基于CNN近场定位的自适应式无线供电网络,由双频段的地表超频器定位

科学领域:

• 无线通信和网络是无线的.
• 超材料和超表面.
• 机器人技术和智能系统

背景情况:

• 向无线连接的转变需要为移动设备提供高效的非接触式电力传输解决方案.
• 现有的无线电力传输方法往往缺乏精确的本地化功能,限制了移动终端的应用.
• 无电池运行对于在物联网 (IoT) 中实现普遍传感和通信至关重要.

研究的目的:

• 提出和演示适应式无线供电网络 (AWPN),用于同时无线定位和非接触式电源.
• 为移动终端实现无电池传感,处理和通信.
• 在动态环境中实现高定位精度和强大的性能.

主要方法:

• 使用双频段的超表面进行自适应束成形和功率传输.
• 实现一个单输入单输出 (SISO) 系统,将时空编码 (STC) 和卷积神经网络 (CNN) 结合起来进行本地化.
• 开发基于精确位置信息的实时光束对齐机制.

主要成果:

• 使用拟议的STC-CNN方法实现了3厘米的本地化分辨率.
• 在环境感知任务中为CNN证明了超过98%的分类准确性.
• 证实了网络能够承受某些环境变化的能力,确保稳定的电力传输.

结论:

• 开发的AWPN有效地整合了无线定位和非接触式电源传输.
• 该系统可为移动终端提供无电池操作,促进先进的物联网应用.
• 这项研究为智能超表面,物联网和机器人系统的进步铺平了道路.