KR102446369B1 - Transmissive metasurface antenna unit cell using deep learning - Google Patents

Transmissive metasurface antenna unit cell using deep learning Download PDF

Info

Publication number
KR102446369B1
KR102446369B1 KR1020210136041A KR20210136041A KR102446369B1 KR 102446369 B1 KR102446369 B1 KR 102446369B1 KR 1020210136041 A KR1020210136041 A KR 1020210136041A KR 20210136041 A KR20210136041 A KR 20210136041A KR 102446369 B1 KR102446369 B1 KR 102446369B1
Authority
KR
South Korea
Prior art keywords
unit cell
network
value
antenna unit
deep learning
Prior art date
Application number
KR1020210136041A
Other languages
Korean (ko)
Inventor
육종관
이정해
남용현
이선규
김용준
김태형
Original Assignee
국방과학연구소
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020210136041A priority Critical patent/KR102446369B1/en
Application granted granted Critical
Publication of KR102446369B1 publication Critical patent/KR102446369B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q9/00—Electrically-short antennas having dimensions not more than twice the operating wavelength and consisting of conductive active radiating elements
    • H01Q9/04—Resonant antennas
    • H01Q9/0407—Substantially flat resonant element parallel to ground plane, e.g. patch antenna
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q15/00—Devices for reflection, refraction, diffraction or polarisation of waves radiated from an antenna, e.g. quasi-optical devices
    • H01Q15/0006—Devices acting selectively as reflecting surface, as diffracting or as refracting device, e.g. frequency filtering or angular spatial filtering devices
    • H01Q15/0086—Devices acting selectively as reflecting surface, as diffracting or as refracting device, e.g. frequency filtering or angular spatial filtering devices said selective devices having materials with a synthesized negative refractive index, e.g. metamaterials or left-handed materials

Abstract

A method for designing a transmissive meta-surface antenna unit cell using deep learning includes: a step of learning a forward network predicting a transmissive coefficient value using a structural variation value defining a patch shape of the unit cell; and a step of learning a backward network using input as a transmissive coefficient value and output as a structural variation value after the forward network is learned.

Description

딥러닝을 이용한 투과형 메타표면 안테나 단위 셀{TRANSMISSIVE METASURFACE ANTENNA UNIT CELL USING DEEP LEARNING}Transmissive metasurface antenna unit cell using deep learning {TRANSMISSIVE METASURFACE ANTENNA UNIT CELL USING DEEP LEARNING}

본 발명은 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법에 관한 것이다.The present invention relates to a method for designing a transmissive metasurface antenna unit cell using deep learning.

메타표면 안테나는 공급 안테나에서 입사되는 전자기파를 평면파로 단일 방향 혹은 다중 방향으로 강하게 전송할 수 있는 고지향성 안테나이다. 메타표면 안테나는 종래의 위상 배열 안테나에 비해 저전력, 경량, 낮은 프로파일화 등의 장점이 있어 위성 통신 안테나, 레이더 등 광범위한 용도에 적용될 수 있다. The metasurface antenna is a highly directional antenna that can strongly transmit electromagnetic waves incident from the supply antenna in a single or multiple directions as a plane wave. The metasurface antenna has advantages such as low power, light weight, and low profile compared to the conventional phased array antenna, and thus can be applied to a wide range of applications such as satellite communication antennas and radars.

메타표면 안테나는 반사형 메타표면 안테나 및 투과형 메타표면 안테나로 분류된다. 두 방식 중에서 투과형 메타표면 안테나는 메타표면에 대해 전파 방향의 반대쪽에 급전 안테나를 배치하여 막힘 손실(blockage loss)이 존재하지 않기 때문에 안테나 이득 측면에서 유리한 장점이 있으므로, 투과형 메타표면 안테나에 대한 연구가 활발히 진행되고 있다. Metasurface antennas are classified into reflective metasurface antennas and transmissive metasurface antennas. Among the two methods, the transmissive metasurface antenna has an advantage in terms of antenna gain because there is no blockage loss by arranging the feeding antenna on the opposite side of the propagation direction with respect to the metasurface. is being actively pursued.

일반적으로 투과형 메타표면 안테나는 0도에서 360도까지 위상 변조를 달성하기 위해 다수의 투과 위상을 가진 단위 셀의 설계가 필요하다. 하지만 종래의 투과형 메타표면 안테나의 단위 셀을 설계하는 방법은 구조 변수 값을 조절해 나가는 과정을 필요로 한다. 구조변수 값이 세분화되고 그 범위가 넓어짐에 따라 투과형 메타표면 안테나의 단위 셀을 설계하는데 시간과 노력이 많이 소모되는 문제가 있다. In general, the transmissive metasurface antenna requires the design of a unit cell with multiple transmissive phases to achieve phase modulation from 0° to 360°. However, the conventional method of designing a unit cell of a transmissive metasurface antenna requires a process of adjusting the structural variable values. As the structural variable values are subdivided and the range is widened, there is a problem in that a lot of time and effort is consumed in designing the unit cell of the transmissive metasurface antenna.

본 발명이 해결하고자 하는 기술적 과제는 머신러닝 중 한 분야인 딥러닝을 이용하여서 투과형 메타표면 안테나의 단위 셀을 설계하는 방법을 제공함에 있다.The technical problem to be solved by the present invention is to provide a method for designing a unit cell of a transmissive metasurface antenna using deep learning, which is one of machine learning fields.

본 발명의 일 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법은 단위 셀의 패치 모양을 정의하는 구조변수 값으로 투과 계수 값을 예측하는 순방향 네트워크를 학습시키는 단계, 및 상기 순방향 네트워크가 학습된 후, 입력을 투과 계수 값으로 하고 출력을 구조변수 값으로 하는 역방향 네트워크를 학습시키는 단계를 포함한다.A method for designing a transmissive metasurface antenna unit cell using deep learning according to an embodiment of the present invention includes: learning a forward network that predicts a transmission coefficient value with a structural variable value defining a patch shape of a unit cell, and the forward network after is learned, training a reverse network with an input as a transmission coefficient value and an output as a structural variable value.

