.png){kind=icon}
返回
Machine Learning-Assisted MIMO Design with Improved Isolation for Wireless Application
.png){kind=icon}
PRE
AI
DOI：10.1007/s11277-025-11820-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过特征模分析（CMA）对一种双端口多输入多输出（MIMO）天线设计进行了结构化改进并完成，以改善两个辐射单元之间的隔离度。所提出的双端口MIMO天线由两贴片之间的矩形谐振器对和作为隔离增强工具的矩形缺陷地结构（DGS）组成。通过模态分析构建了不同的设计步骤，以识别高互耦的根本原因，并相应地最终确定了谐振器和DGS的位置和形状，以实现更好的隔离。这种CMA辅助优化设计在5.09-5.29 GHz频带内提供了超过20.49dB（仿真）的隔离度。为进一步改善隔离度，通过代理基机器学习（ML）算法优化了该设计的不同设计参数，使隔离度提升至37.38dB以上。所需数据集通过在CST微波工作室中进行的参数分析，从CMA辅助设计中生成。这些数据集用于训练不同的ML算法，以优化最终结构的S参数。在用于设计的不同ML算法中，梯度提升回归（GBR）和随机森林回归（RFR）表现出更好的结果。该最终的ML辅助优化结构相比CMA辅助设计，隔离度提升了74.81%（仿真82.43%，测量74.81%）。此外，还开发了一个等效电路模型（ECM），其结果与测量值吻合良好。测量的S参数、包络相关系数（ECC）、分集增益（DG）、总有效反射系数（TARC）、平均有效增益（MEG）、信道容量损失（CCL）和辐射方向图也与仿真结果吻合良好。
Keyword:
CMA
ML-assisted Design
MIMO
Diversity
期刊
IF:
2.2
论文数:
739
被引数:
1.2W
机构
引用论文
.png){kind=icon}
DUAL-LAYER DUAL-PATCH EBG STRUCTURE FOR ISOLATION ENHANCEMENT AND CORRELATION REDUCTION IN MIMO ANTENNA ARRAYS双层双贴片EBG结构用于MIMO天线阵列的隔离度增强和相关系数减小
OAAI
OAAI分享收藏Application of neural networks to analyses of nonlinearly loaded antenna arrays including mutual coupling effects神经网络在考虑互耦效应的非线性加载天线阵分析中的应用
PREAI
分享收藏
查看更多内容