Aprendizaje automático

Scientific Reports volumen 13, número de artículo: 12590 (2023) Citar este artículo

325 Accesos

Detalles de métricas

En este estudio, presentamos nuestros hallazgos de la investigación del uso de una técnica de aprendizaje automático (ML) para mejorar el rendimiento de las antenas Quasi-Yagi-Uda que operan en la banda n78 para aplicaciones 5G. Este estudio de investigación investiga varias técnicas, como simulación, medición y un modelo de circuito equivalente RLC, para evaluar el rendimiento de una antena. En esta investigación, las herramientas de modelado CST se utilizan para desarrollar una antena Yagi-Uda de alta ganancia y baja pérdida de retorno para el sistema de comunicación 5G. Al considerar la frecuencia de funcionamiento de la antena, sus dimensiones son \({0.642}\lambda _0\times {0.583}\lambda _0\). La antena tiene una frecuencia operativa de 3,5 GHz, una pérdida de retorno de \(-43,45\) dB, un ancho de banda de 520 MHz, una ganancia máxima de 6,57 dB y una eficiencia de casi el 97%. Las herramientas de análisis de impedancia en las herramientas de simulación y diseño de circuitos de CST Studio en el software Agilent ADS se utilizan para derivar el circuito equivalente de la antena (RLC). Utilizamos el método ML de regresión supervisada para crear una predicción precisa de la frecuencia y ganancia de la antena. Los modelos de aprendizaje automático se pueden evaluar utilizando una variedad de medidas, incluida la puntuación de varianza, R cuadrado, error cuadrático medio, error cuadrático medio, error cuadrático medio y error logarítmico cuadrático medio. Entre los nueve modelos de ML, el resultado de predicción de la regresión lineal es superior a otros modelos de ML para la predicción de frecuencia resonante, y la regresión del proceso gaussiano muestra un rendimiento extraordinario para la predicción de ganancia. La puntuación R-cuadrado y var representa la precisión de la predicción, que es cercana al 99% tanto para la predicción de frecuencia como de ganancia. Teniendo en cuenta estos factores, la antena puede considerarse una excelente opción para la banda n78 de un sistema de comunicación 5G.

Hoy en día, para abordar los crecientes desafíos de las comunicaciones en términos de tamaño, ancho de banda y ganancia, ha aumentado la demanda de nuevos sistemas de microondas y ondas milimétricas. Como resultado, las antenas se utilizan con frecuencia para satisfacer las demandas de las comunicaciones por satélite. Hay diferentes aplicaciones de comunicaciones por satélite disponibles en diferentes rangos de frecuencia1. Los investigadores intentan constantemente mejorar el ancho de banda y la ganancia de las antenas. En los últimos años, la tecnología ha crecido muy rápidamente y tanto los países desarrollados como los países en desarrollo emplean ahora comunicaciones inalámbricas a un nivel extremadamente alto2. En las últimas décadas se ha producido una adopción generalizada de numerosas generaciones de estándares de comunicación inalámbrica, como 1G, 2G, 3G, 4G, 5G, etc.3,4,5. La quinta generación de tecnología celular (5G), que ofrece velocidad de datos en Gigabits/seg (Gbps), prácticamente elimina los inconvenientes de la tecnología anterior. Más aún, 5G permite aplicaciones de IoT de bajo consumo, que se están expandiendo rápidamente6,7. Como banda de frecuencia clave para el despliegue de 5G, se espera que el rango sub-6 GHz (de 2 a 6 GHz) logre una buena estabilidad entre cobertura y capacidad, especialmente en las bandas N77, N78 y N798.

Shintaro Uda y Hidetsugu Yagi fueron los inventores de la antena Yagi, también conocida como antena Yagi-Uda. Esta antena es direccional y está construida con un dipolo y un montón de elementos parásitos. Los elementos parásitos son un reflector colocado detrás del dipolo y más de un director colocado delante del elemento dipolo, lo que puede mejorar las propiedades de radiación. Tiene radiación direccional porque concentra su señal en una sola dirección, haciéndolo menos susceptible a interferencias de otros transmisores9. Hay muchas razones para el uso generalizado de la antena Yagi Uda, incluido su bajo precio, ganancia sustancial y construcción simple. Si bien los televisores fueron los principales usuarios de esta antena en los primeros días posteriores a su invención, estos dispositivos ahora se utilizan en sectores tan diversos como el radar, la identificación por radiofrecuencia, las comunicaciones por satélite y más10. En 11, se construyeron antenas de microcinta Yagi-Uda con frecuencias de resonancia cercanas a 900 MHz, una altura de sustrato de 1,575 mm, una impedancia característica de 50 ohmios y un espesor de conductor de tira de 35 \(\mu\) m utilizando un RT Duroid 5880. material. Los circuitos Microstrip se utilizan para implementar antenas Yagi Uda, lo que permite que las antenas sean pequeñas y discretas. En 12 se desarrolló una versión de 5 elementos de la antena Yagi-Uda utilizando el software de simulación FEKO. La frecuencia central de la antena es de 500 MHz, que puede funcionar con señales en el rango de 450 a 550 MHz, y la ganancia de antena más alta es de 6,7 dB. En13 se revisan numerosas antenas Quasi Yagi basadas en metodologías de alimentación. Algunos autores han informado ganancias de 14 a 17 dB para la antena Yagi-Uda al aumentar el número de directores. El defecto fundamental de la antena Yagi-Uda es su estrecho ancho de banda10,13. En 14 se representan simulaciones electromagnéticas de onda completa en 3-D de un radar de penetración terrestre (GPR) que se utilizan para la caracterización de elementos enterrados basada en inteligencia artificial. Este trabajo desarrolló un enfoque de modelado sustituto basado en datos rápido y preciso para la caracterización de objetos enterrados, un método de construcción de modelo sustituto computacionalmente eficiente que utiliza pequeños conjuntos de datos de entrenamiento y un método novedoso de aprendizaje profundo, el modelo de regresión tiempo-frecuencia (TFRM), que utiliza señales sin procesar. sin preprocesamiento para lograr un rendimiento de estimación competitivo. El método dado supera al perceptrón multicapa (MLP), al proceso gaussiano (GP), a la máquina de regresión de vectores de soporte (SVRM) y a la regresión de redes neuronales convolucionales (CNN). Como afirman los autores en 15, las antenas reconfigurables en frecuencia tienen su propio enfoque de modelado sustituto generalizable. La técnica postprocesa datos discretos de simulación CAD en un modelo sustituto. Posteriormente, una antena UWB reconfigurable con una banda de muesca sintonizable demuestra que el modelado sustituto es práctico, efectivo y preciso. El modelo sustituto propuesto es un buen candidato para el estándar de interfaz de procesamiento de señal de antena reconfigurable de un sistema de radio cognitivo. Los componentes de microondas miniaturizados generalmente se diseñan utilizando simulaciones electromagnéticas (EM) de onda completa16. Los procedimientos asistidos por sustitutos utilizan metamodelos rápidos basados en datos para reemplazar las costosas simulaciones EM. Los estudios de verificación de tres componentes de microstrip muestran que el enfoque sugerido supera a los enfoques basados en el rendimiento y a los procesos de modelado estándar en precisión de fabricación sustituta y costo informático. En17, los autores analizan los diseños de filtros de microondas asistidos por sustitutos que utilizan diferentes funciones objetivo de diseño. Se examinan el modelado sustituto (aprendizaje automático) y los algoritmos de optimización avanzados para el diseño de filtros. Tres métodos básicos de diseño de filtros son: muestreo de datos inteligente, modelado sustituto avanzado y marcos de optimización avanzados. Deben personalizarse o combinarse para que coincidan con los parámetros del filtro de microondas para lograr éxito y estabilidad. Finalmente, se examinan las aplicaciones y tendencias emergentes en el diseño de filtros. El investigador utilizó modelos sustitutos para diseñar y optimizar antenas MIMO en18. El analizador numérico Microwave Studio y MATLAB se optimizan automáticamente. La optimización de redes neuronales superficiales se utiliza para identificar las mejores soluciones TARC, S11 y S12. Se construye y optimiza una antena MIMO de banda ultraancha de 3,1 a 10,6 GHz para probar el enfoque sugerido. Las antenas son difíciles de diseñar y mantener sin el uso de tecnologías de aprendizaje automático. Sin aprendizaje automático, el diseño de antenas se acelera demasiado lentamente. Sin ML, es difícil mantener bajos los errores y alta la productividad. No contar con ayuda para reducir la simulación ML y al mismo tiempo mantener la viabilidad del trabajo y el cálculo del comportamiento de la antena es una tarea desafiante19. El aprendizaje automático reemplaza el método de prueba y error en las simulaciones de metamateriales al predecir parámetros de diseño utilizando uno o más modelos de aprendizaje automático diseñados adecuadamente. Dos cosas afectan la precisión de la predicción. principalmente el tamaño del conjunto de datos. Además, el modelo de aprendizaje automático de formación20. Un método de conjunto de materiales derivados de antenas estima el ancho de banda y la ganancia de la antena21. Este artículo compara el método presentado con SVM, Random Forest, K-Neighbors Regressor y Decision Tree Regresor. La técnica de optimización de ballenas guiada por rosa polar dinámica adaptativa optimiza las características del modelo de conjunto. El modelo sugerido predijo el ancho de banda de la antena y la eficiencia de ganancia mejor que los demás en un estudio de regresión. Según las especificaciones de la antena, las técnicas de aprendizaje automático pueden pronosticar el coeficiente de reflexión (S11). Por lo tanto, puede evitar el ciclo de optimización de prueba y error. Esta investigación22 utilizó algoritmos de árbol de decisión, bosque aleatorio, regresión XGBoost, KNN y ANN. Dado que el conjunto de datos de simulación no es lineal, se eligieron estos algoritmos para realizar la regresión de datos no lineales. Después de la simulación de la antena utilizando HFSS, esta investigación obtiene la frecuencia de resonancia, la longitud, el ancho y el espesor de la ranura en forma de L. Diferentes algoritmos de ML predicen valores. La precisión de la predicción se mide mediante la puntuación R-cuadrado y el error cuadrático medio (MSE) para los coeficientes de reflectancia simulados y predichos (S11). En23 se propone una antena Yagi-Uda que utiliza una red neuronal artificial (ANN) para pronosticar la ganancia de la antena y el tiempo de entrenamiento. En23, solo se utilizó MSE como métrica de precisión de predicción, mientras que se ignoraron las puntuaciones MAE, MSLE, RMSLE, MAPE, RMSE, R-Square y Var. Además, los resultados de predicción del modelo ANN sugerido no se compararon con los de otros modelos ML actuales. En otro estudio24, los autores probaron una de las formas clave de comunicación de IoT, la retrodispersión ambiental, y sugirieron una estrategia de diseño de antena basada en aprendizaje automático para la protección de la capa física. Para determinar el grado de inexactitud en este estudio, los investigadores no calcularon el porcentaje de error expresado como MSE, MAE o RMSE. Además, la puntuación de la varianza no se ha cuantificado en la mayoría de los artículos anteriores sobre el diseño de antenas basadas en ML.

