| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,048 |
| تعداد دریافت فایل اصل مقاله | 6,961,204 |
سنتز الگوی آنتنهای آرایهای فازی خطی به کمک روشهای یادگیری ماشین | ||
| الکترومغناطیس کاربردی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 آذر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| جواد عسکری1؛ مریم حاجبی* 2؛ منصوره شریف زاده2 | ||
| 1کارشناسی ارشد،دانشگاه هرمزگان،هرمزگان، ایران | ||
| 2استادیار،دانشگاه هرمزگان،هرمزگان، ایران | ||
| تاریخ دریافت: 14 تیر 1404، تاریخ بازنگری: 09 مهر 1404، تاریخ پذیرش: 16 آبان 1404 | ||
| چکیده | ||
| آنتنهای آرایه فازی از اجزای کلیدی در سامانههای مخابراتی پیشرفته بهشمار میروند. سنتز الگوی تابش این آنتنها نقش بسزایی در طراحی و شکلدهی به الگوهای تشعشعی مورد نظر برای کاربردهای گوناگون دارد. بهطور سنتی، روشهای تحلیلی و عددی متعددی جهت تحقق الگوهای تابش مدنظر، مورد استفاده قرار گرفتهاند. با این حال، این روشها اغلب یا نیازمند محاسبات پیچیده و زمانبر هستند، یا قابلیت پیادهسازی برای تمامی الگوهای دلخواه را ندارند. از این رو، استفاده از الگوریتمهای هوش مصنوعی، بهویژه مدلهای یادگیری ماشین، به عنوان رویکردی نوین در سنتز الگوی تشعشعی مطرح شده است. در این پژوهش، دو الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM) و رگرسیون فرآیند گوسی (GPR) بهمنظور سنتز الگوی تابش یک آنتن آرایه فازی خطی با فواصل برابر به کار گرفته شدهاند. یکی از مزایای قابل توجه این روش، نیاز به حجم اندک دادهی آموزشی (حدود 27 مجموعه داده آموزشی) و سرعت بالای آموزش است؛ بهگونهای که زمان آموزش هر دو مدل مورد بررسی، کمتر از یک ثانیه برای آرایههای خطی با 15 عنصر تشعشعی است. همچنین تحلیل حساسیت مدلها نشان میدهد که الگوریتم رگرسیون فرآیند گوسی از دقت بالاتری نسبت به ماشین بردار پشتیبان برخوردار است، به گونهای که میانگین مربعات خطای آن کمتر از 0.001 برای الگوهای مرسوم و کوچکتر از 0.01 برای الگوهایی با ناپیوستگی است و میتواند به عنوان گزینهای مناسب برای طراحی پیشرفتهی آرایههای آنتنی در کاربردهای مخابراتی و راداری مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| آنتن آرایه فازی؛ الگوی تشعشعی؛ سنتز پترن؛ یادگیری ماشین؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Radiation Patterns Synthesis of Linear Phased Antenna Arrays Using Machine Learning Methods | ||
| نویسندگان [English] | ||
| Javad Askari1؛ Maryam Hajebi2؛ Mansoureh Sharifzadeh2 | ||
| 1Master's Degree, Hormozgan University, Hormozgan, Iran | ||
| 2Assistant Professor, Hormozgan University, Hormozgan, Iran | ||
| چکیده [English] | ||
| Phased array antennas are key components in advanced communication systems. The synthesis of their radiation patterns plays a vital role in designing and shaping desired radio beams for various applications. Traditionally, numerous analytical and numerical methods have been used to achieve desired radiation patterns. However, these methods often require complex and time-consuming computations or cannot be implemented for all desired patterns. As a result, artificial intelligence algorithms, particularly machine learning models, have emerged as a novel approach for radiation pattern synthesis. In this study, two machine learning algorithms—Support Vector Machine (SVM) and Gaussian Process Regression (GPR)—were employed to synthesize the radiation pattern of a linear phased array antenna with uniform spacing. A notable advantage of this method is its low demand for training data (only about 27 training datasets) and fast training speed, with both models training in less than a second for linear arrays with 15 radiating elements. Additionally, sensitivity analysis shows that the Gaussian Process Regression algorithm achieves higher accuracy than the Support Vector Machine, with a mean squared error of less than 0.001 for conventional patterns and below 0.01 for patterns with discontinuities. Thus, GPR can be considered a suitable option for the advanced design of antenna arrays in communication and radar applications. | ||
| کلیدواژهها [English] | ||
| Artificial Intelligence, Machine Learning, Pattern Synthesis, Phased Array Antenna, Radiation Pattern | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 11 |
||