상기 역방향 네트워크를 학습시키는 단계는, 상기 역방향 네트워크의 출력값을 상기 순방향 네트워크의 입력으로 넣어준 후 상기 순방향 네트워크의 출력값을 상기 역방향 네트워크의 입력값과 비교하는 단계를 포함할 수 있다. Learning the reverse network may include putting an output value of the reverse network as an input of the forward network and then comparing the output value of the forward network with an input value of the reverse network.

상기 순방향 네트워크의 출력값과 상기 역방향 네트워크의 입력값이 다를 경우에 상기 역방향 네트워크의 손실 값에 추가할 수 있다.When the output value of the forward network and the input value of the reverse network are different, it may be added to the loss value of the reverse network.

상기 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법은은 상기 역방향 네트워크의 학습을 위한 학습 데이터를 상기 순방향 네트워크를 이용하여 추가하는 데이터 증식 과정을 수행하는 단계를 더 포함할 수 있다.The method for designing a transmissive metasurface antenna unit cell using deep learning may further include performing a data propagation process of adding learning data for learning the reverse network using the forward network.

상기 데이터 증식 과정을 수행하는 단계는, 구조변수 데이터 공간에서 임의로 값들을 선정한 후 학습된 상기 순방향 네트워크에 입력하여 투과 계수와 구조변수 값의 데이터쌍을 만들고, 상기 데이터쌍 중에서 상기 역방향 네트워크의 학습 데이터를 선정하는 단계를 포함할 수 있다.The step of performing the data propagation process includes randomly selecting values from the structured variable data space and inputting them into the learned forward network to create a data pair of the permeation coefficient and the structure variable value, and from among the data pairs, learning data of the reverse network may include the step of selecting

상기 단위 셀은 예루살렘 십자가 구조의 패치를 포함할 수 있다.The unit cell may include a patch of the Jerusalem cross structure.

상기 구조변수 값은 상기 예루살렘 십자가 구조에서 십자가 끝단에 갈라져 연장된 가지부의 연장 각도를 포함할 수 있다.The value of the structure variable may include an extension angle of a branch extending from the cross end in the Jerusalem cross structure.

상기 구조변수 값은 상기 예루살렘 십자가 구조를 형성하는 패치의 패턴 폭을 포함할 수 있다.The structure variable value may include a pattern width of a patch forming the Jerusalem cross structure.

상기 구조변수 값은 상기 예루살렘 십자가 구조에서 십자가 끝단에서 갈라져 연장된 가지부에서 십자가 중심을 향해 꺾여진 부분의 길이를 포함할 수 있다.The structure variable value may include a length of a portion bent toward the center of the cross from a branch extending from the end of the cross in the structure of the Jerusalem cross.

상기 구조변수 값은 상기 예루살렘 십자가 구조의 반경을 포함할 수 있다.The structure variable value may include a radius of the Jerusalem cross structure.

상기 순방향 네트워크와 상기 역방향 네트워크의 학습조절을 위한 하이퍼 파라미터는 활성화 함수, 가중치 초기화, 레이어 수, 레이어 당 노드 수, 손실 함수 및 옵티마이저 중 적어도 하나를 포함할 수 있다.The hyperparameter for learning control of the forward network and the reverse network may include at least one of an activation function, weight initialization, the number of layers, the number of nodes per layer, a loss function, and an optimizer.

본 발명의 다른 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법은 입력을 단위 셀의 투과 계수 값으로 하고 출력을 상기 단위 셀의 패치 모양을 정의하는 구조변수 값으로 하는 역방향 네트워크를 학습시키는 단계, 및 상기 역방향 네트워크의 학습 데이터가 부족할 때, 구조변수 데이터 공간에서 임의로 값들을 선정한 후 미리 학습된 순방향 네트워크에 입력하여 투과 계수와 구조변수 값의 데이터쌍을 만들고, 상기 데이터쌍 중에서 상기 역방향 네트워크의 학습 데이터를 선정하는 데이터 증식 과정을 수행하는 단계를 포함한다.Transmissive metasurface antenna unit cell design method using deep learning according to another embodiment of the present invention is a reverse network in which an input is a transmission coefficient value of a unit cell and an output is a structural variable value defining a patch shape of the unit cell. learning, and when the training data of the reverse network is insufficient, arbitrarily select values from the structured variable data space and input them into the pre-trained forward network to create a data pair of the transmission coefficient and the structured variable value, and among the data pairs, and performing a data propagation process for selecting training data of the reverse network.

상기 역방향 네트워크를 학습시키는 단계는, 상기 역방향 네트워크의 출력값을 상기 순방향 네트워크의 입력으로 넣어준 후 상기 순방향 네트워크의 출력값을 상기 역방향 네트워크의 입력값과 비교하는 단계를 포함할 수 있다.Learning the reverse network may include putting an output value of the reverse network as an input of the forward network and then comparing the output value of the forward network with an input value of the reverse network.

상기 순방향 네트워크의 출력값과 상기 역방향 네트워크의 입력값이 다를 경우에 상기 역방향 네트워크의 손실 값에 추가할 수 있다.When the output value of the forward network and the input value of the reverse network are different, it may be added to the loss value of the reverse network.

상기 단위 셀은 예루살렘 십자가 구조의 패치를 포함하고, 상기 구조변수 값은 상기 예루살렘 십자가 구조의 모양을 정의할 수 있다.The unit cell may include a patch of the structure of the Jerusalem cross, and the value of the structure variable may define a shape of the structure of the Jerusalem cross.