En este artículo, la antena propuesta tiene una ganancia adecuada (6,57 dB) y un ancho de banda (520 MHz), y el tamaño de la antena (\(0,642\lambda _0 \times 0,583\lambda _0\)) es compacto en comparación con el Yagi. –Antena Uda. Se predijo la respuesta de impedancia de una estructura de dos capas formada por un solo material. Por lo tanto, se creó un nuevo tipo de modelo predictivo basado en circuitos eléctricos equivalentes. Lograr los niveles de rendimiento deseados de una antena en programas de simulación electromagnética 3D como CST, HFSS, FEKO y ADS es una tarea compleja y que requiere mucho tiempo. En esta investigación, se utilizaron nueve modelos de regresión ML, como regresión lineal (LR), regresión de bosque aleatorio (RFR), regresión de árbol de decisión (DTR), regresión de lazo, regresión de cresta (RR), regresión de aumento de gradiente extremo (XGB) y regresión lineal bayesiana. (BLR), la regresión del proceso gaussiano (GPR) y la máquina de regresión de vectores de soporte (SVRM) se utilizan para predecir la frecuencia de funcionamiento y la ganancia de la antena propuesta.

El software de simulación CST MWS se utiliza para diseñar y optimizar el rendimiento de la antena. Además, exactamente la misma antena fue remodelada en medición para validar el resultado de rendimiento obtenido de la simulación. La herramienta de simulación de circuito Advance Design System (ADS) se utiliza para validar el nivel de pérdida de retorno y el ancho de banda mediante el uso del circuito equivalente RLC. Utilizando la herramienta de modelado electromagnético (EM) CST, recientemente se ha explorado un enfoque novedoso que predice la frecuencia y la ganancia con numerosos métodos de regresión no supervisados.

Para modelar el rendimiento de la antena 5G propuesta, se empleó el paquete CST MW de Computer Simulation Technology. La estructura básica de la antena Yagi-Uda se presenta en la Fig. 1.

Estructura de la antena Yagi-Uda.

A menudo se encuentra que el reflector viene después de los otros dos elementos. Su longitud típica es un 5% mayor que la del elemento dipolo. La longitud del elemento dipolo es igual a la mitad de su longitud de onda. En particular, la separación entre el elemento dipolo y el reflector puede estar entre 0,1\(\lambda\) y 0,25\(\lambda\). Los directores se colocan a una longitud un 5% menor que el elemento dipolo. El espacio entre el elemento dipolo y cada director es 0,13\(\lambda\)25,26. El valor de \(\lambda\) y el valor inicial de la longitud de los elementos parásitos junto con el elemento impulsado y el espacio entre dos elementos se pueden calcular utilizando las siguientes ecuaciones (1, 2, 3, 4, 5, 6, 7 )25,26:

donde c = Velocidad de la luz, f = Frecuencia de resonancia, \(\lambda\) = Longitud de onda

Vista dimensional (a) frontal y (b) posterior.

El sustrato FR-4 (con pérdida) se utiliza para diseñar y simular la antena. El tamaño total de la antena es \(0,642\lambda \times 0,583\lambda \times 0,009\lambda\). El espesor del plano de tierra es de 0,035 mm. La longitud del reflector es de 34 mm. La longitud del dipolo es de 30,87 mm y la longitud de los directores es de 23 mm. El ancho de estos elementos es de 1 mm. La longitud de la alimentación es de 1,70 mm y se utiliza un puerto discreto para simular la antena con una impedancia de 50 ohmios. Las vistas frontal y posterior se muestran en la Fig. 2.

En esta sección se analizan los resultados simulados y medidos de la antena Yagi-Uda propuesta. El S11 simulado usando CST también se compara con el resultado obtenido del ADS. Se analizan brevemente diferentes algoritmos de aprendizaje automático para predecir la frecuencia de resonancia y la ganancia de la antena propuesta. En la Tabla 1 se presenta la comparación del desempeño con trabajos publicados recientemente.

El impacto de los parámetros principales de la estructura se ilustra en las siguientes secciones para ayudar al lector a comprenderlo mejor.

El elemento dipolo de una antena Yagi se considera frecuentemente la parte esencial de la antena, ya que conecta la antena a su fuente de energía y sirve como alimentación. En este estudio, se ha observado que a medida que aumenta la longitud del dipolo, la pérdida de retorno también aumenta y comienza a disminuir en una longitud específica. Para este diseño, la longitud particular es de 33 mm. Además, la frecuencia de resonancia también se movió hacia la izquierda cuando aumentó la longitud. La frecuencia deseada de este estudio fue 3,5 GHz, que se encontró en una longitud de 30,87 mm, presentada en la Fig. 3.

Coeficiente de reflexión simulado para diferentes longitudes de dipolo.

Coeficiente de reflexión simulado para director.

Ganancia simulada para diferentes directores.

El componente del lado derecho de la antena Yagi, conocido como director, es el encargado de concentrar la potencia radiada a lo largo de los componentes directores debido a su naturaleza capacitiva34. Por su naturaleza radiativa, también se le conoce como elemento parásito. Se utilizan dos directores en este estudio. El efecto de los directores sobre la frecuencia de resonancia y el nivel de pérdida de retorno se muestra en la Fig. 4 con y sin directores. La curva adecuada del diseño se encontró al simularlo con dos directores. El nivel de pérdida de rentabilidad es menos evidente en ausencia de directores. La frecuencia de resonancia se borra con un director pero no con la deseada. Además, se descubre que el nivel de pérdida de retorno aumenta cuando se aumentan los directores. La ganancia de una antena aumenta cuando se añaden más directores después del dipolo35. El director tiene un impacto significativo en la ganancia de la antena, como se muestra en la Fig. 5. Sin directores, la ganancia es de 4,45 dB en la frecuencia de resonancia, y es de 5,5 dB con un director y de 6,57 dB con dos directores.

A 3,5 GHz, se puede encontrar una representación de la distribución de corriente en la Fig. 6. En el centro del dipolo, la corriente alcanza su máximo de 37,58 A/m antes de distribuirse al primer elemento parásito. La intensidad de la corriente superficial se refleja en el color, que sirve como representación visual del concepto. A una frecuencia de 3,5 GHz, es posible detectar una corriente que viaja por la superficie del objeto.

Distribución de corriente en la frecuencia 3,5 GHz.

