در مهندسی آنتن، کنترل دقیق الگوی پرتو برای بهینه سازی عملکرد در مخابرات، رادار، ارتباطات ماهواره ای و سیستم های بی سیم در حال ظهور ضروری است. تکنیک های پیشرفته برای سنتز الگوی آنتن و شکل دادن به مهندسان اجازه می دهد تا آرایه هایی را طراحی کنند که با جهت گیری خاص، به دست آوردن و محدودیت الزامات رد کردن مطابقت دارند.این مقاله روش های اساسی و پیشرفته برای سنتز الگو را بررسی می کند، از روش های آرایه کلاسیک گرفته تا الگوریتم های بهینه سازی مدرن و یادگیری سازگار و همچنین روند بازیابی پرتو و همچنین روند بازیابی و همچنین فرآیند های دستگاه های بازیابی و همچنین فرآیند های دستگاه های بازیابی مجدد و همچنین فرآیند های دستگاه های دستگاه.

اصول سنتز آنتن

سنتز الگو فرایند طراحی ضریب های ارجاعی آرایه آنتن (amplitudes and phase) برای تولید یک الگوی تابش بسیار میدان مطلوب است.هدف اغلب به حداکثر رساندن مستقیم بودن، به حداقل رساندن سطح جانبی، هدایت پرتو اصلی، یا ایجاد null در جهت های خاص است.

روش های فاکتور

روش فاکتور آرایه، اساسی ترین تکنیک سنتز است.برای یک آرایه خطی یکنواخت، عامل آرایه یک تابع مانند گناه است.با تنظیم وزنه، مهندسان می توانند الگوهایی را با سطوح کنترل شده، پهنای باند پرتو و زاویه فرمان تولید کنند. این روش ساده اما محدود است زمانی که محدودیت های شکل پیچیده مورد نیاز است.

روش تبدیل چهار نفره

از آنجا که فاکتور آرایه یک آرایه خطی یکنواخت یک تبدیل چهار بعدی مجزا از ضریب های تحریک کننده است، روش تبدیل چهارار می تواند الگوهای دلخواه را با استفاده از تبدیل معکوس چهارier الگوی مورد نظر سنتز کند.این روش به خوبی برای الگوهای مداوم کار می کند، اما اغلب محدوده های ضریب پویا بزرگ و پرتوهای بالا را تولید می کند اگر الگوی قطع شده است.

Dolph-Chebyshev و Taylor سنتز

روش Dolph-Chebyshev یک آرایه خطی با باریک ترین عرض پرتو برای یک سطح جانبی با استفاده از Chebyshev ⁇ s طراحی می کند، این کار باعث می شود که یک خط جانبی یکنواخت در تمام زوایای گسترش یابد. روش Taylor این را برای تولید یک الگو با یک پاکت ثابت در نزدیکی پرتو اصلی و کاهش جانبی به طور گسترده ای استفاده از این تکنیک های خط لوله کلاسیک است.

تکنیک های بهینه سازی پیشرفته

هنگامی که الگوی مورد نظر پیچیده است یا هندسه آرایه نامنظم است، روش های تحلیلی کوتاه می شوند. الگوریتم های بهینه سازی عددی برای بهترین ضریب های ارجاعی تحت محدودیت هایی مانند حداکثر سطح جانبی، قرار دادن null یا قوی بودن به شکست عنصر می توانند تعداد زیادی از عناصر و تنظیمات آرایه های دلخواه را کنترل کنند.

الگوریتم های ژنتیکی

الگوریتم های ژنتیکی (GA ها) تقلید از انتخاب طبیعی است. جمعیت بردارهای وزن کاندید در طول نسل از طریق متقاطع، جهش و انتخاب پیشرفت می کند. GAs برای مشکلات غیر ترکیبی، چند منظوره بهینه سازی در سنتز الگو، مانند به حداقل رساندن حاشیه در حالی که حفظ یک پرتو خاص موثر است، با این حال می توانند به طور فشرده و دقیق پارامترهای تنظیم شوند.

بهینه سازی ذرات Swarm Optimization

بهینه سازی انبوه ذرات (PSO) یک توده از ذرات را که از طریق فضای راه حل حرکت می کنند، هر کدام به موقعیت شناخته شده خود جذب می شوند و بهترین عملکرد جهانی است. PSO ساده تر از GA ها است و اغلب سریعتر برای مشکلات بهینه سازی مداوم ترکیب می شود.این برای الگوهای هماهنگ با لبه های پایین، پرتوهای شکل، و یا فرمان به طور همزمان استفاده می شود.

بهینه سازی Convex

بسیاری از مشکلات سنتز الگوی را می توان به عنوان مشکلات بهینه سازی ترکیبی فرموله کرد، به ویژه هنگامی که هدف این است که یک هنجار خطا بین الگوی سنتز شده و یک الگوی مطلوب، با توجه به محدودیت های بهینه سازی Convex تضمین بهینه سازی جهانی و تکنیک های بسیار کارآمد است.

