机构名称：
¥ 1.0
摘要。本文提出了一种基于深的神经网络（DNN）的方法，用于8个元素分阶段阵列天线的辐射模式合成。为此，将所需辐射模式的181点作为输入到DNN和阵列元素的相位作为输出提取。现有的辐射模式合成技术的DNN技术并不直接适用于数据集大小随数组尺寸呈指数增长时。为了过度使用这个瓶颈，我们提出了为DNN生成数据集的新颖有效的方法。具体而言，通过杠杆，分阶段阵列天线的恒定相移特性，数据集大小减少了几个数量级，并独立于阵列大小。这在速度和复杂性方面具有相当大的优势，尤其是在实时应用中，因为DNN可以立即学习和综合所需的模式。通过使用理想的方形梁和最佳阵列模式作为DNN的参考输入来验证所提出方法的实现。MATLAB和CST中产生的结果证明了所提出的方法在合成所需的辐射模式中的有效性。
使用减少数据集的机器学习的AESA天线
主要关键词
相关文件推荐