Se utiliza un analizador de redes vectoriales (VNA), como se muestra en la Fig. 7, para probar las cualidades del puerto, mientras que se usa una cámara anecoica para examinar las propiedades de radiación que se muestran en la Fig. 8.

Medición de pérdida de retorno mediante analizador de redes vectoriales.

Medición de las características de la radiación dentro de una cámara anecoica.

La intensidad de una señal que se refleja desde una antena y viaja de regreso al transmisor se conoce como pérdida de retorno (S1,1). Una mayor pérdida de retorno indica que la antena puede transmitir más energía de RF. Un mayor ancho de banda es una condición necesaria para las comunicaciones 5G, ya que permite una comunicación y transferencia de datos más rápida36. Para un rendimiento óptimo, la pérdida de retorno debe ser inferior a \(-10\) dB, que se expresa como decibelios (dB)37.

Se puede observar que la frecuencia de resonancia observada es extremadamente cercana a la simulada (Simulada: 3,50 GHz y Medida: 3,53 GHz). Aproximadamente -43,45 dB (cuando se simula) y -40,81 dB (cuando se mide) es el coeficiente de reflexión en el punto resonante, como se muestra en la Fig. 9.

Coeficiente de reflexión simulado y medido.

Al determinar la efectividad de una antena, es fundamental considerar su ganancia y directividad. La ganancia cuantifica cuánta energía se transfiere al haz primario, mientras que la directividad evalúa cuánta potencia se concentra en una sola dirección38.

La efectividad de una antena se mide en parte por su ganancia y directividad39. Eficiencia calculada 96,76% utilizando la ecuación (8).

Los valores de ganancia máxima (6,57 dB simulados) sobre la banda de frecuencia operativa se muestran en la Fig. 10, lo que demuestra la idoneidad de la antena para la banda n78 5G. En una cámara anecoica, la ganancia máxima del prototipo se midió en 6,39 dB. Además, el rango de eficiencias simuladas y eficiencias medidas, como se muestra en la Fig. 10, varía del 84 al 97% para las eficiencias simuladas y del 75 al 93% para las eficiencias medidas.

Ganancia y eficiencia simuladas y medidas de la antena propuesta.

Parámetro Z de la antena estudiada.

La matriz Z ha resaltado otra importante característica de impedancia esencial de la antena Yagi propuesta, como se ve en la Fig. 11. Según esta figura, el componente real del parámetro Z está cerca de 50 ohmios, mientras que el componente imaginario del El parámetro Z está cerca de 0 cuando la frecuencia es de 3,5 GHz.

Los patrones de radiación 2D simulados y medidos para la frecuencia de 3,5 GHz se muestran en la Fig. 12. Dado que theta (\(\theta\)) y phi (\(\Phi\)) son coordenadas circulares, se pueden utilizar para describir la orientación del patrón de radiación en relación con los ejes cartesianos; por ejemplo, si es aproximadamente constante 0, entonces la región de 0\(^\circ\) a 360\(^\circ\) es el corte XZ, que también se conoce como plano E. Los patrones de radiación 2D simulados y medidos se proyectan en el plano E a lo largo de XZ (\(\Phi\) = 0\(^\circ\)) e YZ (\(\Phi\) = 90\(^\circ\ )) dirige el plano H a lo largo de la dirección xy en \(\theta\) = 90\(^\circ\). Amplias pruebas de las propiedades del campo lejano revelan un comportamiento direccional superior en todos los planos del campo magnético. En el plano xz la magnitud del lóbulo principal es -37,7 dB A/m y para el plano yz es -30,3 dB A/m. En el plano xy se puede ver que el nivel del lóbulo lateral es -11,9 dB con un ancho angular (3dB) 71,5\(^\circ\).

Patrón de radiación 2D simulado y medido de la antena propuesta a 3,5 GHz para \(\Phi = 0^\circ\), \(\Phi = 90^\circ\), \(\theta = 90^\circ\).

Se ha observado que el prototipo propuesto proporciona radiación en todas direcciones, coincidiendo con el comportamiento aceptable mostrado en las simulaciones. No obstante, se investiga una diferencia menor entre los resultados simulados y medidos en ambos planos como resultado de limitaciones de la configuración de medición y fallas en la antena Yagi 3D.

Patrón de radiación 3D medido para (a) vista inferior de 3,4 GHz, (b) vista superior de 3,4 GHz, (c) vista inferior de 3,5 GHz, (d) vista superior de 3,5 GHz, (e) vista inferior de 3,6 GHz y (f) 3,6 GHz vista superior.

Las cámaras anecoicas se utilizan para medir patrones de radiación 3D. Mida el campo de la antena desde diferentes ángulos con una sonda o una antena de bocina. A partir de estos datos se traza en 3D el patrón de radiación de la antena. El patrón de radiación en un sistema de coordenadas esféricas tridimensional se muestra en la Fig. 13. La vista inferior y la vista frontal del patrón de radiación 3D medido proyectado a 3,4 GHz se muestran en las Fig. 13a y b. Las Figuras 13c yd representan el patrón de radiación 3D de la antena Yagi medida propuesta a 3,5 GHz. Finalmente, el patrón de radiación 3D medido para 3,6 GHz se presenta en las Fig. 13e y f.

Se utilizan herramientas de diseño de circuitos como el software Agilent ADS y la simulación CST Studio para crear el circuito equivalente de la antena, que se produce mediante el análisis de impedancia de la antena. La máxima transferencia de potencia (al menos 90%) desde el puerto de entrada a la estructura de la antena y la radiación al espacio libre está garantizada por un nivel de retorno inferior a \(-10\) dB en la frecuencia de resonancia. Para transferir la mayor cantidad de energía posible, es necesario hacer coincidir la impedancia del circuito de la antena con la impedancia característica de 50\(\Omega\)40. Según el principio de transmisión de potencia máxima, para que una red se considere "adaptada", la impedancia de carga y la resistencia de entrada (Z\(_{load}\) = R\(_{in}\)) deben ser como lo más parecido posible.

La base de este método es encontrar un modelo de elementos concentrados (circuito RLC) con características lo suficientemente cercanas a las de la antena Yagi propuesta. Después de desmontar la antena y proponer un circuito similar para cada pieza, el producto final se vuelve a montar como se muestra en las figuras 16a-d41,42. La fase final implica simular el modelo de circuito equivalente de la antena propuesta en todo su rango de frecuencia utilizando los parámetros R – L – C. Este modelo representa con precisión el funcionamiento previsto de la antena Yagi. Se muestran claramente las cualidades de las muescas en la Fig. 14. Este modelo captura con bastante precisión el comportamiento de la antena Yagi sugerida. Los resultados de la simulación CST se comparan con los resultados de una simulación de circuito similar utilizando los parámetros S11 en la Fig. 15.

Modelo de circuito equivalente de antena propuesta.

Coeficiente de reflexión simulado de circuito equivalente en ADS y CST.

Como parte del circuito equivalente, la antena Yagi propuesta se desarrolló utilizando líneas de transmisión. En consecuencia, el elemento dipolo derecho de la antena reproduce un circuito paralelo R1, L1, C1, el elemento dipolo izquierdo de la antena propuesta produce un circuito paralelo R2, L2, C2. Mientras que C6 representa el espacio entre el dipolo y el reflector como se muestra en la Fig. 16b.

El reflector de la antena produce un paralelo de L3 y C3. Mientras que C7 y C8 representan la brecha entre el dipolo y el director1. La combinación C4 y L4 simboliza el primer director, C5 y L5 denotan el segundo director como se muestra en las Fig. 16a y 16c. La brecha entre el director 2 y el director 1 está representada por la letra C9.

El desarrollo del circuito equivalente de la antena Yagi: (a) el modelo de circuito reflector, (b) el modelo de circuito de elemento dipolo, (c) el modelo de circuito director, (d) el modelo de circuito equivalente final.

Los enfoques de ML han sido objeto de mucha investigación y uso en diseños de antenas durante la última década, debido a su capacidad para aprender de datos de antena observados o simulados a través de un proceso de capacitación. En la optimización asistida por ML (MLAO), se construye un modelo computacionalmente eficiente utilizando técnicas de ML para predecir las características designadas en los puntos posibles en el espacio de diseño utilizando el conjunto de entrenamiento generado en los puntos muestreados en función del modelo computacionalmente costoso original. La regresión del proceso gaussiano (GPR), la máquina de vectores de soporte (SVM) y las redes neuronales artificiales son solo algunas de las técnicas de ML incluidas en los enfoques de MLAO para el diseño de antenas43. Para proporcionar una visión general de alto nivel, el aprendizaje automático puede definirse como la extracción de información útil a partir de datos mediante el desarrollo de algoritmos de predicción precisos44. Estos algoritmos tienen el potencial de ser útiles en la optimización, pero su eficacia depende de la calidad y cantidad de los datos que se recopilan. Debido a esto, el análisis estadístico y el aprendizaje automático a menudo se consideran términos sinónimos. Los métodos de regresión son útiles para acelerar el proceso de optimización ya que su evaluación de ML es mucho más rápida que la solución numérica de un modelo de simulación física45. Los modelos de regresión también ayudan a aislar el papel de cada elemento de diseño en la producción de los resultados deseados.

