onMachine learning assisted K-means++ clustering based phase quantization method for enhanced gain reflectarray design

Vimal Kumar

doi:10.1016/j.aeue.2025.156110

onMachine learning assisted K-means++ clustering based phase quantization method for enhanced gain reflectarray design

2025-11-02

0

PRE

AI

DOI：10.1016/j.aeue.2025.156110

原文链接

原文求助

摘要

En 中文

本文提出了一种基于无监督机器学习（ML）的k-means++聚类方法，用于反射阵列（RA）设计中的相位量化。相位量化是为了限制所需的不同单元单元数量，从而最终引入不期望的量化相位误差（QPE）。与传统的数字相位量化方法不同，基于k-means++聚类的相位量化方法形成了非线性间距的相位值簇，导致平均量化相位误差（AQPE）更小，从而最终提高了辐射特性。直径为10λ0（λ0是设计频率30 GHz时的自由空间波长）的半波长周期性单元单元的RA原型已被设计，并制造了几个原型以在Ka波段（26.5 – 40 GHz）实验验证所提出的设计方法。测量结果表明，2状态k-means++量化的RA在30 GHz设计频率下具有1.33 dB更高的增益，相当于比其传统的2状态数字量化的RA具有3 %更高的孔径效率（AE）。此外，k-means++量化的RA在37.5 GHz处显示出最大2.5 dB的增益增强，在28 GHz处显示出最大9.2 %的AE增强。此外，测量的k-means++量化的RA的1-dB增益带宽（BW）为10.0 %，而传统的2状态数字量化的RA为5.0 %。所提出的量化方法可以在RA设计过程中采用，通过形成非线性间距的簇来优化QPE，从而增强辐射特性。

onMachine learning assisted K-means++ clustering based phase quantization method for enhanced gain reflectarray design

摘要

期刊

机构

引用论文