قابلیت Adaptive Beam

پرتو سازگار به طور پویا تنظیم وزن آرایه بر اساس سیگنال های دریافت شده برای افزایش سیگنال مورد نظر و سرکوب مداخله الگوی ثابت، روش های انطباقی در زمان واقعی عمل می کند، و آنها را برای رادار، سونار و ارتباطات بی سیم که در آن محیط الکترومغناطیسی به سرعت تغییر می کند، ضروری می کند.

حداقل به معنی الگوریتم Squares

حداقل به این معنی است که الگوریتم مربع (LMS) یک روش شیب دار است که به حداقل رساندن خطای مربع بین خروجی آرایه و یک سیگنال مرجع است.این ساده و قوی است، اما سرعت همگرایی بستگی به گسترش eigen از ماتریس ورودی c تخمدان دارد. LMS در برنامه هایی مانند مداخله و لغو آنتن های هوشمند استفاده می شود.

الگوریتم میدان های کمتر Recursive Squares Algorithm

حداقل مربع (RLS) با استفاده از یک بروزرسانی بازگشتی از ماتریس همبستگی معکوس، به سرعت در همگرایی سریعتر از LMS ارائه می دهد، RLS فشرده تر است اما ردیابی بهتر از محیط های به سرعت در حال تغییر است. آن را در ارتباطات تلفن همراه و خنثی سازی مورد علاقه است.

حداقل واکنش بدون محدودیت

حداقل واکنش تحریف نشده (MVDR) پرتوپیش بینی شده (همچنین به عنوان روش Capon شناخته می شود) موضوع قدرت خروجی را به یک محدودیت که پاسخ جهت مطلوب وحدت است، به حداقل می رساند، این حداکثر نسبت سیگنال به تداخل-به اضافه (SINR) را تولید می کند. MVDR نیاز به دانش دقیق از جهت مورد نظر و ماتریس تخمدان از نسخه های مداخله (مانند بارگیری).

روند و تکنولوژی های نوظهور

تحولات اخیر در هوش محاسباتی، قابلیت پیکربندی سخت افزار و MIMO عظیم در حال هل دادن سنتز الگو فراتر از حد های سنتی است. مدل های یادگیری ماشین نقشه برداری از الزامات به ضریب یاد می گیرند، در حالی که ساختارهای قابل تنظیم، الگوی زمان واقعی را قادر می سازد که این فن آوری ها سرعت چرخه طراحی و عملکرد سازگار در سناریوهای پیچیده را وعده می دهند.

برنامه های یادگیری ماشین

یادگیری فوق العاده می تواند شاخص های ارجاع برای الگوهای مطلوب بر اساس داده های آموزشی را پیش بینی کند.شبکه های عصبی عمیق، به ویژه معماری های پیوسته و تکراری، می توانند از داده های شبیه سازی شده یا اندازه گیری شده یاد بگیرند. یادگیری تقویتی همچنین برای یک پرتو سازگار در محیط های پویا مورد بررسی قرار می گیرد. ML نیاز به بهینه سازی مکرر را کاهش می دهد و می تواند به سرعت با شرایط جدید سازگار شود، هر چند که نیاز به آموزش و اعتبار دقیق دارد.

Reconfigurable and phased Arrays

آنتن های قابل پیکربندی از اجزای الکترونیکی (PIN دیود، varactors، MEMS) برای تغییر شکل دیافراگم، شبکه تغذیه یا بارهای عنصر استفاده می کنند، در نتیجه تغییر الگوی تابش بدون حرکت مکانیکی. آرایه های فاز شده برای دهه ها در رادار استفاده شده اند؛ پیاده سازی های کم هزینه تر MIMO گسترده برای 5G و ارتباطات هیبریدی را قادر می سازد.

MIMO و MIMO گسترده

سیستم های چندگانه خروجی چندگانه (MIMO) از چندpath برای افزایش ظرفیت بهره برداری می کنند. MIMO عظیم، با صدها عنصر آنتن در ایستگاه پایه، اجازه می دهد تا چندگانه سازی فضایی پیشرفته و ترکیب الگوی مداخله در MIMO گسترده شامل تکنیک های پیش رمزگذاری شده است که به طور موثر الگوی را به هر کاربر انتقال می دهند در حالی که به حداقل رساندن تداخل متقابل کاربر شامل کالیبراسیون، و ترکیب کانال، و برآورد کانال است.

نتیجه گیری

سنتز الگوی آنتن و شکل دادن به تکامل به عنوان تقاضا برای نرخ داده های بالاتر، مداخله پایین تر و بازسازی رشد می کند. روش های کلاسیک مانند Dolph-Chebyshev و سنتز چهارier ابزار بنیادی را فراهم می کند، در حالی که الگوریتم های بهینه سازی مدرن و پرتو سازگار، سازگاری زمان واقعی را فراهم می کند. فن آوری های نوظهور مانند یادگیری ماشین و آرایه های پیکربندی مجدد وعده می دهند تا تکنیک های طراحی و طراحی را بهبود بخشند که به مهندسان ارتباطات بی سیم اطمینان اجازه می دهد تا این مشخصات را برآورده کنند.