La metodología se compone de dos secciones separadas. En el paso inicial del proceso, se utiliza el software de simulación conocido como CST para construir la antena para que funcione en una frecuencia en el medio del espectro 5G y extraer el conjunto de datos producido a través de un barrido paramétrico. El siguiente paso es entrenar el conjunto de datos para aplicar modelos de aprendizaje automático y pronosticar qué modelo funcionará mejor.

La metodología que se muestra en la Fig. 17 se discutirá ahora con más detalle. Al principio determine la frecuencia de la banda media de la aplicación 5G, que es 3,5 GHz. Utilice CST para diseñar la antena en frecuencias donde el rendimiento de la antena sea satisfactorio. Con el uso de un barrido paramétrico, es posible exportar los parámetros simulados de CST, como la longitud del director, el tamaño del dipolo y la longitud del suelo y del reflector. Los conjuntos de datos más grandes pueden resultar útiles para los algoritmos de aprendizaje automático de regresión en algunos casos, aunque no siempre es así. Varios factores, incluida la complejidad del problema, la dimensionalidad de las características de entrada y la complejidad del modelo, influyen en cuánto afecta un conjunto de datos más grande a un modelo de regresión. Al final, se recopilan 141 muestras de datos mediante la simulación con la ayuda de CST MWS, y se utiliza una variedad de métodos de aprendizaje automático (ML) de regresión para predecir la ganancia y la frecuencia de resonancia de la antena Yagi sugerida.

Flujo de trabajo de adquisición de datos para aprendizaje automático.

El presente estudio emplea nueve algoritmos distintos de aprendizaje automático para generar predicciones. Los modelos de regresión considerados incluyen regresión lineal, regresión de bosque aleatorio, regresión de árbol de decisión, regresión de lazo, regresión de cresta, regresión XGB, regresión lineal bayesiana, regresión de proceso gaussiano y máquina de regresión de vectores de soporte. Estos algoritmos se seleccionan en función de su capacidad para realizar análisis de regresión en conjuntos de datos no lineales. La regresión es el enfoque más adecuado para implementar predicciones, ya que el resultado previsto son valores numéricos. Un error, una estadística primaria en el análisis de regresión, se denomina así debido a su ubicuidad. El diagrama de flujo que se muestra en la Fig. 18 ilustra el proceso de desarrollo de un algoritmo de aprendizaje automático. Tras analizar el conjunto de datos, se dividió en dos segmentos distintos que se obtuvieron mediante un barrido paramétrico realizado en el software de simulación CST.

Todo el estudio de aprendizaje automático se realizó en el entorno Python simulado de Google, denominado Google Colab. Para construir eficientemente los modelos de regresión, utilizamos el marco de aprendizaje automático sci-kit learn. Se utilizó Matplotlib para cada análisis y visualización, pero especialmente en la conclusión. El conjunto de datos se puede dividir en subgrupos de entrenamiento y prueba utilizando el método de división tren-prueba. En este método, los datos se dividen aleatoriamente en dos categorías: entrenar el modelo y probar su precisión con datos nuevos. El siguiente es un ejemplo de nuestra técnica de regresión lineal que muestra cómo usamos el módulo scikit-learn en Python para particionar nuestros datos:

En el fragmento de código anterior, X representa la matriz de características (las variables que sirven como entradas) e y indica la variable objetivo (la variable cuyo valor deseamos predecir). Cuando especificamos que el tamaño de la prueba debe ser 0,2, reservamos el 20% de los datos para las pruebas y dedicamos el resto, o el 80%, de los datos al proceso de entrenamiento del modelo. Al fijar la semilla aleatoria, el parámetro de estado aleatorio garantiza la reproducibilidad. Necesitamos una cierta división entre formación y pruebas; por lo tanto, ajustamos la opción test_size en consecuencia. Después de haber dividido los datos, podemos usar X_train e y_train para entrenar nuestro modelo de regresión, y luego podemos usar X_test e y_test para evaluar el desempeño del modelo en datos para los cuales no ha sido entrenado.

Según la sugerencia hecha en 46, la primera parte del estudio implicó seleccionar el 80% del conjunto de datos total para fines de capacitación, mientras que el 20% restante se reservó para pruebas en la segunda parte. Posteriormente, el conjunto de datos de entrenamiento se somete a un algoritmo de aprendizaje automático que incorpora varias características y etiquetas. Una vez finalizado el entrenamiento del modelo y la validación cruzada, el modelo se puede utilizar de manera efectiva para pronosticar la frecuencia de resonancia y la ganancia obtenida para las entradas previstas. El aprendizaje automático (ML) permite predicciones más rápidas y precisas que los resultados obtenidos mediante la tecnología de simulación por computadora (CST). Según el pronóstico, el modelo óptimo para la frecuencia de resonancia es la regresión lineal, mientras que, para la ganancia realizada, es la regresión del proceso gaussiano.

Diagrama de flujo que ilustra la implementación de un algoritmo de aprendizaje automático.

La disponibilidad de una amplia gama de modelos es de gran valor para lograr resultados sobresalientes. La evaluación de regresión, un método estadístico, se puede utilizar para evaluar las conexiones entre variables.47 Se emplea el análisis de regresión debido a su capacidad para abordar eficazmente el problema en cuestión. Se utilizan nueve modelos de regresión de aprendizaje automático que se consideraron más efectivos, como se ilustra en la Fig. 19. El texto siguiente proporciona una breve comprensión de cada uno de ellos.

División de algoritmos de regresión.

Regresión lineal La regresión lineal, como se describe en la referencia 48, establece una relación lineal entre las variables independientes y dependientes. Por lo tanto, las variables independientes exhiben una alteración correspondiente con respecto a los factores dependientes. Una suposición vital es que los errores, que se refieren a las diferencias entre los valores anticipados y observados, siguen una distribución normal y exhiben una varianza uniforme.

Regresión de bosque aleatorio El proceso de clasificación y regresión utilizando bosques aleatorios implica la creación de un grupo de pronósticos de árboles. Cada pronosticador de árboles se construye utilizando un vector desconocido que se selecciona de forma autónoma del vector de entrada. El método de regresión con pronóstico de árbol implica la sustitución de etiquetas de clase con valores en números. El algoritmo de regresión de bosque aleatorio construye un árbol de decisión utilizando variables en cada nodo, como se indica en la referencia49.

Regresión del árbol de decisión Según la literatura50, los árboles de regresión se utilizan para la predicción de variables objetivo constantes, como valores numéricos. El aprendizaje automático supervisado que utiliza la regresión del árbol de decisión es un método para predecir variables objetivo constantes. Esta es una variante del método del árbol de decisión que se utiliza para tareas como la clasificación.

Regresión de Lasso La técnica de regresión de Lasso es una forma de regresión lineal que utiliza un enfoque de reducción. Los investigadores emplean con frecuencia las regresiones de lazo en entornos de modelado que involucran numerosas características51, debido a su efectividad para realizar la selección de atributos.

Regresión de crestas La regresión de crestas es una técnica útil cuando se trata de un número sustancial de variables y se pretende minimizar a cero los coeficientes de características menos importantes. En el campo de la arquitectura de antenas, se tienen en cuenta varios atributos de entrada, algunos de los cuales pueden no tener un impacto significativo en el resultado52.

Regresión XGB Las optimizaciones internas de XGBoost aceleran el proceso de entrenamiento cuando se trata de grandes conjuntos de datos. El software proporciona funcionalidades avanzadas como regularización, procesamiento paralelo y manejo de datos incompletos. Los desarrolladores de antenas tienen la capacidad de utilizar datos simulados u observados para pronosticar características de la antena como directividad, ganancia y distribuciones de radiación con la ayuda de XGBoost53.

Regresión lineal bayesiana El enfoque bayesiano de la regresión lineal implica la estimación de probabilidades previas para las variables del modelo, en contraposición a la determinación del valor ideal para las variables establecidas54. Una ventaja de emplear la regresión lineal bayesiana radica en la capacidad de utilizar la distribución siguiente con el fin de medir el nivel de ambigüedad en los pronósticos realizados por el modelo. La utilización de la comprensión probabilística en la interpretación de pronósticos puede producir resultados ventajosos.

Regresión del proceso gaussiano La regresión del proceso gaussiano, a menudo conocida como GPR, es un tipo de enfoque de aprendizaje automático supervisado que se puede aplicar a actividades que incluyen la regresión y la clasificación. El uso del radar de penetración terrestre (GPR) tiene una serie de ventajas, incluido el hecho de que puede producir resultados satisfactorios incluso cuando se trabaja con una recopilación restringida de datos y que puede proporcionar medidas de ambigüedad para las predicciones55.

Máquina de regresión de vectores de soporteLa máquina de regresión de vectores de soporte es una técnica de aprendizaje automático que se utiliza con fines de análisis de regresión. Esta metodología utiliza los principios de las máquinas de vectores de soporte (SVM) para realizar predicciones de valores numéricos continuos. La máquina de regresión de vectores de soporte (SVRM) tiene como objetivo identificar un hiperplano óptimo minimizando el número de violaciones de márgenes. Lo logra incorporando funciones del núcleo para tener en cuenta las relaciones no lineales. La máquina de regresión de vectores de soporte (SVRM) se utiliza en diversos ámbitos, que abarcan finanzas, análisis de series temporales y tareas de regresión que requieren predicciones numéricas precisas56.

El error medio absoluto (MAE), el error cuadrático medio (MSE), el error cuadrático medio (RMSE), el error logarítmico cuadrático medio (RMSLE), el error porcentual medio (MPE), el error porcentual absoluto medio (MAPE ), el coeficiente de determinación (R2) y la puntuación de la varianza se utilizaron para evaluar la precisión de las predicciones. El error absoluto medio (MAE) calcula la diferencia promedio entre los valores calculados y los valores encontrados. La ecuación (9) representa la formulación MAE57.

Donde \(\textrm{n}=\) número de errores \(\left| y_i-{\hat{y}}_i\right| =\) error absoluto

El error cuadrático medio (MSE) es el tipo de función de pérdida de regresión que más se utiliza. La pérdida es la media de los datos supervisados de las diferencias al cuadrado entre los valores verdaderos y predichos. La formulación de MSE58 se muestra en la ecuación. (10).

El error cuadrático medio (RMSE) restaura la unidad a su valor original tomando la raíz de MSE. La ecuación (11) ilustra la expresión RMSE59.

El error logarítmico cuadrático medio (MSLE) puede considerarse como una relación entre los valores verdaderos y predichos. La ecuación MSLE60 se muestra en la ecuación. (12).

El error logarítmico cuadrático medio (RMSLE) restaura la unidad a su valor original tomando la raíz de MSLE. La ecuación de RMSLE61 se muestra en la ecuación. (13).

El error porcentual absoluto medio (MAPE) se puede calcular determinando primero la diferencia entre el valor real y el valor predicho y luego dividiéndolo por el valor real. La ecuación (14) representa la fórmula MAPE62.

El valor de R cuadrado indica la precisión del ajuste de su modelo. Cuando R\(^2\) está cerca de 1, indica que el modelo proporciona un buen ajuste para los datos, mientras que cuando está más cerca de 0, indica que el modelo no es tan bueno. Cuando un modelo predice un resultado absurdo, R cuadrado puede ser negativo. R-cuadrado63 se expresa en la ecuación. (15).

La puntuación de la varianza explicada64 describe la dispersión del error en cada conjunto de datos. Se define como en la Ec. (dieciséis).

La Tabla 2 compara las capacidades de los nueve modelos de regresión para predecir la frecuencia de resonancia utilizando ocho parámetros diferentes. El error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE) son los más bajos cuando se utiliza el método de regresión del proceso gaussiano, llegando a 0,3172% y 0,0903%, respectivamente. Los valores de error cuadrático medio (MSE), error cuadrático medio (RMSE) y error cuadrático medio absoluto (RMSLE) para la regresión lineal son 0,0014 %, 0,3802 % y 0,0842 %, respectivamente. Cuando se trata de R cuadrado y puntuación de varianza, la regresión lineal tiene la mayor precisión con 99,7976% y 99,8975%, respectivamente. La fluctuación de la diferencia de frecuencia simulada y predicha se representó en el gráfico de la Fig. 20 mediante regresión lineal. En la investigación sintonizamos entre 3,35 y 3,75 GHz. Tenemos 28 observaciones de prueba. La Tabla 3 muestra las frecuencias de resonancia esperadas y simuladas y sus valores. Las observaciones 12 y 15 tuvieron las discrepancias más altas y más bajas entre los valores simulados y predichos, 0,0077 y 0,0001. Con base en estos datos, se elige LR porque predice la frecuencia con mayor precisión que otros modelos ML.

Frecuencia simulada vs. predicha mediante regresión lineal.

En la Tabla 4 se compara la precisión de la predicción de ganancias para los nueve modelos de regresión. Además, se utilizaron ocho criterios distintos para hacer esta comparación. Los valores de MSE, MSLE y MAPE de 0,0375 %, 0,0007 % y 0,1978 %, respectivamente, son bastante cercanos a los encontrados tanto en la regresión del proceso gaussiano como en la regresión lineal, respectivamente. Sin embargo, la regresión del proceso gaussiano tiene el error más bajo en términos de MAE y RMSE, y tiene la mejor precisión para R cuadrado y puntuación de varianza, con 98,4022 % y 98,4200 %, respectivamente. El gráfico de la Fig. 21 muestra la volatilidad de la diferencia de ganancia simulada y prevista utilizando la regresión del proceso gaussiano. La Tabla 5 compara la ganancia prevista y simulada. Las observaciones 12 y 16 tuvieron las varianzas más alta y más baja, 0,0617 y 0,0004, respectivamente. Se eligió GPR porque predice la ganancia mejor que otros modelos de ML.

Ganancia simulada versus ganancia pronosticada mediante regresión lineal del proceso gaussiano (GPR).

En22, los autores utilizaron modelos de regresión de aprendizaje automático para pronosticar el nivel de pérdida de retorno. El error cuadrático medio (MSE) se ha calculado para la estimación del error, mientras que la puntuación R2 se ha utilizado exclusivamente para la evaluación de la precisión. No tienen en cuenta la puntuación de varianza crucial para la predicción de precisión. Las métricas de error cuadrático medio (MSE) y R cuadrado (R2) se calculan en el contexto de regresión de bosque aleatorio, regresión de árbol de decisión y regresión XGB. La tasa de error muestra una elevación significativa en todos los modelos. El porcentaje supera el 50%. La tabla muestra valores numéricos. La predicción de la frecuencia de resonancia se realizó en un estudio de investigación previo65 utilizando regresión de bosque aleatorio, regresión de árbol de decisión y regresión XGB. Los valores de R cuadrado para todos los modelos son superiores al 97% y la regresión de bosque aleatorio muestra una tasa de error del 32%. El modelo de regresión del árbol de decisión arrojó una puntuación porcentual del 51 %, mientras que el modelo de regresión XGB produjo una puntuación del 33 %. Los autores en66 emplearon seis modelos de regresión de aprendizaje automático para pronosticar la frecuencia de resonancia. La puntuación de varianza se utiliza para la evaluación de precisión mientras que se ignora R2. El modelo de regresión lineal muestra una precisión de aproximadamente el 76 % y una tasa de error del 52,2 %, mientras que el modelo de regresión de árbol de decisión demuestra una precisión del 99 % y una tasa de error del 0,71 %. En un estudio anterior67, se informó que el modelo de regresión del árbol de decisión exhibía una tasa de error del 11,33 % y una tasa de precisión del 67,5 %. La predicción de la pérdida de retorno se realiza en 68. Se ha logrado una tasa de precisión de aproximadamente el 57,49%, mientras que es evidente una tasa de error significativa de aproximadamente el 62,2%. Este estudio emplea varios modelos de regresión, a saber, regresión lineal, regresión de bosque aleatorio, regresión de árbol de decisión, regresión de cresta, regresión XGB, regresión lineal bayesiana y regresión de proceso gaussiano. Los métodos de regresión se utilizan para predecir tanto la frecuencia de resonancia como la ganancia. El material presentado exhibe un nivel superior de precisión y un menor margen de error en comparación con otras fuentes en todos los aspectos, como se analiza y presenta en la tabla 6.

La Tabla 7 presenta un análisis comparativo del rendimiento computacional entre el enfoque propuesto y el modelo basado en el Simulador CST EM según el análisis realizado por los autores en69,70,71. Las simulaciones se realizaron utilizando la configuración de simulación especificada. El sistema está equipado con una CPU Intel(R) Core (TM) i3-8145U que funciona a una frecuencia de 2,10 GHz. Además, tiene un total de 12,0 GB de RAM instalados. La información proporcionada incluye descripciones de un modelo que consta de un elemento unitario único y un conjunto de 8 modelos de regresión. Además, se proporciona la duración total requerida para obtener modelos optimizados utilizando tanto el modelo basado en CST EM Simulator como el enfoque propuesto.

El costo total del enfoque propuesto se puede determinar mediante la utilización de la RAM total y la duración del tiempo. Se utilizó un total de 141 muestras de datos para evaluar el desempeño de los modelos de regresión. El proceso de verificación utiliza un total de 28 muestras, mientras que el proceso de capacitación involucra 113 puntos de datos. Para obtener el resultado de los modelos de regresión se utilizó Google Collab, resultando en un consumo de memoria aproximado de 200 MB. La recuperación de la salida para cada modelo de regresión se logró en un período de tiempo de 0,1 a 0,2 s. Por el contrario, el tiempo necesario para obtener resultados en los modelos de simulador CST EM y lograr el resultado deseado es de aproximadamente 2 min 52 s para el simulador CST EM de un solo elemento, 10 min 31 s para el simulador CST EM de un solo elemento (configuración de malla de complejidad media) y 25 min 10 s para el simulador CST EM de elemento unitario (configuración de malla de alta complejidad). El método propuesto demuestra un aumento significativo en la velocidad en comparación con el enfoque de diseño basado en modelos de simulador CST EM. En particular, la diferencia de tiempo observada entre los dos métodos es casi 100 veces mayor: el primer método tarda aproximadamente 25 minutos en una configuración de malla de alta complejidad y el segundo método requiere solo 0,2 s. Evaluación del desempeño del método sugerido y del diseño basado en el simulador CST EM con respecto al proceso de diseño general y el costo de simulación.

En este estudio se evalúa el rendimiento de la antena propuesta mediante la utilización de una variedad de metodologías, que incluyen simulación, medición, el desarrollo de un modelo de circuito equivalente RLC, así como estrategias de aprendizaje automático para la predicción. La antena funciona en la banda Sub-6 GHz (n78) para aplicaciones 5G. Tiene una ganancia máxima de 6,57 dB, una directividad de 6,79 dBi y una eficiencia del 97%. Tanto en la simulación ADS como en la CST, se ha observado que el ancho de banda de la banda n78 es prácticamente idéntico entre sí. El coeficiente de reflexión, la ganancia, la eficiencia y el patrón de radiación que se produjeron como resultado de la simulación son bastante comparables a los que se produjeron como consecuencia de las mediciones. Además, se diseñaron nueve algoritmos de aprendizaje automático para calcular la frecuencia de resonancia y la ganancia de la antena Yagi-Uda. En términos de predicción de la frecuencia de resonancia, los resultados predichos muestran que el rendimiento del error del modelo de regresión lineal (LR) es relativamente mejor que el de otros modelos. Por otro lado, cuando se trata de predecir la ganancia, el modelo de Regresión del Proceso Gaussiano (GPR) muestra un mejor rendimiento que otros modelos. Ha cubierto el 14,77% del ancho de banda entre 3,26 GHz y 3,78 GHz, lo que lo convierte en un candidato prometedor para la banda n78 en el sistema de comunicación 5G. En vista de que los resultados simulados y medidos se correlacionan muy bien y que la antena Yagi construida Proporciona una cobertura completa de todas las bandas de frecuencia n78, es posible ver esta antena como un modelo ideal para aplicaciones que operan en frecuencias inferiores a 6 GHz.

Los conjuntos de datos utilizados y analizados durante el estudio actual están disponibles del autor correspondiente a solicitud razonable.

Thatere, A., Khade, S., Lande, VS y Chinchole, A. Una antena con ranura de microbanda rectangular en forma de T para aplicaciones de banda media y 5G. JREAS6, 144–146, https://doi.org/10.46565/jreas.2021.v06i03.007 (2021).

Moniruzzaman, M. et al. Resonador de anillo dividido simétrico acoplado con espacios basado en metamaterial ENG de índice cercano a cero para mejorar la ganancia de una antena monopolo. Ciencia. Rep. 12, 7406. https://doi.org/10.1038/s41598-022-11029-7 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Al-Bawri, SS, Islam, MT, Islam, MS, Singh, MJ & Alsaif, H. Conjunto de antenas MIMO cargadas con un sistema de metamaterial masivo para estaciones base 5G. Ciencia. Rep. 12, 14311. https://doi.org/10.1038/s41598-022-18329-y (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Shabbir, T. y col. Sistema de antena MIMO no plana de 16 puertos con estructura de desacoplamiento de metamateriales de índice cercano a cero (NZI) para aplicaciones 5G. Acceso IEEE 8, 157946–157958. https://doi.org/10.1109/ACCESS.2020.3020282 (2020).

Artículo de Google Scholar

Jilani, MAK et al. Diseño de antena patch array 2 1 para sistemas de comunicaciones 5G utilizando banda de frecuencia de onda mm. En 2022, 12.º taller y conferencia anual de informática y comunicación (CCWC) del IEEE, 0857–0862, https://doi.org/10.1109/CCWC54503.2022.9720836 (IEEE, Las Vegas, NV, EE. UU., 2022).

Padmanathan, S. y col. Antena MIMO compacta multibanda reconfigurable para terminal móvil 5G sub-6GHz. Acceso IEEE 10, 60241–60252. https://doi.org/10.1109/ACCESS.2022.3180048 (2022).

Artículo de Google Scholar

Azim, R. y col. Antena de parche de perfil bajo con múltiples ranuras para aplicaciones 5G inferiores. En el Simposio IEEE Región 10 de 2020 (TENSYMP), 366–369, https://doi.org/10.1109/TENSYMP50017.2020.9230892 (IEEE, Dhaka, Bangladesh, 2020).

Sun, J.-N., Li, J.-L. & Xia, L. Una antena dipolo magnetoeléctrica de doble polarización para aplicación en la banda N77/N78. Acceso IEEE 7, 161708–161715. https://doi.org/10.1109/ACCESS.2019.2951414 (2019).

Artículo de Google Scholar

Mathew, PK Una antena Yagi Uda de tres elementos para sistemas RFID. Director 50, 2 (2014).

Google Académico

Agrawal, SR, Lele, KA y Deshmukh, AA Revisión del periódico de registro impreso y Yagi MSA. IJCA 126, 38–44. https://doi.org/10.5120/ijca2015906177 (2015).

Artículo de Google Scholar

Mushiake, Y. Un informe sobre el desarrollo japonés de antenas: de la antena Yagi-Uda a las antenas autocomplementarias. Propaganda de antenas IEEE. revista 46, 47–60. https://doi.org/10.1109/MAP.2004.1373999 (2004).

ADS del artículo Google Scholar

Kazema, T. y Michael, K. Mejora de la antena Yagi-Uda utilizando un algoritmo genético para su aplicación en la recepción de señales de televisión DVB-T2 en Tanzania. J. Interdisciplina. Ciencia. (2017).

Dalvadi, P. & Patel, DA Una revisión exhaustiva de diferentes técnicas de alimentación para antenas cuasi Yagi. IJETER 9, 221–226, https://doi.org/10.30534/ijeter/2021/12932021 (2021)

Yurt, R., Torpi, H., Mahouti, P., Kizilay, A. y Koziel, S. Caracterización de objetos enterrados utilizando un radar de penetración terrestre asistido por modelos sustitutos basados en datos. IEEE Access11, https://doi.org/10.1109/ACCESS.2023.3243132 (2023).

Bai, Y., Gardner, P., He, Y. & Sun, H. Un enfoque de modelado sustituto para antenas reconfigurables en frecuencia. Traducción IEEE. Propaganda de antenas. https://doi.org/10.1109/TAP.2023.3248446 (2023).

Artículo de Google Scholar

Koziel, S. y Pietrenko-Dabrowska, A. Modelado sustituto acelerado de resolución variable de pasivos de microondas miniaturizados en dominios confinados. Transacciones IEEE sobre teoría y técnicas de microondas70, https://doi.org/10.1109/TMTT.2022.3191327 (2022).

Yu, Y. et al. Lo último en tecnología: modelado sustituto asistido por IA y optimización para filtros de microondas. Transacciones IEEE sobre teoría y técnicas de microondas70, https://doi.org/10.1109/TMTT.2022.3208898 (2022).

Kouhalvandi, L. & Matekovits, L. Modelado sustituto para diseñar y optimizar antenas mimo. https://doi.org/10.1109/AP-S/USNC-URSI47032.2022.9886514 (2022).

Artículo de Google Scholar

Khan, MM, Hossain, S., Mozumdar, P., Akter, S. y Ashique, RH Una revisión sobre aprendizaje automático y aprendizaje profundo para diversas aplicaciones de diseño de antenas. Heliyon8, https://doi.org/10.1016/j.heliyon.2022.e09317 (2022).

Abdelhamid, AA y Alotaibi, SR Predicción sólida del ancho de banda de la antena metamaterial mediante aprendizaje profundo. Computadoras, Materiales y Continua, https://doi.org/10.32604/cmc.2022.025739 (2022).

El-Kenawy, ESM et al. Algoritmo de conjunto optimizado para predecir parámetros de antena de metamateriales. Computadora. Madre. Continua., https://doi.org/10.32604/cmc.2022.023884 (2022).

Ranjan, P., Maurya, A., Gupta, H., Yadav, S. y Sharma, A. Optimización de antena monopolo con muescas de banda alimentada por cpw de banda ultraancha mediante aprendizaje automático. Progr. Electromagn. Res., https://doi.org/10.2528/PIERM21122802 (2022).

Olcan, D., Ninkovic, D., Stankovic, Z., Doncov, N. y Kolundzija, B. Entrenamiento de redes neuronales profundas con hasta 10 millones de antenas. En 2022, Simposio internacional IEEE sobre antenas y propagación y reunión de radiociencia USNC-URSI (AP-S/URSI), 65–66, https://doi.org/10.1109/AP-S/USNC-URSI47032.2022.9886271 (IEEE, Denver, CO, EE. UU., 2022).

Hong, T., Liu, C. y Kadoch, M. Diseño de antena basado en aprendizaje automático para la seguridad de la capa física en comunicaciones de retrodispersión ambiental. Alambre. Comunitario. Multitud. Computadora. 1 a 10, 2019. https://doi.org/10.1155/2019/4870656 (2019).

Artículo de Google Scholar

Barbano, N. Log periodic Yagi-Uda array. IEEE Trans. Antennas Propagat. 14, 235–238. https://doi.org/10.1109/TAP.1966.1138641 (1966).

ADS del artículo Google Scholar

Sharma, G., Sharma, AN, Duvey, A. y Singhal, PK Antena Yagi-Uda para rango de frecuencia de banda L. IJET1, 315, https://doi.org/10.14419/ijet.v1i4.234 (2012).

Jehangir, SS y Sharawi, MS Un sistema de antena MIMO tipo Yagi con ranura de semianillo de una sola capa con una alta relación de adelante hacia atrás. Traducción IEEE. Propagación de antenas. 65, 937–942. https://doi.org/10.1109/TAP.2016.2633938 (2017).

ADS del artículo Google Scholar

Soheilifar, MR Antena de ranura compacta Yagi-Uda con elemento metamaterial para aplicaciones inalámbricas de ancho de banda amplio. En t. J. Microondas RF. Computadora. Ing. ayudado. 31, https://doi.org/10.1002/mmce.22380 (2021).

Antena tipo pajarita inspirada en Althuwayb, AA MTM y SIW cargada con AMC para aplicaciones de onda mm 5G. En t. J. Propagación de Antenas, https://doi.org/10.1155/2021/6658819 (2021).

Artículo de Google Scholar

Desai, A., Upadhyaya, T., Patel, J., Patel, R. & Palandoken, M. Antena transparente alimentada por CPW flexible para aplicaciones WLAN y 5G sub-6 GHz. Microondas. Optar. Tecnología. Letón. 62, 2090–2103. https://doi.org/10.1002/mop.32287 (2020).

Artículo de Google Scholar

Chen, Z., Zeng, M., Andrenko, AS, Xu, Y. & Tan, H. Una antena cuasi-Yagi de doble banda y alta ganancia con resonadores de anillo dividido para recolección de energía de radiofrecuencia. Microondas. Optar. Tecnología. Letón. 61, 2174–2181. https://doi.org/10.1002/mop.31872 (2019).

Artículo de Google Scholar

Mahmud, MZ y cols. Una antena miniaturizada de banda ultra ancha basada en resonador dieléctrico para aplicaciones de quinta generación. En t. J. Común. Sistema 34, https://doi.org/10.1002/dac.4740 (2021).

Chen, HN, Song, J.-M. y Park, J.-D. Una antena resonadora dieléctrica MIMO compacta con polarización circular sobre una superficie de banda prohibida electromagnética para aplicaciones 5G. Acceso IEEE 7, 140889–140898. https://doi.org/10.1109/ACCESS.2019.2943880 (2019).

Artículo de Google Scholar

Haque, MA, Zakariya, MA, Singh, NSS, Rahman, MA y Paul, LC Estudio paramétrico de una antena cuasi-yagi de doble banda para aplicación LTE. Toro. EEI12, 1513–1522, https://doi.org/10.11591/eei.v12i3.4639 (2023).

Ramos, A., Varum, T. & Matos, J. Antena compacta multicapa basada en Yagi-Uda para sensores IoT/5G. Sensores 18, 2914. https://doi.org/10.3390/s18092914 (2018).

Artículo ADS PubMed PubMed Central Google Scholar

Al-Bawri, SS et al. Superestrato basado en células metamateriales para mejorar el ancho de banda y la ganancia de una antena alimentada por CPW de cuatro bandas para aplicaciones inalámbricas. Sensores 20, 457. https://doi.org/10.3390/s20020457 (2020).

Artículo ADS PubMed PubMed Central Google Scholar

Haque, MA y cols. Una antena de parche en forma de T para aplicaciones wifi y banda C. https://doi.org/10.1109/ACMI53878.2021.9528266 (2021).

Oluwole, AS y Srivastava, VM Diseño de una antena inteligente para mejorar la directividad y la ganancia en el rango de frecuencia de terahercios. En 2016, Simposio sobre el progreso en la investigación electromagnética (PIERS), 473–473, https://doi.org/10.1109/PIERS.2016.7734369 (IEEE, Shanghai, China, 2016).

Haque, MA y cols. Análisis de una antena de parche de microcinta ranurada en forma de E para aplicaciones de banda ku. https://doi.org/10.1109/MICC53484.2021.9642100 (2021).

Pozar, DM Ingeniería de Microondas (Wiley, 2011).

Hannan, S., Islam, MT, Faruque, MRI, Chowdhury, MEH y Musharavati, F. Absorbedor de metamaterial copolarizado insensible al ángulo basado en análisis de circuito equivalente para aplicaciones WiFi de doble banda. Ciencia. Rep. 11, 13791. https://doi.org/10.1038/s41598-021-93322-5 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Hossain, A., Islam, MT, Misran, N., Islam, MS y Samsuzzaman, M. Un resonador de anillo dividido triple en forma de red de araña acoplado mutuamente basado en metamateriales épsilon negativos con una alta relación media efectiva para aplicaciones de microondas de cuatro bandas. Resultados Fís. 22, 103902. https://doi.org/10.1016/j.rinp.2021.103902 (2021).

Artículo de Google Scholar

Ranjan, P., Gupta, H., Yadav, S. y Sharma, A. Optimización asistida por aprendizaje automático y su aplicación al diseño de antenas de resonador dieléctrico híbrido. Facta universitatis - serie: Electrón. Energeti 36, 31–42. https://doi.org/10.2298/FUEE2301031R (2023).

Artículo de Google Scholar

Pan, X. y col. Aprendizaje profundo para la reutilización de medicamentos: métodos, bases de datos y aplicaciones. Revisiones interdisciplinarias de Wiley: ciencia molecular computacional12, https://doi.org/10.1002/wcms.1597 (2022).

Talpur, MAH, Khahro, SH, Ali, TH, Waseem, HB y Napiah, M. Computación de las impedencias de viajes utilizando el modelo de regresión de generación de viajes: un fenómeno del proceso de toma de decisiones de viajes de los hogares rurales. Medio Ambiente, Desarrollo y Sostenibilidadhttps://doi.org/10.1007/s10668-022-02288-5 (2022).

Nguyen, QH y cols. Influencia de la división de datos en el rendimiento de los modelos de aprendizaje automático en la predicción de la resistencia al corte del suelo. Problemas matemáticos en ingeniería 2021, https://doi.org/10.1155/2021/4832864 (2021).

Choudhury, S., Thatoi, DN, Hota, J. y Rao, MD Predicción del crack a través de un regresor basado en árbol óptimo y bien generalizado. IJSI 11, 783–807. https://doi.org/10.1108/IJSI-09-2019-0086 (2019).

Artículo de Google Scholar

Laud, PW & Ibrahim, JG Selección de modelos predictivos. J. Roy. Estadística. Soc.: Ser. B (Método.) 57, 247–262. https://doi.org/10.1111/j.2517-6161.1995.tb02028.x (1995).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Singh, B., Sihag, P. y Singh, K. Modelado del impacto de la calidad del agua en la tasa de infiltración del suelo mediante regresión forestal aleatoria. Modelado de sistemas terrestres y medio ambiente3, https://doi.org/10.1007/s40808-017-0347-3 (2017).

Rathore, SS y Kumar, S. Un enfoque basado en regresión de árbol de decisión para la predicción del número de fallas de software. Notas de ingeniería de software de ACM SIGSOFT41, https://doi.org/10.1145/2853073.2853083 (2016).

Madhuri, CH, Anuradha, G. & Pujitha, MV Predicción del precio de la vivienda mediante técnicas de regresión: un estudio comparativo. https://doi.org/10.1109/ICSSS.2019.8882834 (2019).

