30394

شكل دهي پرتو آرايه هاي آنتن فركتال تنك شده مدوله زمان با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي برق- مخابرات ـ ميدان

1399

1402/7/9

محمد سليماني - حسين سليماني

مهندسي برق

نظر به اهميت استفاده از مدوالسيون زمان جهت حذف شيفت دهنده فاز و كاهش پيچيدگي و هزينه در آرايه آنتن كه مجموعه كاربرد بي شماري در مخابرات بسيم و سيستمهاي راداري دارد، اين پژوهش به اين موضوع پرداخته است. با اينحال بهره بردن از مدوالسيون زمان، چالش هايي از قبيل وجود هارمونيك ها و تخصيص توان در فركانس هاي اطراف فركانس مركزي، پيچيدگي و زمان بر بودن شكلدهي تمامي اين هارمونيك ها، در كنار بيم اصلي را به همراه دارد. پس از بررسي مقاالت و مرور منابع در زمينه انواع آرايه هاي آنتن مدوله زمان و چالش هاي آرايه مدوله زمان، و همچنين مروري بر بكارگيري يادگيري عميق به عنوان يك ابزار جديد در شكلدهي و سنتز بيم آرايه فازي، اين پژوهش در سه بخش پيش برده شده است كه به شرح زير ميباشد: بخش اول، محدوديتهاي مختلفي به جهت استفاده از توزيع چبي شف براي كاهش سطح گلبرگ فرعي بيم هارمونيك اول بوده، مطرح كرديم و در نهايت با توليد داده هاي تصادفي مبتني بر آن، اين دادهها به شبكه عصبي كانولوشنال و شبكه عصبي عميق داده ايم كه توانستند به درك صحيحي از رابطه پترن بيم اصلي و هارمونيك هاي آرايه آنتن صفحهاي مدوله زمان با ابعاد دلخواه، با شماتيك مدوالسيون زمان عناصر آرايه صفحه اي داشته باشند. در نهايت شبكه عصبي ارائه شد تا بتواند در كسري از ثانيه، مشخصات مهم الكترومغناطيسي بيم اصلي، هارمونيك اول و هارمونيك دوم را از كاربر به عنوان ورودي شبكه عصبي بگيرد و در خروجي مدوالسيون زمان عناصر آرايه با ابعاد صحيح را ارائه دهد. بخش دوم، با مطرحكردن آرايه ششضلعي فركتال مدوله زمان در دو حالت تنك شده و تنك نشده، به توانايي و مزاياي اين نوع آرايه براي تحقق مشخصات مطلوب تري در بيم اصلي و هارمونيك اول، و كاهش سطح هارمونيك دوم به بعد، در مقايسه با آرايه ساده مستطيلي و دايروي پرداختهايم و نشان داده شده كه اين نوع آرايه ميتواند بهتر، بيم هارمونيك اول را در زاويه هاي بدور از زاويه مركزي آرايه بچرخاند. الگوريتم بهينهسازي گرگ خاكستري براي مقايسه اين آرايه ها و در زاويه هاي مختلفي اجرا شده است. در بخش سوم، با علم بر طوالنيبودن زمان بهينه سازي در آرايه آنتن مدوله زمان با عناصر زياد، و همچنين توانايي كنترل بيم اصلي و هارمونيك ها با يادگيري عميق، از داده هاي بهينهسازي براي آرايه آنتن شش ضلعي فركتال تنك شده استفاده نموده شده تا در قالب يك شبكه عصبي عميق، به نوعي رفتار الگوريتم گرگ خاكستري را ياد بگيرد و در زمان بسيار كمتري نتيجه اي نزديك يا بهتر از الگوريتم استفاده شده جهت بهروري حداكثر از بيم اصلي و هارمونيك اول حاصل گردد. درآخر نيز پيشنهادات و ايده هايي در راستاي بهبود رويكرد هاي ارائه شده مطرح شده است.

1402/11/07

Beamforming for time-modulated fractal thinned antenna arrays using deep learning

1/1/1900 12:00:00 AM

Considering the importance of using time modulation to eliminate the phase shifter and reduce the complexity and cost in the antenna array, which has countless applications in wireless communication and radar systems, this research has addressed this issue. However, using time modulation brings challenges such as the presence of harmonics and power allocation in the frequencies around the central frequency, the complexity and time-consuming beamforming of all these harmonics, in addition to the main beam. After reviewing articles and reviewing sources in the field of time-modulated antenna arrays and timemodulated array challenges, as well as a review of using deep learning as a new tool in fuzzy array beam shaping and synthesis, this research has been carried out in three parts. is as follows: In the first part, we proposed various limitations for using the Chebyshev distribution to reduce the side lobe level of the first harmonic beam, and finally by generating random data based on it, we gave these data to the convolutional neural network and the deep neural network, which were able to have a correct understanding of the relationship between the main beam pattern and the harmonics of the time modulated planar antenna array with arbitrary dimensions, with the time modulation schematic of the planar array elements. Finally, the neural network was presented to be able to take the important electromagnetic characteristics of the main beam, the first harmonic and the second harmonic from the user as the input of the neural network and provide the time modulation output of the array elements with the correct dimensions in a fraction of a second. The second part, by presenting the time-modulated fractal hexagonal array in two thinned and unthinned states, to the ability and advantages of this type of array to achieve better characteristics in the main beam and the first harmonic, and to reduce the level of the second harmonic onwards, compared to the array We have considered simple rectangular and circular arrays and it has been shown that this type of array can better rotate the first harmonic beam at angles away from the central angle of the array. The gray wolf optimization algorithm has been implemented to compare these arrays and in different angles. In the third part, knowing that the optimization time is long in the time modulated antenna array with many elements, as well as the ability to control the main beam and harmonics with deep learning, the optimization data for the thinned fractal hexagonal antenna array is used to form a The deep neural network somehow learns the behavior of the gray wolf algorithm and in a much shorter time, a result close to or better than the algorithm used for the maximum efficiency of the main beam and the first harmonic is obtained. Finally, suggestions and ideas have been proposed to improve the presented approaches.

آرايه مدوله زمان , آرايه فركتال شش ضلعي تنك شده , شكل دهي بيم , يادگيري عميق

Timed-modulated array , Fractal hexagonal thinned array , Beamformin , DeepLearning

Mohammad Mashayekhi

Dr. Mohammad Soleimani - Dr. Hossein Soleimani