상기 순방향 네트워크와 상기 역방향 네트워크의 학습조절을 위한 하이퍼 파라미터는 활성화 함수, 가중치 초기화, 레이어 수, 레이어 당 노드 수, 손실 함수 및 옵티마이저 중 적어도 하나를 포함할 수 있다.The hyperparameter for learning control of the forward network and the reverse network may include at least one of an activation function, weight initialization, the number of layers, the number of nodes per layer, a loss function, and an optimizer.

본 발명의 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법은 종래의 설계 방법과 비교하여 간편하고 정밀도 높은 방식으로 원하는 투과 계수의 위상을 가진 메타표면 단위 셀을 설계할 수 있다. The transmissive metasurface antenna unit cell design method using deep learning according to an embodiment of the present invention can design a metasurface unit cell having a phase of a desired transmittance coefficient in a simple and high-precision method compared to the conventional design method.

본 발명의 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법을 적용하면 기존에 알려졌던 방식보다 더 높은 투과 계수를 가지는 메타표면 단위 셀을 찾아낼 수 있다. If the transmissive metasurface antenna unit cell design method using deep learning according to an embodiment of the present invention is applied, it is possible to find a metasurface unit cell having a higher transmittance coefficient than previously known methods.

도 1은 딥 뉴럴 네트워크의 레이어 구조를 예시하고 있다.
도 2는 본 발명의 일 실시예에 따른 단위 셀과 메타표면 안테나를 개략적으로 나타내고 있다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법을 나타내고 있다.
도 4는 본 발명의 일 실시예에 따른 하이퍼 파라미터를 나타내고 있다.
도 5는 본 발명의 일 실시예에 따른 데이터 증식 방법으로 반복 횟수별 손실과 Model 5의 손실 그래프를 나타내고 있다.
도 6은 기존의 단위 셀의 투과율과 본 발명의 실시예에 따라 획득한 투과 계수 값을 비교한 그래프를 나타내고 있다.1 illustrates a layer structure of a deep neural network.
2 schematically shows a unit cell and a metasurface antenna according to an embodiment of the present invention.
3 shows a method for designing a transmissive metasurface antenna unit cell using deep learning according to an embodiment of the present invention.
4 shows a hyperparameter according to an embodiment of the present invention.
5 is a data propagation method according to an embodiment of the present invention showing a loss by number of repetitions and a loss graph of Model 5. As shown in FIG.
6 shows a graph comparing the transmittance of a conventional unit cell and a transmittance coefficient obtained according to an embodiment of the present invention.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. The present invention may be embodied in many different forms and is not limited to the embodiments described herein.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.In order to clearly describe the present invention, parts irrelevant to the description are omitted, and the same reference numerals are assigned to the same or similar elements throughout the specification.

또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.In addition, throughout the specification, when a part "includes" a certain component, this means that other components may be further included rather than excluding other components unless otherwise stated.

본 발명의 실시예에 따른 딥러닝을 이용하여 원하는 투과 계수의 위상을 가진 투과형 메타표면 안테나의 단위 셀을 설계하는 방법에 대하여 설명한다. 먼저, 도 1을 참조하여 딥러딩에 대하여 간략하게 설명한다.A method for designing a unit cell of a transmissive metasurface antenna having a phase of a desired transmittance coefficient using deep learning according to an embodiment of the present invention will be described. First, with reference to Figure 1 will be briefly described with respect to the deep rudding.

도 1은 딥 뉴럴 네트워크의 레이어 구조를 예시하고 있다. 1 illustrates a layer structure of a deep neural network.

도 1을 참조하면, 딥러닝은 사용자가 설정한 입력값과 출력값의 복잡한 관계도를 딥 뉴럴 네트워크(Deep Neural Network)에 공급해 나가며 이를 학습시키는 과정이다. 학습이 완료된 딥 뉴럴 네트워크는 입력값과 출력값을 이어주는 매개체가 되어 사용자가 값을 넣으면 그에 해당하는 출력값을 내놓게 된다. 딥러닝 네트워크는 인간의 직감에서 벗어나는 영역을 탐색하기에 잘 학습된 딥 뉴럴 네트워크를 만들 수 있다면 성능 향상을 꾀할 수 있다. Referring to FIG. 1 , deep learning is a process of learning by supplying a complex relationship diagram between an input value and an output value set by a user to a deep neural network. After learning, the deep neural network becomes a medium that connects the input and output values, and when the user inputs a value, the corresponding output value is released. Deep learning networks can improve performance if they can create well-trained deep neural networks to explore areas beyond human intuition.

딥 뉴럴 네트워크는 도 1에 예시한 바와 같이 노드들의 집합체로 구성되어 있다. 각 레이어(layer)의 노드들은 가중치(weight) 값들로 다음 레이어 노드들과 서로 이어져 있다. 입력 레이어(input layer)에 입력값이 들어오면 은닉 레이어(hidden layer)를 지나고 마지막 출력 레이어(output layer)로 출력값이 나오게 된다. 딥 뉴럴 네트워크의 학습 과정은 해당 네트워크를 구성하는 노드들의 가중치 값을 학습하는 과정이다.A deep neural network is composed of an aggregate of nodes as illustrated in FIG. 1 . The nodes of each layer are connected to each other with the nodes of the next layer by weight values. When an input value enters the input layer, it passes through the hidden layer and the output value comes out to the last output layer. The learning process of a deep neural network is a process of learning the weight values of nodes constituting the network.

이하, 도 2 내지 5를 참조하여 본 발명의 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법에 대하여 설명한다.Hereinafter, a method for designing a transmissive metasurface antenna unit cell using deep learning according to an embodiment of the present invention will be described with reference to FIGS. 2 to 5 .

