Применение динамичных фазированных антенных решеток через адаптивное управление на основе машинного обучения

В современном мире широкое необходимость повышения эффективной и адаптивной производительности беспроводных коммуникационных и радиолокационных систем требует оптимизации активных фазированных антенных решеток (АФАР). Традиционно проектирование и управление фазированными антенными решетками зависели от статических конфигураций, что вызывало трудности в динамической адаптации к изменяющимся природным условиям, вариациям сигнала и требованиям пользователя, что зачастую вызывало парадигмальный сдвиг, инициированный интеграцией передовых алгоритмов машинного обучения в систему управления АФАР [1]. В этой связи целесообразно интегрировать в систему управления АФАР различные динамические стратегии управления с целью оптимизации их конфигураций в реальном времени [2].

Революционное применение стратегий динамического лучеформирования в системе активных фазированных антенных решеток (АФАР) позволило повысить адаптивность и отзывчивость АФАР, что тем самым положило начало развитию адаптивных систем управления в области беспроводных технологий связи и радиолокации.

Интеграция моделей машинного обучения направлено на улучшение операционной эффективности, повышение общих показателей производительности и адаптивности АФАР.

В исследовании [3] авторы предложили нейросетевой подход к решению задач конструктивного синтеза фазированных антенных решеток (ФАР), включающих один или несколько номинальных усилителей с ограниченными диапазонами регулировки коэффициентов передачи. Обоснована структура нейронной сети, включающая классификационную нейронную сеть и несколько аппроксимирующих нейронных сетей. Предложен алгоритм обучения нейронной сети с предварительной настройкой классификационной части. Приведены примеры решения задач конструктивного синтеза с различными показателями качества обучения нейронной сети.

В работе [4] авторы предлагают метод обучения нейронной сети (TLNN) для цифровой предисторции активных фазированных антенных решеток АФАР миллиметрового диапазона, работающих при переменных режимах ширины сигнальной полосы. По сравнению с традиционным методом искусственных нейронных сетей, предложенный подход направлен на линеаризацию при значительно меньшей вычислительной сложности за счет передачи части обученной модели с одной ширины полосы на другую. В контексте внедрения технологии 5G, увеличение ширины сигнальной полосы вызывает заметные эффекты памяти в АФАР. Кроме того, работа с различными ширинами сигнальной полосы обычно требует затратного пересчета параметров предискортирующего устройства, что может быть решено с использованием модели цифровой предисторции на основе метода обучения. Предложенный подход был апробирован посредством беспроводных измерений на АФАР, вызываемой сигналами с переменной шириной полосы, а именно от 20 МГц до 100 МГц. Экспериментальные результаты показывают значительное сокращение времени обучения при обеспечении эффективной линеаризации. С использованием цифровой предисторции на основе TLNN достигнуто улучшение коэффициента пере-излучения соседнего канала на 8,5 дБ и улучшение величины векторной ошибки на 8,6 процентных пункта. При переменной ширине полосы сложность модели цифровой предисторции в терминах числа умножений снизилась с 199,168 до 160. Предложенная цифровой предисторции к изменениям ширины полосы сигнала АФАР [5].

Анализ исследований разных авторов позволяет говорить о том, что динамические стратегии лучеформирования способны корректировать диаграммы направленности в реальном времени в ответ на изменяющиеся требования системы на основе следующих задач:

• 1)    адаптивность под запросы пользователей: динамическое формирование антенной решетки с целью фокусировки на определенных задачах или пользователях обеспечивает эффективное взаимодействие;

• 2)    повышение качества сигнала: адаптивное лучеформирование оптимизирует конфигурацию антенной решетки для

улучшения приема и передачи, особенно в сценариях с изменяющейся силой сигнала или условиями распространения;

• 3)    снижение воздействия внешних источников помех: динамическая коррекция диаграмм направленности в ответ на уровни помех АФАР способна поддерживать целостность сигнала и уменьшить влияние нежелательных сигналов;

• 4)    минимизация воздействия условий окружающей среды: динамическое луче-формирование позволяет адаптировать антенную решетку к погодным условиям;

• 5)    повышение обучаемости на основе данных: использование алгоритмов машинного обучения на основе данных позволяет АФАР корректировать конфигурацию в ответ на повторяющиеся сигналы;

• 6)    получение обратной связи для предоставления информации о производительности системы в режиме реального времени;

• 7)    оптимизация под сценарии: внедрение стратегий лучеформирования, адаптивных к различным операционным сценариям (например, в приложениях связи или радиолокации) должна динамически оптимизировать диаграммы направленности под требования каждого сценария.

• 2.    Викулов И. GaN-микросхемы приемопередающих модулей АФАР: европейские разработки // Электроника: Наука, технология, бизнес. – 2009. – № 7. – С. 90-97.

• 3.    Мищенко С.Е. и др. Нейросетевой подход к решению задач конструктивного синтеза АФАР // Радиолокация, навигация, связь. – 2019. – С. 369-380.

• 4.    Jalili F. et al. Bandwidth-Scalable Digital Predistortion of Active Phased Array Using Transfer Learning Neural Network // IEEE Access. – 2023. – Т. 11. – С. 13877-13888.

• 5.    Petermann M., Bockelmann C., Kammeyer K.D. On allocation strategies for dynamic MIMO-OFDMA with multi-user beamforming // 12th International OFDM-Workshop. – 2007. – С. 29-30.

На основе вышеизложенного целесообразно сделать вывод о том, что нразработ-ку и внедрение стратегий динамического лучеформирования в активных фазированных антенных решетках (АФАР) направлено на оптимизацию, повышение их адаптивности под конкретные сценарии и производительности в динамичных системах связи и радиолокации. Способность динамической адаптации диаграмм направленности в ответ на изменяющиеся требования системы, запросы пользователей, качество сигнала и уровни помех посредством интеграции методов машинного обучения и механизмов обратной связи в реальном времени способствует повышению эффективности и отзывчивости операционных возможностей АФАР, способствует развитию интеллектуальных и адаптивных систем управления в широком контексте технологий связи и радиолокации.