علوم، فناوری و کاربردهای فضایی

علوم، فناوری و کاربردهای فضایی

شکل‌دهی پرتو آرایه آنتن مدوله شده زمانی با استفاده از شبکه‌های عصبی کانولوشن

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشگاه علم و صنعت ایران
2 برق- علم و صنعت
3 پژوهشگاه ارتباطات ایران و پژوهشگاه فضایی ایران
چکیده
در این مقاله به سنتز پترن تشعشعی دوبعدی چند بیم در آرایه آنتن صفحه‌ای مدوله زمان می‌پردازیم. با هدف کاهش زمان محاسبات عددی سنتز چند بیم و حذف رویکردهای سنتی و بهینه‌سازی که به‏طور عمده پیچیدگی زیادی داشته و زمان‌بر بوده‌اند، رویکرد شبکه عصبی کانولوشنال مورد بررسی قرار گرفته است. در این مقاله، شکل‌دهی هم‌زمان چند بیم به‏صورت دلخواه در آرایه آنتن مدوله زمان برای نخستین بار ارائه شده است. ابتدا با استفاده از نحوه سویچینگ عناصر و مدولاسیون زمانی آن‌ها مبتنی بر توزیع چبی‌شف، برای تحقق چند بیم از قبیل بیم اصلی و هارمونیک اول و دوم با سطح گلبرگ فرعی پایین و در زاویه‌های فضایی مختلف، داده‌های تصادفی گوناگونی را ایجاد می‌نماییم. سپس با استفاده از این داده‌ها، پترن‌ها و مدولاسیون نظیر آن‌ها تولید شده است. پس از آن یک مدل شبکه عصبی کانولوشنال برای یادگیری رابطه بین پترن‌های بیم اصلی و دو هارمونیک اول با مدولاسیون زمان هر عنصر ارائه می‌شود. شبکه عصبی ارائه شده می‌تواند با میانگین توان دوم خطای حدود ۰.۰۳، رابطه بین پارامترهای مدولاسیون زمان عناصر آرایه آنتن با پترن‌های بیم اصلی و هارمونیک اول و دوم را یاد بگیرد. در راستای ارزیابی این مدل، یک نمونه تصادفی از داده‌ها انتخاب شده و مشخصات پترن آن به ورودی شبکه داده شود. خروجی شبکه، توالی مدولاسیون زمان هر عنصر را تخمین می‌زند. سپس مشخصات پترن به‏دست آمده از مقادیر تخمین زده شده مدولاسیون زمانی عناصر با پترن‌های اصلی مقایسه می‌شود. نتایج نشان می‌دهد که مشخصات پترن به‏دست آمده از مقادیر تخمین زده شده به‏خوبی با مشخصات پترن اصلی مطابقت دارند. این روش قابلیت خوبی برای کنترل دلخواه چند بیم برای کاربردهایی که نیاز به ایجاد چندین ارتباط دارند فراهم می‌نماید.
کلیدواژه‌ها
موضوعات

[1]          H. E. Shanks and R. W. Bickmore, “FOUR-DIMENSIONAL ELECTROMAGNETIC RADIATORS,” Can. J. Phys., vol. 37, no. 3, pp. 263–275, 1959, doi: 10.1139/p59-031.
[2]          W. H. Kummer, A. T. Villeneuve, T. S. Fong, and F. G. Terrio, “Ultra-Low Sidelobes from Time-Modulated Arrays,” IEEE Trans. Antennas Propag., vol. 11, no. 6, pp. 633–639, 1963, doi: 10.1109/TAP.1963.1138102.
[3]          G. Li, S. Yang, Y. Chen, and Z. Nie, “A Novel Electronic Beam Steering Technique in Time Modulated Antenna Array,” Prog. Electromagn. Res., vol. 97, pp. 391–405, 2009.
[4]          C. Shan, Y. Ma, H. Zhao, and J. Shi, “Time modulated array sideband suppression for joint radar-communications system based on the differential evolution algorithm,” Digit. Signal Process. A Rev. J., vol. 97, p. 102601, 2020, doi: 10.1016/j.dsp.2019.102601.
[5]          R. Maneiro-Catoira, J. Brégains, J. A. García-Naya, and L. Castedo, “Time modulated arrays: From their origin to their utilization in wireless communication systems,” Sensors (Switzerland), vol. 17, no. 3, pp. 1–14, 2017, doi: 10.3390/s17030590.
[6]          Y. Liu, C. He, X. Liang, W. Zhu, J. Geng, and R. Jin, “Multiuser Communication by Electromagnetic Vortex Based on Time-Modulated Array,” IEEE Antennas Wirel. Propag. Lett., vol. 19, no. 2, pp. 282–286, 2020, doi: 10.1109/LAWP.2019.2960058.
[7]          L. Poli, P. Rocca, G. Oliveri, and A. Massa, “Harmonic beamforming in time-modulated linear arrays,” IEEE Trans. Antennas Propag., vol. 59, no. 7, pp. 2538–2545, 2011, doi: 10.1109/TAP.2011.2152323.
[8]          C. He, Q. Chen, A. Cao, J. Chen, and R. Jin, “Application of the time modulated array in satellite communications,” IEEE Wirel. Commun., vol. 26, no. 2, pp. 24–30, 2019, doi: 10.1109/MWC.2019.1800287.
[9]          P. Rocca, L. Poli, G. Oliveri, and A. Massa, “Synthesis of time-modulated planar arrays with controlled harmonic radiations,” J. Electromagn. Waves Appl., vol. 24, no. 5–6, pp. 827–838, 2010, doi: 10.1163/156939310791036304.
[10]        Y. Ma, C. Miao, Y. H. Li, and W. Wu, “A Partition-Based Method for Harmonic Beamforming of Time-Modulated Planar Array,” IEEE Trans. Antennas Propag., vol. 69, no. 4, pp. 2112–2121, 2021, doi: 10.1109/TAP.2020.3026893.
[11]        L. Poli, P. Rocca, L. Manica, and A. Massa, “Time modulated planar arrays - Analysis and optimisation of the sideband radiations,” IET Microwaves, Antennas Propag., vol. 4, no. 9, pp. 1165–1171, 2010, doi: 10.1049/iet-map.2009.0379.
[12]        A. Chakraborty, G. Ram, and D. Mandal, “Time-modulated linear array synthesis with optimal time schemes for the simultaneous suppression of sidelobe and sidebands,” Int. J. Microw. Wirel. Technol., 2021, doi: 10.1017/S175907872100088X.
[13]        A. Chakraborty, G. Ram, and D. Mandal, “Multibeam steered pattern synthesis in time-modulated antenna array with controlled harmonic radiation,” Int. J. RF Microw. Comput. Eng., vol. 31, no. 5, pp. 1–15, 2021, doi: 10.1002/mmce.22597.
[14]        Z. J. Jiang, S. Zhao, Y. Chen, and T. J. Cui, “Beamforming Optimization for Time-Modulated Circular-Aperture Grid Array with de Algorithm,” IEEE Antennas Wirel. Propag. Lett., vol. 17, no. 12, pp. 2434–2438, 2018, doi: 10.1109/LAWP.2018.2877470.
[15]        L. Poli, P. Rocca, L. Manica, and A. Massa, “Handling sideband radiations in time-modulated arrays through particle swarm optimization,” IEEE Trans. Antennas Propag., vol. 58, no. 4, pp. 1408–1411, 2010, doi: 10.1109/TAP.2010.2041165.
[16]        A. Massa, D. Marcantonio, X. Chen, M. Li, and M. Salucci, “DNNs as Applied to Electromagnetics, Antennas, and Propagation - A Review,” IEEE Antennas Wirel. Propag. Lett., vol. 18, no. 11, pp. 2225–2229, 2019, doi: 10.1109/LAWP.2019.2916369.
[17]        M. Mashayekhi, M. Mashayekhi, P. Kabiri, and A. Nooramin, “A Reconfigurable Graphene Patch Antenna Inverse Design at Terahertz Frequencies,” Sci. Rep., pp. 0–8, 2023, doi: 10.1038/s41598-023-35036-4.
[18]        J. Jin, Q. Su, Y. Xu, Z. He, and Y. Lu, “Efficient Radiation Pattern Prediction of Array Antennas Based on Complex-Valued Graph Neural Networks,” IEEE Antennas Wirel. Propag. Lett., vol. 21, no. 12, pp. 2467–2471, 2022, doi: 10.1109/LAWP.2022.3197441.
[19]        T. Iye, P. Van Wyk, T. Matsumoto, Y. Susukida, S. Takaya, and Y. Fujii, “Neural Network-Based Phase Estimation for Antenna Array Using Radiation Power Pattern,” IEEE Antennas Wirel. Propag. Lett., vol. 21, no. 7, pp. 1348–1352, 2022, doi: 10.1109/LAWP.2022.3167697.
[20]        J. H. Kim and S. W. Choi, “A Deep Learning-Based Approach for Radiation Pattern Synthesis of an Array Antenna,” IEEE Access, vol. 8, pp. 226059–226063, 2020, doi: 10.1109/ACCESS.2020.3045464.
[21]        R. Lovato and X. Gong, “Phased antenna array beamforming using convolutional neural networks,” 2019 IEEE Int. Symp. Antennas Propag. Usn. Radio Sci. Meet. APSURSI 2019 - Proc., pp. 1247–1248, 2019, doi: 10.1109/APUSNCURSINRSM.2019.8888573.
[22]        S. Bianco, P. Napoletano, A. Raimondi, M. Feo, G. Petraglia, and P. Vinetti, “AESA Adaptive Beamforming Using Deep Learning,” in IEEE National Radar Conference - Proceedings, 2020, vol. 2020-Septe, doi: 10.1109/RadarConf2043947.2020.9266516.
[23]        T. Sallam and A. M. Attiya, “Convolutional neural network for 2D adaptive beamforming of phased array antennas with robustness to array imperfections,” Int. J. Microw. Wirel. Technol., vol. 13, no. 10, pp. 1096–1102, 2021, doi: 10.1017/S1759078721001070.
[24]        M. T. McCann, K. H. Jin, and M. Unser, “Convolutional neural networks for inverse problems in imaging: A review,” IEEE Signal Process. Mag., vol. 34, no. 6, pp. 85–95, 2017, doi: 10.1109/MSP.2017.2739299.
[25]        A. Palffy, J. Dong, J. F. P. Kooij, and D. M. Gavrila, “CNN Based Road User Detection Using the 3D Radar Cube,” IEEE Robot. Autom. Lett., vol. 5, no. 2, pp. 1263–1270, 2020, doi: 10.1109/LRA.2020.2967272.
[26]         L. Poli, D. Masotti, M. A. Hannan, A. Costanzo, and P. Rocca, “Codesign of Switching Sequence and Diode Parameters for Multiple Pattern Optimization in Time-Modulated Arrays,” IEEE Antennas Wirel. Propag. Lett., vol. 19, no. 11, pp. 1852–1856, 2020, doi: 10.1109/LAWP.2020.3010824.

  • تاریخ دریافت 11 آذر 1402
  • تاریخ بازنگری 04 بهمن 1402
  • تاریخ پذیرش 30 بهمن 1402