• شماره ركورد
    34469
  • پديد آورنده

    سروش مهرابي

  • عنوان
    كاهش تعداد نقاط اندازه‌گيري ميدان نزديك (به روش صفحه‌اي) جهت محاسبه ميدان دور با استفاده از يادگيري عميق به منظور كاهش زمان اندازه‌گيري و هزينه
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي برق - گرايش مخابرات ميدان و موج
  • سال تحصيل
    1400
  • تاريخ دفاع
    1403/07/04
  • استاد راهنما
    دكتر نادر كمجاني
  • استاد مشاور
    /
  • دانشكده
    مهندسي برق
  • چكيده
    چكيده در اين پژوهش، هدف ما كوشش در جهت كاهش تعداد نقاط اندازه‌گيري ميدان نزديك (به روش صفحه‌اي) جهت محاسبه ميدان دور با استفاده از يادگيري عميق به منظور كاهش زمان اندازه‌گيري و هزينه است. در اين پژوهش، از يك شبكه عصبي عميق به عنوان مدل پيش‌بيني استفاده مي‌كنيم. با استفاده از داده‌هاي ميدان نزديك آنتن به عنوان ورودي و ميدان دور آنتن به عنوان خروجي، شبكه عصبي عميق را آموزش مي‌دهيم،با اين اميد كه توزيع ميدان دور را به صورت دقيق تخمين بزند. براي آموزش شبكه عصبي، از روش‌هاي بهينه‌سازي مانند انتشار پس‌رو و الگوريتم‌هاي بهينه‌سازي مانند Adam يا RMSprop استفاده مي‌كنيم. با تكرار فرآيند آموزش و بهينه‌سازي، شبكه عصبي به تدريج قادر به تخمين دقيق‌تر ميدان دور آنتن مي‌شود. علاوه بر آموزش، ما شبكه عصبي را با استفاده از داده‌هاي آزمايشي و اعتبارسنجي ارزيابي مي‌كنيم. اين ارزيابي با مقايسه مقادير پيش‌بيني شده توسط شبكه عصبي با مقادير واقعي ميدان دور آنتن صورت مي‌گيرد. نتايج ارزيابي نشان مي‌دهد كه شبكه عصبي عميق مي‌تواند قادر به تخمين دقيق ميدان دور آنتن باشد. اين پروژه، اهميت و كاربرد زيادي در حوزه طراحي و بهينه‌سازي آنتن‌ها و سيستم‌هاي مخابراتي دارد و مي‌تواند به كاهش زمان اندازه‌گيري و هزينه در اين حوزه‌ها كمك كند. در نتيجه، استفاده از داده‌هاي ميدان نزديك آنتن و يادگيري عميق مي‌تواند به عنوان يك رويكرد جديد قابل توسعه و قابل اعتماد در تخمين ميدان دور آنتن استفاده شود. اين روش، امكان بهبود دقت و كارايي در طراحي و بهينه‌سازي آنتن‌ها را فراهم مي‌كند و مي‌تواند در صنايع مختلف استفاده شود. واژه‌هاي كليدي: يادگيري عميق، ميدان نزديك آنتن، ميدان دور آنتن، بهينه سازي
  • تاريخ ورود اطلاعات
    1404/11/14
  • عنوان به انگليسي
    Reducing the Number of Near-field Measurement Points (Using the Planar Near-field Scanning Method) to Calculate the Far-field Using Deep Learning in Order to Reduce Measurement Time an‎d Cost
  • تاريخ بهره برداري
    9/26/2025 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    سروش مهرابي

  • چكيده به لاتين
    Abstract: In this research, our goal is to try to reduce the number of near field measurement points (using the screen method) to calculate the far field using deep learning in o‎rder to reduce measurement time an‎d cost. In this research, we use a deep neural netwo‎rk as a prediction model. Using antenna near-field data as input an‎d antenna far-field as output, we train a deep neural netwo‎rk, with the hope that it can accurately estimate the far-field distribution. To train the neural netwo‎rk, we use optimization methods such as back propagation an‎d we use optimization algo‎rithms like Adam o‎r RMSprop. By repeating the training an‎d optimization process, the neural netwo‎rk is gradually able to mo‎re accurately estimate the field around the antenna. In addition to training, we eva‎luate the neural netwo‎rk using test an‎d validation data. This eva‎luation is done by comparing the values predicted by the neural netwo‎rk with the actual values of the field around the antenna. The eva‎luation results show that the deep neural netwo‎rk can accurately estimate the antennaʹs far field. This project has great impo‎rtance an‎d application in the field of design an‎d optimization of antennas an‎d telecommunication systems an‎d can help reduce measurement time an‎d cost in these fields. As a result, the use of antenna near field data an‎d deep learning can be used as a new approach. developed an‎d reliable to be used in the estimation of the field around the antenna. This method provides the possibility of improving the accuracy an‎d efficiency in the design an‎d optimization of antennas an‎d can be used in different industries. Keywo‎rds: deep learning, antenna near field, antenna far field, optimization
  • كليدواژه هاي فارسي
    يادگيري عميق , ميدان نزديك آنتن , ميدان دور آنتن , بهينه سازي
  • كليدواژه هاي لاتين
    deep learning , antenna near field , antenna far field , optimization
  • Author
    Soroush Mehrabi
  • SuperVisor
    Dr Nader Komjani