도 2는 본 발명의 일 실시예에 따른 단위 셀과 메타표면 안테나를 개략적으로 나타내고 있다. 도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법을 나타내고 있다. 도 4는 본 발명의 일 실시예에 따른 하이퍼 파라미터를 나타내고 있다. 도 5는 본 발명의 일 실시예에 따른 데이터 증식 방법으로 반복 횟수별 손실과 Model 5의 손실 그래프를 나타내고 있다. 2 schematically shows a unit cell and a metasurface antenna according to an embodiment of the present invention. 3 shows a method for designing a transmissive metasurface antenna unit cell using deep learning according to an embodiment of the present invention. 4 shows a hyperparameter according to an embodiment of the present invention. 5 shows a loss graph for each number of repetitions and a loss graph of Model 5 in a data propagation method according to an embodiment of the present invention.

도 2 내지 5를 참조하면, 투과형 메타표면 안테나를 설계하기 위한 단위 셀(10)은 예루살렘 십자가(Jerusalem-cross) 구조의 패치를 포함할 수 있다. 도 2에서 예시한 예루살렘 십자가 구조는 하나의 실시예이며, 단위 셀(10)의 패치 구조는 여러 가지 상이한 형태로 구현될 수 있으며 제한되지 않는다. 2 to 5 , the unit cell 10 for designing a transmissive metasurface antenna may include a Jerusalem-cross structure patch. The Jerusalem cross structure illustrated in FIG. 2 is one embodiment, and the patch structure of the unit cell 10 may be implemented in several different forms and is not limited.

단위 셀(10)은 미리 정해진 가로/세로의 크기(P)를 가질 수 있으며, 예루살렘 십자가 구조의 패치는 단위 셀(10) 내에 형성된다. 예루살렘 십자가 구조의 패치 모양은 구조변수 값(α, w, L, R)에 의해 조절될 수 있다. 구조변수 값(α, w, L, R)은 단위 셀(10)의 패치 모양을 정의할 수 있는 값을 포함한다. 예를 들어, 예루살렘 십자가 구조의 패치는 4개의 구조변수 값(α, w, L, R)으로 정의될 수 있다. 제1 구조변수(α)는 예루살렘 십자가 구조에서 십자가 끝단에서 갈라져 연장된 가지부의 연장 각도이고, 제2 구조변수(w)는 예루살렘 십자가 구조를 형성하는 패치의 패턴 폭이고, 제3 구조변수(L)는 십자가 끝단에서 갈라져 연장된 가지부에서 십자가 중심을 향해 꺾여진 부분의 길이이고, 제3 구조변수(R)는 예루살렘 십자가 구조의 반경일 수 있다. 4가지 구조변수 값(α, w, L, R)에 따라 단위 셀(10)의 투과 계수(S21)의 위상과 크기가 결정될 수 있다. The unit cell 10 may have a predetermined horizontal/vertical size P, and a Jerusalem cross-structured patch is formed in the unit cell 10 . The patch shape of the Jerusalem cross structure can be controlled by the structural variable values (α, w, L, R). The structural variable values α, w, L, and R include values that can define the patch shape of the unit cell 10 . For example, a patch in the structure of the Jerusalem cross can be defined by four structural variable values (α, w, L, R). The first structure variable (α) is the extension angle of the branch extending from the end of the cross in the Jerusalem cross structure, the second structure variable (w) is the pattern width of the patch forming the Jerusalem cross structure, and the third structure variable (L) ) is the length of the portion bent toward the center of the cross from the branch extending from the end of the cross, and the third structure variable (R) may be the radius of the structure of the Jerusalem cross. The phase and size of the transmission coefficient S 21 of the unit cell 10 may be determined according to the values of the four structural variables α, w, L, and R.

메타표면 안테나를 설계에 있어서, 위치별로 특정한 투과 계수(S21)의 위상(phase)과 크기(magnitude)를 가지는 단위 셀이 필요하다. 해당 네트워크를 통해서 투과 계수의 크기는 1에 가까우며 위상은 ­180도에서 180도까지 30도 간격(-180도, -150도, -120도, ..., 120도, 150도)으로 값들을 가지는 조건들을 찾아내는 것을 단위 셀 설계의 목표로 한다. 단위 셀 설계의 목표는 이에 한정되지 않으며 목적에 따라 투과 계수의 크기 및 위상의 목표는 변경될 수 있다.In designing a metasurface antenna, a unit cell having a phase and a magnitude of a specific transmission coefficient (S 21 ) for each location is required. Through the network, the magnitude of the transmission coefficient is close to 1, and the phase has values at intervals of 30 degrees (-180 degrees, -150 degrees, -120 degrees, ..., 120 degrees, 150 degrees) from 180 degrees to 180 degrees. Finding conditions is the goal of unit cell design. The target of the unit cell design is not limited thereto, and the target of the size and phase of the transmission coefficient may be changed according to the purpose.

해당 목표를 달성하기 위해서 딥러닝 네트워크를 설계하여 사용한다. 네트워크를 학습시키기 위해서는 학습시킬 데이터가 필요하다. 실시 예에서는 목적에 따라 입력을 투과 계수(S21) 값으로 하고 출력을 4개의 구조변수 값(α, w, L, R)으로 하는 데이터로 설정한다. 그리고 해당 네트워크를 역추적하는 과정에 빗대어 역방향 네트워크(Inverse Network, IN)(200)라고 명시한다. 학습시킬 데이터는 상용 전자파 해석 툴을 이용하여 생성할 수 있다. 일 실시예로 4,000개의 랜덤한 학습 데이터를 생성하였다.To achieve this goal, we design and use a deep learning network. In order to train a network, data to be trained is required. In the embodiment, according to the purpose, the input is set as the transmission coefficient (S 21 ) value and the output is set as data using the values of four structural variables (α, w, L, R). And, referring to the process of backtracking the corresponding network, it is designated as an inverse network (IN) 200 . The data to be trained can be generated using a commercial electromagnetic wave analysis tool. As an example, 4,000 random training data were generated.

역방향 네트워크(200)를 사용할 때 주의해야 할 점은 똑같은 투과 계수(S21) 값을 가지면서 구조변수 값은 다른 데이터 쌍이 존재할 수도 있는 것이다. 이런 데이터가 있으면 역방향 네트워크(200)가 학습 과정에서 혼란스러움으로 인해 성능 저하로 이어지게 된다. 이를 보완하기 위해 구조변수 값(α, w, L, R)으로부터 투과 계수(S21) 값을 예측하는 순방향 네트워크(Forward Network, FN)(100)를 설계한다.A point to be noted when using the reverse network 200 is that there may be data pairs having the same transmission coefficient (S 21 ) and different structural variable values. If there is such data, the reverse network 200 leads to performance degradation due to confusion in the learning process. To compensate for this, a forward network (FN) 100 that predicts the transmission coefficient (S 21 ) value from the structural variable values (α, w, L, R) is designed.

딥 뉴럴 네트워크를 설계함에 있어서 중요한 점은 하이퍼 파라미터(hyper-parameter)의 조절이다. 하이퍼 파라미터는 뉴럴 네트워크를 구성하는 변수들로 학습의 방향을 결정짓는 중요한 역할을 맡게 된다. 순방향 네트워크(100)와 역방향 네트워크(200)의 학습조절을 위해 도 4에 예시한 바와 같이 6가지 하이퍼 파라미터를 선정할 수 있다. An important point in designing a deep neural network is the control of hyper-parameters. Hyperparameters are variables constituting a neural network and play an important role in determining the direction of learning. For learning control of the forward network 100 and the reverse network 200 , as illustrated in FIG. 4 , six hyperparameters may be selected.

활성화 함수(Activation Function)는 이전 레이어(layer)에서 전파된 계산 값에 비선형성을 부과하는 역할을 맡는다. 가중치 초기화(Initialization of weights)는 네트워크의 초기 가중치 값을 설정해 준다. 레이어 수(Number of layers)와 레이어 당 노드 수(Number of nodes per layer)의 설정에 따라 학습의 진행도가 바뀌게 된다. 손실 값(Loss)은 학습의 진행도를 나타내는 척도이며, 손실 값이 대체로 낮을수록 학습이 잘 진행된다고 판단된다. 손실 함수(Loss function)는 이러한 손실을 정의하는 함수로서 보통 L1 (MAE)(평균절대오차, Mean Absolute Error), L2 (MSE)(평균제곱오차, Mean Square Error) 등이 사용된다. 하이퍼 파라미터를 최적화하는 옵티마이저(Optimizer)로 아담(Adam) 알고리즘을 사용할 수 있다. The Activation Function is responsible for imposing non-linearity on the computed values propagated from the previous layer. Initialization of weights sets the initial weight values of the network. The learning progress is changed according to the setting of the number of layers and the number of nodes per layer. The loss value is a measure of the progress of learning, and it is determined that learning progresses well as the loss value is generally lower. A loss function is a function defining such a loss, and usually L1 (MAE) (Mean Absolute Error), L2 (MSE) (Mean Square Error), etc. are used. You can use Adam's algorithm as an optimizer to optimize hyperparameters.

순방향 네트워크(100)는 역방향 네트워크(200)와 달리 입력과 출력이 일대일 함수 관계를 가지게 된다. 즉, 하나의 입력값에 대해 하나의 출력값 밖에 존재할 수 없기 때문에 이를 역방향 네트워크(200) 성능 검증용으로 활용할 수 있다. The forward network 100 has a one-to-one functional relationship between the input and the output, unlike the reverse network 200 . That is, since only one output value can exist for one input value, this can be utilized for performance verification of the reverse network 200 .

도 3에 예시한 바와 같이, 우선 주어진 데이터 쌍(구조변수 값)으로 순방향 네트워크(100)를 학습시킨다. As illustrated in FIG. 3 , first, the forward network 100 is trained with a given data pair (structure variable value).

순방향 네트워크(100)가 충분히 학습된 것으로 확인된 후에 역방향 네트워크(200)를 학습시킨다. 이때, 역방향 네트워크(200)를 학습시킬 때 역방향 네트워크(200)의 출력값을 순방향 네트워크(100)의 입력으로 넣어준 후 순방향 네트워크(100)의 출력값을 역방향 네트워크(200)의 입력값과 비교한다. 순방향 네트워크(100)의 출력값과 역방향 네트워크(200)의 입력값이 다를 경우에는 이를 역방향 네트워크(200)의 손실 값에 추가한다. 딥 뉴럴 네트워크는 기본적으로 손실 값을 낮추는 방향으로 학습을 진행하려 하기 때문에 해당 과정을 역방향 네트워크(200)의 학습 과정에 추가함에 따라 역방향 네트워크(200)가 올바른 방향으로 학습될 수 있다. After it is confirmed that the forward network 100 has been sufficiently trained, the reverse network 200 is trained. At this time, when learning the reverse network 200, the output value of the reverse network 200 is put as an input of the forward network 100, and then the output value of the forward network 100 is compared with the input value of the reverse network 200. When the output value of the forward network 100 and the input value of the reverse network 200 are different, this is added to the loss value of the reverse network 200 . Since the deep neural network basically tries to learn in the direction of lowering the loss value, by adding the corresponding process to the learning process of the reverse network 200 , the reverse network 200 can be trained in the correct direction.

역방향 네트워크(200)와 순방향 네트워크(100)의 설계를 진행하면 일부 위상에 대해서는 학습 데이터가 부족하여 효과를 보지 못할 수 있다. 설계의 효과를 높이기 위해 추가적인 데이터를 확보해야 한다. 이를 위해, 역방향 네트워크(200)의 학습 데이터가 부족할 때, 역방향 네트워크(200)의 학습을 위한 학습 데이터를 순방향 네트워크(100)를 이용하여 추가하는 데이터 증식(data augmentation) 과정(300)을 적용할 수 있다. 일 실시예에서는 투과 계수의 위상이 ­150도인 단위 셀의 학습 데이터가 부족하여 순방향 네트워크(100)를 이용한 데이터 증식 과정(300)을 수행하였다. 구조변수 데이터 공간에서 임의로 값들을 선정한 후 학습된 순방향 네트워크(100)에 입력하여 투과 계수와 구조변수 값의 데이터쌍(S21 - (α, w, L, R))들을 만들고, 데이터쌍 중에서 위상이 ­150도이고 투과 계수의 크기(magnitude)가 1에 가까운 데이터를 다수개 선정할 수 있다. 실시예에서는 위상이 ­150도이고 투과 계수의 크기(magnitude)가 1에 가까운 데이터를 20개 선정하였다. 선정된 데이터(20개의 데이터)를 역방향 네트워크(200)의 학습 데이터에 추가하여 역방향 네트워크(200)의 학습을 재진행할 수 있다.If the design of the reverse network 200 and the forward network 100 is carried out, the learning data for some phases may not be effective due to insufficient training data. Additional data must be obtained to increase the effectiveness of the design. To this end, when the learning data of the reverse network 200 is insufficient, a data augmentation process 300 of adding the learning data for the learning of the reverse network 200 using the forward network 100 is applied. can In an embodiment, the data propagation process 300 using the forward network 100 was performed because the training data of the unit cell having the phase of the transmission coefficient of 150 degrees was insufficient. After arbitrarily selecting values from the structured variable data space, input them into the learned forward network 100 to create data pairs (S 21 - (α, w, L, R)) of transmission coefficients and structural variable values, and phase out of the data pairs. It is possible to select a plurality of data having this 150 degree and a transmittance coefficient having a magnitude close to 1. In the example, 20 pieces of data having a phase of 150 degrees and a magnitude of a transmission coefficient close to 1 were selected. By adding the selected data (20 pieces of data) to the training data of the reverse network 200 , the learning of the reverse network 200 may be re-run.

이러한 데이터 증식 과정(300)을 반복적으로 진행하면서 역방향 네트워크(200)의 성능을 관측하였으며, 도 5에 예시한 바와 같이 딥러닝 모델의 성능 지표 중 하나인 손실 값을 관찰해본 결과 5번째 반복에 이르러서야 역방향 네트워크(200)의 손실 값이 유의미하게 떨어지는 것을 확인할 수 있었다. 5번째의 모델(Model 5)을 통해 메타표면 안테나의 역설계를 진행할 수 있다.The performance of the reverse network 200 was observed while repeatedly performing this data propagation process 300, and as a result of observing the loss value, which is one of the performance indicators of the deep learning model, as illustrated in FIG. 5, it reached the fifth iteration. It was confirmed that the loss value of the reverse network 200 was significantly decreased. Reverse engineering of the metasurface antenna can be performed through the fifth model (Model 5).

도 6은 기존의 단위 셀의 투과율과 본 발명의 실시예에 따라 획득한 투과 계수 값을 비교한 그래프를 나타내고 있다.6 shows a graph comparing the transmittance of a conventional unit cell and a transmittance coefficient obtained according to an embodiment of the present invention.

도 6을 참조하면, 기존의 투과형 메타표면 안테나의 단위 셀의 위상별 투과 계수의 최대 값과 본 발명의 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법으로 설계된 딥 뉴럴 네트워크가 뽑아낸 결과 값을 비교하였다. 본 발명의 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법으로 설계된 딥 뉴럴 네트워크가 뽑아낸 위상별 투과 계수가 유의미하게 우수함을 알 수 있다. 특히, ­150도 부근에서는 기존보다 11.6% 향상된 결과를 볼 수 있다. Referring to FIG. 6 , the deep neural network designed by the transmission-type metasurface antenna unit cell design method using deep learning according to the embodiment of the present invention and the maximum value of the transmission coefficient for each phase of the unit cell of the conventional transmission-type metasurface antenna is drawn. The resulting values were compared. It can be seen that the transmission coefficient for each phase extracted by the deep neural network designed by the method for designing a transmissive metasurface antenna unit cell using deep learning according to an embodiment of the present invention is significantly superior. In particular, in the vicinity of 150 degrees, the result is improved by 11.6% compared to the previous one.

이와 같이, 본 발명의 실시예에 따른 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀 설계 방법을 적용하여 높은 투과 계수를 가지는 메타표면 단위 셀을 설계할 수 있다.As such, a metasurface unit cell having a high transmission coefficient can be designed by applying the transmissive metasurface antenna unit cell design method using deep learning according to an embodiment of the present invention.

지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. The drawings and detailed description of the described invention referenced so far are merely exemplary of the present invention, which are only used for the purpose of explaining the present invention, and are used to limit the meaning or limit the scope of the present invention described in the claims. it is not Therefore, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be defined by the technical spirit of the appended claims.

10: 단위 셀
100: 순방향 네트워크
200: 역방향 네트워크
300: 데이터 증식 과정10: unit cell
100: forward network
200: reverse network
300: data propagation process

Claims (16)

단위 셀; 및
상기 단위 셀 내에 형성된 패치를 포함하고,
상기 단위 셀의 패치 모양이 역방향 네트워크에서 출력되는 구조변수 값으로 정의되고,
컴퓨터 시스템에 의해, 구조변수 값으로 투과 계수 값을 예측하는 순방향 네트워크가 학습된 후 입력을 투과 계수 값으로 하고 출력을 구조변수 값으로 하는 상기 역방향 네트워크가 학습되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.unit cell; and
a patch formed in the unit cell;
The patch shape of the unit cell is defined as a structural variable value output from the reverse network,
Transmissive metasurface antenna unit using deep learning in which a forward network that predicts a transmission coefficient value with a structural variable value is trained by a computer system, and then the reverse network with an input as a transmission coefficient value and an output as a structural variable value is learned cell. 제1 항에 있어서,
상기 컴퓨터 시스템에 의해, 상기 역방향 네트워크의 출력값이 상기 순방향 네트워크로 입력된 후 상기 순방향 네트워크의 출력값이 상기 역방향 네트워크의 입력값과 비교되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.The method of claim 1,
Transmissive metasurface antenna unit cell using deep learning in which the output value of the reverse network is input to the forward network by the computer system, and then the output value of the forward network is compared with the input value of the reverse network. 제2 항에 있어서,
상기 컴퓨터 시스템에 의해, 상기 순방향 네트워크의 출력값과 상기 역방향 네트워크의 입력값이 다를 경우에 상기 역방향 네트워크의 손실 값이 추가되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.3. The method of claim 2,
Transmissive metasurface antenna unit cell using deep learning in which the loss value of the reverse network is added when the output value of the forward network and the input value of the reverse network are different by the computer system. 제1 항에 있어서,
상기 컴퓨터 시스템에 의해, 상기 역방향 네트워크의 학습을 위한 학습 데이터가 상기 순방향 네트워크를 이용하여 추가되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.The method of claim 1,
Transmissive metasurface antenna unit cell using deep learning to which learning data for learning of the reverse network is added using the forward network by the computer system. 제4 항에 있어서,
상기 컴퓨터 시스템에 의해, 구조변수 데이터 공간에서 임의로 선정된 값들이 학습된 상기 순방향 네트워크에 입력되어 투과 계수와 구조변수 값의 데이터쌍을 만들고, 상기 데이터쌍 중에서 상기 역방향 네트워크의 학습 데이터가 선정되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.5. The method of claim 4,
By the computer system, values arbitrarily selected from the structured variable data space are input to the learned forward network to create a data pair of the transmission coefficient and the structured variable value, and from among the data pairs, the learning data of the reverse network is selected from the deep deep Transmissive metasurface antenna unit cell using learning. 제1 항에 있어서,
상기 패치는 예루살렘 십자가 구조의 패치를 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.The method of claim 1,
The patch is a transmissive metasurface antenna unit cell using deep learning including a patch of Jerusalem cross structure. 제6 항에 있어서,
상기 구조변수 값은 상기 예루살렘 십자가 구조에서 십자가 끝단에 갈라져 연장된 가지부의 연장 각도를 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.7. The method of claim 6,
The structure variable value is a transmissive metasurface antenna unit cell using deep learning that includes an extension angle of a branch that is split and extended at the end of the cross in the Jerusalem cross structure. 제6 항에 있어서,
상기 구조변수 값은 상기 예루살렘 십자가 구조를 형성하는 패치의 패턴 폭을 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.7. The method of claim 6,
The structure variable value is a transmissive metasurface antenna unit cell using deep learning including the pattern width of the patch forming the Jerusalem cross structure. 제6 항에 있어서,
상기 구조변수 값은 상기 예루살렘 십자가 구조에서 십자가 끝단에서 갈라져 연장된 가지부에서 십자가 중심을 향해 꺾여진 부분의 길이를 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.7. The method of claim 6,
The structure variable value is a transmissive metasurface antenna unit cell using deep learning that includes the length of the portion bent toward the center of the cross from the branch extended from the end of the cross in the structure of the Jerusalem cross. 제6 항에 있어서,
상기 구조변수 값은 상기 예루살렘 십자가 구조의 반경을 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.7. The method of claim 6,
The structure variable value is a transmissive metasurface antenna unit cell using deep learning including the radius of the Jerusalem cross structure. 제1 항에 있어서,
상기 순방향 네트워크와 상기 역방향 네트워크의 학습조절을 위한 하이퍼 파라미터는 활성화 함수, 가중치 초기화, 레이어 수, 레이어 당 노드 수, 손실 함수 및 옵티마이저 중 적어도 하나를 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.The method of claim 1,
The hyperparameter for learning control of the forward network and the reverse network is a transmissive metasurface antenna unit cell using deep learning including at least one of an activation function, a weight initialization, the number of layers, the number of nodes per layer, a loss function, and an optimizer. . 단위 셀; 및
상기 단위 셀 내에 형성된 패치를 포함하고,
상기 단위 셀의 패치 모양이 역방향 네트워크에서 출력되는 구조변수 값으로 정의되고,
컴퓨터 시스템에 의해, 입력을 투과 계수 값으로 하고 출력을 구조변수 값으로 하는 상기 역방향 네트워크의 학습 데이터가 부족할 때, 구조변수 데이터 공간에서 임의로 선정된 값들이 미리 학습된 순방향 네트워크에 입력되어 투과 계수와 구조변수 값의 데이터쌍이 만들어 지고, 상기 데이터쌍 중에서 상기 역방향 네트워크의 학습 데이터가 선정되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.unit cell; and
A patch formed in the unit cell,
The patch shape of the unit cell is defined as a structural variable value output from the reverse network,
When the training data of the reverse network with the input as the transmission coefficient value and the output as the structure variable value is insufficient by the computer system, arbitrarily selected values from the structure variable data space are input to the pre-learned forward network to obtain the transmission coefficient and A transmissive metasurface antenna unit cell using deep learning in which data pairs of structural variable values are made, and training data of the reverse network is selected from the data pairs. 제12 항에 있어서,
상기 컴퓨터 시스템에 의해, 상기 역방향 네트워크의 출력값이 상기 순방향 네트워크로 입력된 후 상기 순방향 네트워크의 출력값이 상기 역방향 네트워크의 입력값과 비교되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.13. The method of claim 12,
Transmissive metasurface antenna unit cell using deep learning in which the output value of the reverse network is input to the forward network by the computer system, and then the output value of the forward network is compared with the input value of the reverse network. 제13 항에 있어서,
상기 컴퓨터 시스템에 의해, 상기 순방향 네트워크의 출력값과 상기 역방향 네트워크의 입력값이 다를 경우에 상기 역방향 네트워크의 손실 값이 추가되는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.14. The method of claim 13,
Transmissive metasurface antenna unit cell using deep learning in which the loss value of the reverse network is added when the output value of the forward network and the input value of the reverse network are different by the computer system. 제12 항에 있어서,
상기 패치는 예루살렘 십자가 구조의 패치를 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.13. The method of claim 12,
The patch is a transmissive metasurface antenna unit cell using deep learning including a patch of Jerusalem cross structure. 제12 항에 있어서,
상기 순방향 네트워크와 상기 역방향 네트워크의 학습조절을 위한 하이퍼 파라미터는 활성화 함수, 가중치 초기화, 레이어 수, 레이어 당 노드 수, 손실 함수 및 옵티마이저 중 적어도 하나를 포함하는 딥러닝을 이용한 투과형 메타표면 안테나 단위 셀.13. The method of claim 12,
The hyperparameter for learning control of the forward network and the reverse network is a transmissive metasurface antenna unit cell using deep learning including at least one of an activation function, a weight initialization, the number of layers, the number of nodes per layer, a loss function, and an optimizer. .
KR1020210136041A 2021-10-13 2021-10-13 Transmissive metasurface antenna unit cell using deep learning KR102446369B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210136041A KR102446369B1 (en) 2021-10-13 2021-10-13 Transmissive metasurface antenna unit cell using deep learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210136041A KR102446369B1 (en) 2021-10-13 2021-10-13 Transmissive metasurface antenna unit cell using deep learning