Artículo de Google Scholar

Pasha, GR, Akbar, M. & Shah, A. Aplicación de la regresión de crestas a datos multicolineales. J.res. Ciencia 15, 97-106 (2004).

Google Académico

Osman, AIA, Ahmed, AN, Chow, MF, Huang, YF y El-Shafie, A. Modelo de aumento de gradiente extremo (xgboost) para predecir los niveles de agua subterránea en Selangor Malasia. Revista de ingeniería Ain Shams12, https://doi.org/10.1016/j.asej.2020.11.011 (2021).

Raftery, AE, Madigan, D. & Hoeting, JA Promedio del modelo bayesiano para modelos de regresión lineal. Revista de la Asociación Estadounidense de Estadística92, https://doi.org/10.1080/01621459.1997.10473615 (1997).

Schulz, E., Speekenbrink, M. y Krause, A. Un tutorial sobre regresión de procesos gaussianos: modelado, exploración y explotación de funciones. J. Matemáticas. Psicólogo. 85, 1–16. https://doi.org/10.1016/j.jmp.2018.03.001 (2018).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Yurta, R. et al. Caracterización de objetos enterrados mediante sustitutos basados en datos y extracción de firmas hiperbólicas habilitadas por regresión. Ciencia. Rep. 13, 5717. https://doi.org/10.1038/s41598-023-32925-6 (2023).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Doreswamy, KS, H., Km, Y. & Gad, I. Pronóstico de la contaminación del aire por partículas (PM2.5) mediante modelos de regresión de aprendizaje automático. Procedia Ciencias de la Computación171, 2057–2066, https://doi.org/10.1016/j.procs.2020.04.221 (2020).

Shetty, SA, Padmashree, T., Sagar, BM & Cauvery, NK Análisis de rendimiento de algoritmos de aprendizaje automático con modelo de aprendizaje profundo para la predicción del rendimiento de cultivos. En Jeena Jacob, I., Kolandapalayam Shanmugam, S., Piramuthu, S. y Falkowski-Gilski, P. (eds.) Inteligencia de datos e informática cognitiva, 739–750, https://doi.org/10.1007/978- 981-15-8530-2_58 (Springer Singapur, Singapur, 2021). Título de la serie: Algoritmos para sistemas inteligentes.

Kumar, R., Kumar, P. & Kumar, Y. Predicción de datos de series temporales utilizando IoT y técnicas de aprendizaje automático. Computación de procedimiento. Ciencia. 167, 373–381. https://doi.org/10.1016/j.procs.2020.03.240 (2020).

Artículo de Google Scholar

Istaiteh, O., Owais, T., Al-Madi, N. y Abu-Soud, S. Enfoques de aprendizaje automático para la previsión de COVID-19. En 2020 Conferencia Internacional sobre Tecnologías y Aplicaciones Inteligentes de Ciencia de Datos (IDSTA), 50–57, https://doi.org/10.1109/IDSTA50958.2020.9264101 (IEEE, Valencia, España, 2020).

Barua, L., Sharif, M. y Akter, T. Análisis del cáncer de cuello uterino mediante un enfoque de aprendizaje conjunto basado en un metaclasificador. IJCA 182, 29-33. https://doi.org/10.5120/ijca2019918619 (2019).

Artículo de Google Scholar

de Myttenaere, A., Golden, B., Le Grand, B. y Rossi, F. Error porcentual absoluto medio para modelos de regresión. Neurocomputación 192, 38–48. https://doi.org/10.1016/j.neucom.2015.12.114 (2016).

Artículo de Google Scholar

Gelman, A., Goodrich, B., Gabry, J. & Vehtari, A. R cuadrado para modelos de regresión bayesianos. Soy. Estadística. 73, 307–309. https://doi.org/10.1080/00031305.2018.1549100 (2019).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Weiming, JM Mastering Python para finanzas (Packt Publishing Ltd, 2015).

Singh, O. y col. Optimización de antenas de resonador dieléctrico alimentadas por línea Microstrip mediante algoritmos de aprendizaje automático. Sadhana Acad. Proc. Ing. Ciencia.https://doi.org/10.1007/s12046-022-01989-x (2022).

Artículo de Google Scholar

Haque, MA y cols. Diseño de antenas de doble banda y predicción de frecuencia de resonancia mediante enfoques de aprendizaje automático. Aplica. Ciencia. 12, 10505. https://doi.org/10.3390/app122010505 (2022).

Artículo CAS Google Scholar

Jain, R., Ranjan, P., Singhal, PK y Thakare, VV Estimación de los valores s11 de una antena de parche utilizando varios modelos de aprendizaje automático. IEEEhttps://doi.org/10.1109/IATMSI56455.2022.10119256 (2022).

Artículo de Google Scholar

Nuray, Y. & Akçam, N. Diseño de una antena RFID de doble banda en forma de F utilizando técnicas de aprendizaje automático. J. Artif. Intel. Ciencia de datos. (JAIDA) 2, 69–75 (2022).

Google Académico

Koziel, S., Belen, MA, Caliskan, A. y Mahouti, P. Diseño rápido de antenas reflectarray 3D mediante modelado sustituto inverso y regularización. Acceso IEEEhttps://doi.org/10.1109/ACCESS.2023.3254204 (2023).

Artículo de Google Scholar

Koziel, S. y Pietrenko-Dabrowska, A. Sobre la optimización del diseño de estructuras de antenas inspiradas en la naturaleza utilizando modelos em de resolución variable. Ciencia. Rep. 13, 8373. https://doi.org/10.1038/s41598-023-35470-4 (2023).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Koziel, S., Pietrenko-Dabrowska, A. & Golunski, L. Miniaturización de antenas globalizada basada en conocimientos e impulsada por simulación utilizando sustitutos confinados en el dominio y reducción de dimensionalidad. Aplica. Ciencia. 13, 8144. https://doi.org/10.3390/app13148144 (2023).

Artículo CAS Google Scholar

Descargar referencias

Este estudio cuenta con el apoyo de la financiación del número de proyecto de la Universidad Príncipe Sattam bin Abdulaziz (PSAU/2023/R/1444).

Departamento de Ingeniería Eléctrica y Electrónica, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak, Malasia

Maryland. Ashraful Haque & Dipon Saha

Departamento de Ingeniería Eléctrica y Electrónica, Universidad Internacional Daffodil, Birulia, Dhaka, Bangladesh

Maryland. Ashraful Haque, Adiba Haque Sharker y Dipon Saha

Centro de Ciencias Espaciales, Instituto de Cambio Climático, Universiti Kebangsaan Malaysia (UKM), 43600, Bangi, Malasia

Md. Afzalur Rahman y Samir Salem Al-Bawri

Departamento de Ingeniería Electrónica y Comunicaciones, Facultad de Ingeniería y Petróleo, Universidad Hadhramout, 50512, Al-Mukalla, Hadhramout, Yemen

Samir Salem Al-Bawri

Facultad de Ingeniería, Universidad Multimedia, 63100, Cyberjaya, Selangor, Malasia

Zubaida Yusoff

Departamento de Ingeniería Eléctrica, Facultad de Ingeniería de Wadi Addawasir, Universidad Príncipe Sattam Bin Abdulaziz, Al-Kharj, Arabia Saudita

Wazie M. Abdulkawi

Departamento de Ingeniería Eléctrica, Electrónica y de Comunicaciones, Universidad de Ciencia y Tecnología de Pabna, Pabna, Bangladesh

Liton Chandra Paul

Grupo de Investigación de Modelado y Monitoreo de Infraestructura Inteligente (SIMM) Instituto de Transporte e Infraestructura Universiti Teknologi PETRONAS, 32610, Bandar, Seri Iskandar, Perak, Malasia

MA Zakaria

También puedes buscar este autor en PubMed Google Scholar.

MAH y MAR presentaron la idea, realizaron los experimentos y prepararon el manuscrito. SSAB y ZY prepararon la adquisición de financiación. SSAB, MAZ y AHS contribuyeron a la supervisión del trabajo de investigación. Las contribuciones de MAR y DS incluyen el desarrollo de software y algoritmos. WMA y LCP contribuyeron a la redacción y revisión. Todos los autores leyeron y aceptaron la versión publicada del manuscrito.

Correspondencia a Samir Salem Al-Bawri o Zubaida Yusoff.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Haque, MA, Rahman, MA, Al-Bawri, SS et al. Técnica basada en aprendizaje automático para la predicción de ganancia y resonancia de una antena Yagi 5G de banda media. Informe científico 13, 12590 (2023). https://doi.org/10.1038/s41598-023-39730-1

Descargar cita

Recibido: 21 de marzo de 2023

Aceptado: 30 de julio de 2023

Publicado: 03 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39730-1

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias