广角阻抗匹配结构的机器学习驱动的设计,用于广角扫描阵列
Sina Hasibi Taheri1, Javad Mohammadpour2, Ali Lalbakhsh2
1School of Engineering, Macquarie University, Sydney, NSW, 2109, Australia. sina.hasibitaheri@mq.edu.au.
Scientific reports
|May 13, 2025
概括
本研究提出了一种使用机器学习和遗传算法在天线阵列中进行广角阻抗匹配 (WAIM) 的高效方法. 这种方法显著提高了阵列扫描范围,并减少了设计时间.
科学领域:
- 电磁和天线工程 电磁和天线工程
- 计算智能是一种计算智能.
- 材料科学 材料科学 材料科学
背景情况:
- 广角阻抗匹配 (WAIM) 对于提高天线阵列的扫描范围至关重要.
- 传统的WAIM设计方法可能是计算密集型和耗时的.
- 整合多种介电材料和优化复杂结构带来了重大设计挑战.
研究的目的:
- 开发一种多功能和高效的设计方法来优化任意天线阵列的WAIM配置.
- 通过结合先进的建模和机器学习技术来提高天线阵列的扫描范围.
- 为了减少计算资源和设计时间,同时提高适应新天线结构的适应性.
主要方法:
- 使用通用散射矩阵 (GSM) 建模一个三层 WAIM 结构,用于输入阻抗计算,具有足够激发的模式.
- 整合机器学习 (ML) 算法,特别是决策树,包装和随机森林,用于评估WAIM特征和预测.
- 采用遗传算法 (GA) 来有效确定最佳WAIM参数.
- 通过设计和测试三个匹配层,对在9至11 GHz之间运行的阵列进行方法验证.
主要成果:
- 随机森林ML模型在预测WAIM行为方面表现出卓越的表现,获得RMSE,R2和MAPE分别为0.033,0.916和2.161的得分.
- 设计的WAIM有效地提高了9-11 GHz频率范围内的微带和波导阵列的扫描范围.
- 该方法实现了每角度0.3秒的计算时间,总运行时间不到一个小时,RAM使用量最小 (9.7 MB).
结论:
- 拟议的设计方法提供了一个高效和可适应的框架,用于优化WAIM配置.
- 集成ML和GA显著加快了设计过程,并提高了广角扫描天线阵列的性能.
- 这种方法有助于为广角扫描阵列的更广泛应用开发工具.
