φ)=|H(θ,φ)TV(θ′,φ′)|2
因为每一组角度(θ,φ)都对应一个天线增益S(θ,φ),那么所有角度(θ,φ)的天线增益值就构成了一张图片,将这张图片记为天线方向增益图Sgain;
S104.将天线配置信息Ai和波束赋形条件Bi作为样本特征,将对应的天线方向增益图Sgain作为样本标签,得到一个样本[(Ai,Bi),Sgain];
S105.在多个不同的配置参数下,重复执行步骤S102~S104,得到多个样本形成样本集。
5.根据权利要求1所述的一种基于机器学习的天线方向图预测方法,其特征在于:所述步骤S2包括:
基于机器学习算法构建天线增益图的预测模型,将样本集中每一个样本的样本特征作为输入,将样本标签作为期望输出,对天线增益图的预测模型进行训练,训练得到的预测模型用于当前类型阵列天线的天线方向图预测。
6.根据权利要求5所述的一种基于机器学习的天线方向图预测方法,其特征在于:所述机器学习算法包括神经网络、决策树、支持向量机或随机森林。
7.根据权利要求1所述的一种基于机器学习的天线方向图预测方法,其特征在于:所述步骤S3包括:
对于制造和使用过程中出现偏差的阵列天线,首先给定有限组配置参数;
实测该阵列天线在每一组给定的配置参数下的天线方向增益图;
将每一组配置参数作为样本特征,将每一组配置参数对应的天线方向增益图作为标签,构建迁移学习的样本集;
在训练得到的预测模型后连接一个MLP网络模型,形成迁移学习模型,将迁移学习样本集中每一个样本的样本特征作为输入,标签作为期望输出,计算损失函数并基于损失函数对MLP网络模型进行更新,其中损失函数采用均方根损失函数;
所有样本训练完成后,得到迁移学习模型用于实际天线的天线方向图预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283909.8A CN117195740B (zh) | 2023-10-07 | 一种基于机器学习的天线方向图预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283909.8A CN117195740B (zh) | 2023-10-07 | 一种基于机器学习的天线方向图预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195740A true CN117195740A (zh) | 2023-12-08 |
CN117195740B CN117195740B (zh) | 2024-07-09 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103596187A (zh) * | 2012-08-13 | 2014-02-19 | 电信科学技术研究院 | 一种邻区确定方法、小区覆盖拓扑确定方法及装置 |
US20180113194A1 (en) * | 2015-06-09 | 2018-04-26 | Raytheon Company | Systems and methods for antenna analysis and validation |
CN108009373A (zh) * | 2017-12-15 | 2018-05-08 | 南京航空航天大学 | 光控射频波束形成系统的时空频多维建模方法 |
US20200119785A1 (en) * | 2017-06-16 | 2020-04-16 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Transmitter, Receiver, Wireless Communication Network and Methods for Operating the Same |
CN114117565A (zh) * | 2021-11-22 | 2022-03-01 | 北京航空航天大学 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
CN114218849A (zh) * | 2021-09-23 | 2022-03-22 | 浙江金乙昌科技股份有限公司 | 基于深度强化学习的复杂阵列天线智能设计方法 |
WO2022156226A1 (zh) * | 2021-01-19 | 2022-07-28 | 华为技术有限公司 | 天线配置参数优化方法、装置及存储介质 |
WO2023177396A1 (en) * | 2022-03-16 | 2023-09-21 | Nokia Solutions And Networks Oy | Machine learning based generalized equivalent isotropically radiated power control |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103596187A (zh) * | 2012-08-13 | 2014-02-19 | 电信科学技术研究院 | 一种邻区确定方法、小区覆盖拓扑确定方法及装置 |
US20180113194A1 (en) * | 2015-06-09 | 2018-04-26 | Raytheon Company | Systems and methods for antenna analysis and validation |
US20200119785A1 (en) * | 2017-06-16 | 2020-04-16 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Transmitter, Receiver, Wireless Communication Network and Methods for Operating the Same |
CN108009373A (zh) * | 2017-12-15 | 2018-05-08 | 南京航空航天大学 | 光控射频波束形成系统的时空频多维建模方法 |
WO2022156226A1 (zh) * | 2021-01-19 | 2022-07-28 | 华为技术有限公司 | 天线配置参数优化方法、装置及存储介质 |
CN114218849A (zh) * | 2021-09-23 | 2022-03-22 | 浙江金乙昌科技股份有限公司 | 基于深度强化学习的复杂阵列天线智能设计方法 |
CN114117565A (zh) * | 2021-11-22 | 2022-03-01 | 北京航空航天大学 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
WO2023177396A1 (en) * | 2022-03-16 | 2023-09-21 | Nokia Solutions And Networks Oy | Machine learning based generalized equivalent isotropically radiated power control |
Non-Patent Citations (2)
Title |
---|
刘建霞;王芳;谢克明;: "基于RBF神经网络的天线阵方向图建模", 太原理工大学学报, no. 01, 15 January 2008 (2008-01-15), pages 39 - 41 * |
李龙军;王布宏;夏春和;: "稀疏共形阵列天线方向图综合", 电子学报, no. 01, 15 January 2017 (2017-01-15), pages 107 - 114 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7119739B1 (en) | Near field to far field DF antenna array calibration technique | |
CN108375752B (zh) | 基于全角度搜索的幅相误差单辐射源测向方法 | |
CN110082708A (zh) | 非均匀阵列设计和波达方向估计方法 | |
CN105606906B (zh) | 一种毫米波相控阵测试标定方法 | |
CN109472059A (zh) | 基于测量应变的相控阵天线幅相补偿方法 | |
CN107783086B (zh) | 用于诊断天线阵口径幅相场的畸变位置的方法 | |
CN111122989B (zh) | K聚类智能择取的微波信号多径干扰抑制方法 | |
CN114330695B (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
CN108987941A (zh) | 一种基于压缩感知的一维子阵划分方法 | |
CN110907923A (zh) | 基于平行因子算法的双基地emvs-mimo雷达角度估计算法及装置 | |
Grundmann et al. | Investigation of direction of arrival estimation using characteristic modes | |
CN117195740B (zh) | 一种基于机器学习的天线方向图预测方法 | |
Heng et al. | Learning probing beams for fast mmWave beam alignment | |
CN113671439A (zh) | 基于非均匀智能超表面阵列的无人机集群测向系统及方法 | |
Kao et al. | AI-aided 3-D beamforming for millimeter wave communications | |
CN117195740A (zh) | 一种基于机器学习的天线方向图预测方法 | |
CN104716425A (zh) | 一种天线及fss系统的构建方法 | |
CN113567921B (zh) | 一种基于深度展开网络的混合源定位方法及系统 | |
Senthilkumar et al. | Accuracy of Perceptron based beamforming for embedded smart and MIMO antennas | |
CN114755502A (zh) | 基于远场辐射功率诊断天线阵列失效单元方法 | |
Shakya et al. | A comparative analysis of machine learning approach for optimizing antenna design | |
CN113824512B (zh) | 大规模天线调测方法、测试设备及计算机设备 | |
Wang et al. | Position errors analysis, prediction and recovery for UAV-enabled virtual antenna array | |
CN112597703B (zh) | 基于双分支深度神经网络的变尺寸阵列结构性能预测方法 | |
TWI388851B (zh) | 模擬量測裝置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |