.png){kind=icon}
返回
Deep Reinforcement Learning-Based Adaptive Nulling in Phased Array Under Dynamic Environments
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2025.3591643.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
相控阵由多个天线单元组成，可通过调整每个天线单元的相位和幅度来控制辐射信号的方向，这些参数被封装在相控阵权值中。为获得更好的通信质量，通过调整相控阵权值实现干扰抑制（nulling）有助于削弱干扰信号。在动态环境中，干扰信号和期望信号方向的快速变化要求相控阵权值进行同样快速、持续的更新。传统的启发式优化器——如粒子群优化（PSO）和遗传算法（GA）——难以适应这种需求，因为它们的迭代搜索依赖于预计算的配置，而这类配置在实际中无法实时获取。迄今为止，尚无启发式、监督学习或强化学习方法能同时满足以下三个要求：快速适应、无数据集操作以及在高度动态环境下进行连续复杂数值控制。本文提出了一种基于深度强化学习的创新自适应干扰抑制方法，称为DRLNuller。DRLNuller采用典型的强化学习算法近端策略优化（PPO），通过与环境的连续交互动态优化相控阵权值，无需依赖预计算或标注数据。实验结果表明，经过训练的DRLNuller在计算速度上比PSO和GA快 $2.83\times 10^{5}$ 倍，且在不同条件下仍能保持有效的通信质量，平均信号干扰比（SIR）为25.06 dB。
Keyword:
Phased array
interference mitigation
deep reinforcement learning
adaptive nulling
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Convolutional neural network for 2D adaptive beamforming of phased array antennas with robustness to array imperfections用于相控阵天线2D自适应波束成形的具有阵列不完美鲁棒性的卷积神经网络
PREAI
分享收藏Beamsteering and Beamshaping Using a Linear Antenna Array Based on Particle Swarm Optimization.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏OptunaProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏
查看更多内容