Publications (1)

Publication Number Publication Date
KR102446369B1 true KR102446369B1 (en) 2022-09-21

Family

ID=83452796

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210136041A KR102446369B1 (en) 2021-10-13 2021-10-13 Transmissive metasurface antenna unit cell using deep learning

Country Status (1)

Country Link
KR (1) KR102446369B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964955A (en) * 2023-01-11 2023-04-14 哈尔滨工业大学 Discrete coding super surface unit electromagnetic response prediction method and device

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190069332A (en) * 2017-12-11 2019-06-19 한국전자통신연구원 Beamforming Method Performing the Deep-Learning
US20190326670A1 (en) * 2018-03-25 2019-10-24 Metawave Corporation Meta-structure antenna array
KR102228051B1 (en) * 2020-03-24 2021-03-16 중앙대학교 산학협력단 Beam steering antenna apparatus using shape memorizing alloy
US11115136B1 (en) * 2020-07-10 2021-09-07 Lg Electronics Inc. Method for calibrating an array antenna in a wireless communication system and apparatus thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190069332A (en) * 2017-12-11 2019-06-19 한국전자통신연구원 Beamforming Method Performing the Deep-Learning
US20190326670A1 (en) * 2018-03-25 2019-10-24 Metawave Corporation Meta-structure antenna array
KR102228051B1 (en) * 2020-03-24 2021-03-16 중앙대학교 산학협력단 Beam steering antenna apparatus using shape memorizing alloy
US11115136B1 (en) * 2020-07-10 2021-09-07 Lg Electronics Inc. Method for calibrating an array antenna in a wireless communication system and apparatus thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964955A (en) * 2023-01-11 2023-04-14 哈尔滨工业大学 Discrete coding super surface unit electromagnetic response prediction method and device
CN115964955B (en) * 2023-01-11 2023-12-15 哈尔滨工业大学 Discrete coding super-surface unit electromagnetic response prediction method and device

Similar Documents

Publication Publication Date Title
CN104020448B (en) Optimization method is formed etc. radar Subarray and the wave beam/difference beam of array element constraint
CN103810325B (en) The linear thinned array antenna optimization method of low sidelobe based on SQP
KR102446369B1 (en) Transmissive metasurface antenna unit cell using deep learning
CN109725294A (en) Radar array sparse optimization method based on improved adaptive GA-IAGA
CN110133613B (en) Frequency control array steady beam forming method based on semi-definite relaxation technology
CN109241576B (en) Ant-lion algorithm-based sparse antenna directional diagram comprehensive method
Sun et al. Thinning of concentric circular antenna arrays using improved discrete cuckoo search algorithm
CN107909139A (en) A kind of adjustable differential evolution algorithm of the crossover probability factor
JP7340282B2 (en) Hybrid quantum computing architecture for solving quadratic unconstrained binary optimization problems
CN107909152A (en) A kind of variable differential evolution algorithm of crossover probability factor
CN105048112A (en) Array antenna phase-only transform beamforming method based on QIWO_IFT combined algorithm
CN105226393A (en) The size enlargement apparatus of array antenna, array aerial direction figure and shaping method
Reddy et al. Elitist-mutated multi-objective particle swarm optimization for engineering design
CN106372726A (en) GASA-based MIMO radar orthogonal coded signal optimization method
Al-Azza et al. Spider monkey optimization (SMO): a novel optimization technique in electromagnetics
Papathanasopoulos et al. Optimization assisted by neural network-based machine learning in electromagnetic applications
Feng et al. A modified whale optimization algorithm for pattern synthesis of linear antenna array
Bandyopadhyay et al. Antenna array synthesis by implementing non-uniform amplitude using Tsukamoto fuzzy logic controller
Haupt et al. Dynamic phase-only array beam control using a genetic algorithm
Omid et al. Deep Reinforcement Learning-Based Secure Standalone Intelligent Reflecting Surface Operation
Jamunaa et al. Design of phase-only reconfigurable planar array antenna in selected phi cuts using various meta-heuristic optimization algorithms
Ebadi et al. Optimum low sidelobe level phased array antenna design using pattern search algorithms
Gemechu et al. Phase-only beampattern synthesis with nulling for linear antenna arrays
Zhang Solving bisymmetric solution of a class of matrix equations based on linear saturated system model neural network
Kamal et al. Review of Grey Wolf Optimizer and Its Applications