Apprendimento automatico
Rapporti scientifici volume 13, numero articolo: 12590 (2023) Citare questo articolo
832 accessi
Dettagli sulle metriche
In questo studio, presentiamo i risultati dell’analisi dell’uso di una tecnica di machine learning (ML) per migliorare le prestazioni delle antenne Quasi-Yagi-Uda che operano nella banda n78 per applicazioni 5G. Questo studio di ricerca analizza diverse tecniche, come la simulazione, la misurazione e un modello di circuito equivalente RLC, per valutare le prestazioni di un'antenna. In questa indagine, gli strumenti di modellazione CST vengono utilizzati per sviluppare un’antenna Yagi-Uda ad alto guadagno e bassa perdita di ritorno per il sistema di comunicazione 5G. Considerando la frequenza operativa dell'antenna, le sue dimensioni sono \({0.642}\lambda _0\times {0.583}\lambda _0\). L'antenna ha una frequenza operativa di 3,5 GHz, una perdita di ritorno di \(-43,45\) dB, una larghezza di banda di 520 MHz, un guadagno massimo di 6,57 dB e un'efficienza di quasi il 97%. Gli strumenti di analisi dell'impedenza nella simulazione di CST Studio e gli strumenti di progettazione dei circuiti nel software Agilent ADS vengono utilizzati per ricavare il circuito equivalente dell'antenna (RLC). Utilizziamo il metodo ML di regressione supervisionata per creare una previsione accurata della frequenza e del guadagno dell'antenna. I modelli di machine learning possono essere valutati utilizzando una varietà di misure, tra cui punteggio di varianza, R quadrato, errore quadratico medio, errore quadratico medio assoluto, errore quadratico medio ed errore logaritmico quadratico medio. Tra i nove modelli ML, il risultato della previsione della regressione lineare è superiore ad altri modelli ML per la previsione della frequenza di risonanza e la regressione del processo gaussiano mostra prestazioni straordinarie per la previsione del guadagno. Il punteggio R-square e var rappresenta l'accuratezza della previsione, che è vicina al 99% sia per la previsione della frequenza che per quella del guadagno. Considerando questi fattori, l'antenna può essere considerata un'ottima scelta per la banda n78 di un sistema di comunicazione 5G.
Al giorno d’oggi, per affrontare le crescenti sfide di comunicazione in termini di dimensioni, larghezza di banda e guadagno, è aumentata la domanda di nuovi sistemi a microonde e a onde millimetriche. Di conseguenza, le antenne vengono spesso utilizzate per soddisfare le esigenze della comunicazione satellitare. Diverse applicazioni di comunicazione satellitare sono disponibili in diverse gamme di frequenza1. Gli investigatori cercano costantemente di migliorare la larghezza di banda e il guadagno per le antenne. Negli ultimi anni, la tecnologia è cresciuta molto rapidamente e sia i paesi sviluppati che quelli in via di sviluppo ora utilizzano le comunicazioni wireless a un livello estremamente elevato2. Gli ultimi decenni hanno visto l'adozione diffusa di numerose generazioni di standard di comunicazione wireless, come 1G, 2G, 3 G, 4G, 5G, ecc.3,4,5. La quinta generazione della tecnologia cellulare (5G), che offre velocità dati in Gigabit/sec (Gbps), elimina virtualmente gli inconvenienti della tecnologia precedente. Inoltre, il 5G consente applicazioni IoT a basso consumo, che si stanno espandendo rapidamente6,7. Essendo la banda di frequenza chiave per il lancio del 5G, si prevede che la gamma inferiore a 6 GHz (da 2 a 6 GHz) raggiunga una buona stabilità tra copertura e capacità, in particolare nelle bande N77, N78 e N798.
Shintaro Uda e Hidetsugu Yagi furono gli inventori dell'antenna Yagi, conosciuta anche come antenna Yagi-Uda. Questa antenna è direzionale e costruita con un dipolo e un mucchio di elementi parassiti. Gli elementi parassiti sono un riflettore posto dietro il dipolo e più di un direttore posto davanti all'elemento dipolo, che possono migliorare le proprietà della radiazione. Ha una radiazione direzionale perché concentra il segnale in un'unica direzione, rendendolo meno suscettibile alle interferenze di altri trasmettitori9. Ci sono molte ragioni per l'uso diffuso dell'antenna Yagi Uda, incluso il prezzo basso, il guadagno sostanziale e la costruzione semplice. Mentre i televisori erano i principali utilizzatori di questa antenna nei primi giorni dopo la sua invenzione, tali dispositivi ora trovano utilizzo in settori diversi come radar, identificazione di radiofrequenze, comunicazioni satellitari e altro ancora10. In11, sono state costruite antenne Yagi-Uda a microstriscia con frequenze di risonanza vicine a 900 MHz, un'altezza del substrato di 1,575 mm, un'impedenza caratteristica di 50 ohm e uno spessore del conduttore a striscia di 35 \(\mu\) m utilizzando un RT Duroid 5880 Materiale. I circuiti a microstriscia vengono utilizzati per implementare le antenne Yagi Uda, consentendo alle antenne di essere piccole e discrete. Una versione a 5 elementi dell'antenna Yagi-Uda è stata sviluppata nel 12 utilizzando il software di simulazione FEKO. La frequenza centrale dell'antenna è 500 MHz, che può funzionare con segnali nell'intervallo 450–550 MHz, e il guadagno massimo dell'antenna è 6,7 dB. In13, numerose antenne Quasi Yagi vengono riviste in base alle metodologie di alimentazione. Alcuni autori hanno riportato guadagni di 14–17 dB per l'antenna Yagi-Uda aumentando il numero di direttori. Il difetto fondamentale dell'antenna Yagi-Uda è la sua larghezza di banda ridotta10,13. Una simulazione elettromagnetica 3D a onda intera di un radar a penetrazione del suolo (GPR) viene utilizzata per la caratterizzazione degli oggetti sepolti basata sull'intelligenza artificiale ed è rappresentata in14. Questo lavoro ha sviluppato un approccio di modellazione surrogato veloce e accurato basato sui dati per la caratterizzazione degli oggetti sepolti, un metodo di costruzione di modelli surrogati computazionalmente efficiente utilizzando piccoli set di dati di addestramento e un nuovo metodo di deep learning, modello di regressione tempo-frequenza (TFRM), che utilizza segnali grezzi senza pre-elaborazione per ottenere prestazioni di stima competitive. Il metodo fornito supera le prestazioni del percettrone multistrato (MLP), del processo gaussiano (GP), della macchina di regressione vettoriale di supporto (SVRM) e della regressione della rete neurale convoluzionale (CNN). Gli autori affermano che le antenne riconfigurabili in frequenza hanno il proprio approccio di modellazione surrogato generalizzabile. La tecnica postelabora i dati discreti della simulazione CAD in un modello surrogato. Successivamente, un'antenna UWB riconfigurabile con una banda notch sintonizzabile mostra che la modellazione surrogata è pratica, efficace e precisa. Il modello surrogato proposto è un buon contendente per lo standard di interfaccia riconfigurabile di elaborazione del segnale dell'antenna di un sistema radio cognitivo. I componenti miniaturizzati a microonde sono generalmente progettati utilizzando simulazioni elettromagnetiche (EM) a onda intera16. Le procedure assistite da surrogati utilizzano metamodelli rapidi basati sui dati per sostituire le costose simulazioni EM. Studi di verifica per tre componenti a microstriscia mostrano che l'approccio suggerito supera gli approcci basati sulle prestazioni e i processi di modellazione standard in termini di precisione di fabbricazione surrogata e costi di calcolo. In17, gli autori discutono sui progetti di filtri a microonde assistiti da surrogati che utilizzano diverse funzioni obiettivo di progettazione. Per la progettazione del filtro vengono esaminati la modellazione surrogata (apprendimento automatico) e gli algoritmi di ottimizzazione avanzati. Tre metodi di base per la progettazione dei filtri sono: campionamento intelligente dei dati, modellazione surrogata avanzata e framework di ottimizzazione avanzati. Devono essere personalizzati o miscelati per corrispondere ai parametri del filtro a microonde per garantire successo e stabilità. Infine, vengono esaminate le applicazioni e le tendenze emergenti nella progettazione dei filtri. Il ricercatore ha utilizzato la modellazione surrogata per progettare e ottimizzare le antenne MIMO in18. Microwave Studio e l'analizzatore numerico MATLAB ottimizzano automaticamente. L'ottimizzazione superficiale della rete neurale viene utilizzata per identificare le migliori soluzioni TARC, S11 e S12. Un'antenna MIMO a banda ultra larga da 3,1–10,6 GHz è costruita e ottimizzata per testare l'approccio suggerito. Le antenne sono difficili da progettare e mantenere senza l'uso delle tecnologie di apprendimento automatico. Senza l’apprendimento automatico, la progettazione dell’antenna accelera troppo lentamente. Senza il machine learning, è difficile mantenere bassi gli errori e alta la produttività. Non avere un aiuto per ridurre la simulazione ML mantenendo la fattibilità del lavoro e il calcolo del comportamento dell'antenna è un compito impegnativo19. L'apprendimento automatico sostituisce i tentativi ed errori nelle simulazioni dei metamateriali prevedendo i parametri di progettazione utilizzando uno o più modelli di apprendimento automatico progettati correttamente. Due cose influenzano l’accuratezza della previsione. principalmente la dimensione del set di dati. Inoltre, il modello di apprendimento automatico della formazione20. Un approccio basato su un insieme di materiali derivati dall'antenna stima la larghezza di banda dell'antenna e il guadagno in21. Questo articolo mette a confronto il metodo presentato con SVM, Random Forest, K-Neighbors Regressor e Decision Tree Regressor. La tecnica di ottimizzazione dinamica adattiva della balena guidata dalla rosa polare ottimizza le caratteristiche del modello di ensemble. Il modello suggerito prevedeva la larghezza di banda dell'antenna e l'efficienza del guadagno meglio degli altri in uno studio di regressione. Sulla base delle specifiche dell'antenna, le tecniche di apprendimento automatico possono prevedere il coefficiente di riflessione (S11). Pertanto, può impedire il ciclo di ottimizzazione per tentativi ed errori. Questa ricerca22 ha utilizzato algoritmi Decision Tree, Random Forest, XGBoost Regression, KNN e ANN. Poiché il set di dati della simulazione non è lineare, questi algoritmi sono stati scelti per eseguire la regressione per i dati non lineari. Dopo la simulazione dell'antenna utilizzando HFSS, questa ricerca ottiene la frequenza di risonanza, la lunghezza, la larghezza e lo spessore della fessura a forma di L. Diversi algoritmi ML prevedono valori. L'accuratezza della previsione viene misurata dal punteggio R-quadrato e dall'errore quadratico medio (MSE) per i coefficienti di riflettanza simulati e previsti (S11). In23 viene proposta un'antenna Yagi-Uda che utilizza una rete neurale artificiale (ANN) per prevedere il guadagno dell'antenna e il tempo di addestramento. In23, solo MSE è stato utilizzato come metrica di accuratezza della previsione, mentre i punteggi MAE, MSLE, RMSLE, MAPE, RMSE, R-Square e Var sono stati ignorati. Inoltre, i risultati di previsione del modello ANN suggerito non sono stati confrontati con quelli di altri modelli ML attuali. In un altro studio24, gli autori hanno analizzato una delle forme chiave di comunicazione dell'IoT, la retrodiffusione ambientale, e hanno suggerito una strategia di progettazione dell'antenna basata sull'apprendimento automatico per la protezione del livello fisico. Per determinare il grado di imprecisione in questo studio, i ricercatori non hanno calcolato la percentuale di errore espressa come MSE, MAE o RMSE. Inoltre, il punteggio di varianza non è stato quantificato nella maggior parte dei documenti precedenti sulla progettazione di antenne basate su ML.