Aprendizado de máquina

Scientific Reports volume 13, Artigo número: 12590 (2023) Citar este artigo

325 acessos

Detalhes das métricas

Neste estudo, apresentamos nossas descobertas ao investigar o uso de uma técnica de aprendizado de máquina (ML) para melhorar o desempenho de antenas Quasi-Yagi – Uda operando na banda n78 para aplicações 5G. Este estudo de pesquisa investiga diversas técnicas, como simulação, medição e um modelo de circuito equivalente RLC, para avaliar o desempenho de uma antena. Nesta investigação, as ferramentas de modelagem CST são usadas para desenvolver uma antena Yagi-Uda de alto ganho e baixa perda de retorno para o sistema de comunicação 5G. Ao considerar a frequência de operação da antena, suas dimensões são \({0,642}\lambda _0\times {0,583}\lambda _0\). A antena tem frequência operacional de 3,5 GHz, perda de retorno de \(-43,45\) dB, largura de banda de 520 MHz, ganho máximo de 6,57 dB e eficiência de quase 97%. As ferramentas de análise de impedância nas ferramentas de simulação e projeto de circuito do CST Studio no software Agilent ADS são usadas para derivar o circuito equivalente da antena (RLC). Usamos o método ML de regressão supervisionada para criar uma previsão precisa da frequência e do ganho da antena. Os modelos de aprendizado de máquina podem ser avaliados usando uma variedade de medidas, incluindo pontuação de variância, R quadrado, erro quadrático médio, erro médio absoluto, raiz do erro quadrático médio e erro logarítmico quadrático médio. Entre os nove modelos de ML, o resultado da previsão da regressão linear é superior a outros modelos de ML para previsão de frequência ressonante, e a regressão do processo gaussiano mostra um desempenho extraordinário para previsão de ganho. A pontuação R-quadrado e var representa a precisão da previsão, que é próxima de 99% para previsão de frequência e ganho. Considerando esses fatores, a antena pode ser considerada uma excelente escolha para a banda n78 de um sistema de comunicação 5G.

Hoje em dia, para enfrentar os crescentes desafios de comunicação em termos de tamanho, largura de banda e ganho, a procura por sistemas mais recentes de microondas e ondas milimétricas aumentou. Como resultado, as antenas são frequentemente utilizadas para atender às demandas da comunicação via satélite. Diferentes aplicações de comunicação via satélite estão disponíveis em diferentes faixas de frequência1. Os investigadores estão constantemente tentando melhorar a largura de banda e o ganho das antenas. Nos últimos anos, a tecnologia cresceu muito rapidamente e tanto os países desenvolvidos como os em desenvolvimento utilizam agora comunicações sem fios a um nível extremamente elevado2. Nas últimas décadas, assistimos à adoção generalizada de inúmeras gerações de padrões de comunicação sem fio, como 1G, 2G, 3 G, 4G, 5G, etc.3,4,5. A quinta geração da tecnologia celular (5G), que oferece velocidade de dados em Gigabits/seg (Gbps), praticamente elimina as desvantagens da tecnologia anterior. Mais ainda, o 5G permite aplicações IoT de baixo consumo de energia, que estão em rápida expansão6,7. Sendo a principal faixa de frequência para a implantação do 5G, espera-se que a faixa sub-6 GHz (de 2 a 6 GHz) alcance uma boa estabilidade entre cobertura e capacidade, nomeadamente nas bandas N77, N78 e N798.

Shintaro Uda e Hidetsugu Yagi foram os inventores da antena Yagi, também conhecida como antena Yagi – Uda. Esta antena é direcional e construída com um dipolo e vários elementos parasitas. Os elementos parasitas são um refletor colocado atrás do dipolo e mais de um diretor colocado na frente do elemento dipolo, o que pode melhorar as propriedades de radiação. Possui radiação direcional porque concentra seu sinal em uma única direção, tornando-o menos suscetível a interferências de outros transmissores9. Há muitas razões para o uso generalizado da antena Yagi Uda, incluindo seu baixo preço, ganho substancial e construção simples. Embora as televisões fossem os principais utilizadores desta antena nos primeiros dias após a sua invenção, tais dispositivos são agora utilizados em sectores tão diversos como radar, identificação por radiofrequência, comunicações por satélite e muito mais10. Em11, antenas microfita Yagi-Uda foram construídas com frequências de ressonância próximas a 900 MHz, altura de substrato de 1,575 mm, impedância característica de 50 ohms e espessura de condutor de tira de 35 \(\mu\) m usando um RT Duroid 5880 material. Circuitos microstrip são usados ​​para implementar antenas Yagi Uda, permitindo que as antenas sejam pequenas e discretas. Uma versão de 5 elementos da antena Yagi-Uda foi desenvolvida em 12 usando o software de simulação FEKO. A frequência central da antena é 500 MHz, que pode funcionar com sinais na faixa de 450–550 MHz, e o maior ganho da antena é 6,7 dB. In13, numerosas antenas Quasi Yagi são revisadas com base em metodologias de alimentação. Alguns autores relataram ganhos de 14–17 dB para a antena Yagi – Uda com o aumento do número de diretores. A falha fundamental da antena Yagi-Uda é sua largura de banda estreita . Simulações eletromagnéticas de onda completa 3-D de um radar de penetração no solo (GPR) são usadas para caracterização de itens enterrados com base em inteligência artificial e são representadas em 14. Este trabalho desenvolveu uma abordagem de modelagem substituta baseada em dados rápida e precisa para caracterização de objetos enterrados, um método de construção de modelo substituto computacionalmente eficiente usando pequenos conjuntos de dados de treinamento e um novo método de aprendizado profundo, modelo de regressão de tempo-frequência (TFRM), que usa sinal bruto sem pré-processamento para obter desempenho de estimativa competitivo. O método fornecido supera o perceptron multicamadas (MLP), o processo gaussiano (GP), a máquina de regressão de vetores de suporte (SVRM) e a regressão de rede neural convolucional (CNN). Os autores afirmam em 15 que as antenas reconfiguráveis ​​em frequência têm sua própria abordagem de modelagem substituta generalizável. A técnica pós-processa dados discretos de simulação CAD em um modelo substituto. Posteriormente, uma antena UWB reconfigurável com banda de entalhe ajustável mostra que a modelagem substituta é prática, eficaz e precisa. O modelo substituto proposto é um bom candidato para o padrão de interface de processamento de sinal de antena reconfigurável de um sistema de rádio cognitivo. Componentes de micro-ondas miniaturizados são geralmente projetados usando simulações eletromagnéticas (EM) de onda completa . Os procedimentos assistidos por substitutos usam metamodelos rápidos baseados em dados para substituir simulações EM dispendiosas. Estudos de verificação para três componentes de microfita mostram que a abordagem sugerida supera as abordagens orientadas ao desempenho e os processos de modelagem padrão em precisão de fabricação substituta e custo de computação. Em 17, os autores discutem projetos de filtros de micro-ondas assistidos por substitutos, utilizando diferentes funções objetivo de projeto. Modelagem substituta (aprendizado de máquina) e algoritmos de otimização avançados são examinados para projeto de filtro. Três métodos básicos de design de filtro são: amostragem inteligente de dados, modelagem substituta avançada e estruturas de otimização avançadas. Eles devem ser personalizados ou misturados para corresponder aos parâmetros do filtro de micro-ondas para obter sucesso e estabilidade. Finalmente, são examinadas aplicações e tendências emergentes de design de filtros. O pesquisador usou modelagem substituta para projetar e otimizar antenas MIMO em18. O analisador numérico Microwave Studio e MATLAB otimiza automaticamente. A otimização superficial da rede neural é usada para identificar as melhores soluções TARC, S11 e S12. Uma antena MIMO de banda ultralarga de 3,1–10,6 GHz é construída e otimizada para testar a abordagem sugerida. As antenas são difíceis de projetar e manter sem o uso de tecnologias de aprendizado de máquina. Sem aprendizado de máquina, o design da antena acelera muito lentamente. Sem ML, é difícil manter os erros baixos e a produtividade alta. Não ter ajuda para a redução da simulação de ML e ao mesmo tempo manter a viabilidade do trabalho e o cálculo do comportamento da antena é uma tarefa desafiadora . O aprendizado de máquina substitui a tentativa e erro em simulações de metamateriais, prevendo parâmetros de projeto usando um ou mais modelos de aprendizado de máquina projetados adequadamente. Duas coisas afetam a precisão da previsão. principalmente o tamanho do conjunto de dados. Além disso, o modelo de aprendizado de máquina de treinamento20. Uma abordagem de conjunto de materiais derivados de antena estima a largura de banda e o ganho da antena . Este artigo compara o método apresentado com SVM, Random Forest, K-Neighbours Regressor e Decision Tree Regressor. A técnica adaptativa dinâmica de otimização de baleias guiada pela rosa polar otimiza os recursos do modelo de conjunto. O modelo sugerido previu a largura de banda da antena e ganhou eficiência melhor que os outros em um estudo de regressão. Com base nas especificações da antena, as técnicas de aprendizado de máquina podem prever o coeficiente de reflexão (S11). Assim, pode evitar o ciclo de otimização de tentativa e erro. Esta pesquisa22 utilizou algoritmos de Árvore de Decisão, Floresta Aleatória, Regressão XGBoost, KNN e RNA. Como o conjunto de dados de simulação é não linear, esses algoritmos foram escolhidos para realizar regressão para dados não lineares. Após a simulação da antena usando HFSS, esta pesquisa obtém a frequência de ressonância, comprimento, largura e espessura do slot em forma de L. Diferentes algoritmos de ML prevêem valores. A precisão da previsão é medida pela pontuação R-quadrada e pelo erro quadrático médio (MSE) para os coeficientes de refletância simulados e previstos (S11). Uma antena Yagi-Uda usando uma rede neural artificial (RNA) para prever o ganho da antena e o tempo de treinamento é proposta em 23. Em23, apenas o MSE foi usado como métrica de precisão de predição, enquanto os escores MAE, MSLE, RMSLE, MAPE, RMSE, R-Square e Var foram ignorados. Além disso, os resultados de predição do modelo de RNA sugerido não foram comparados com os de outros modelos de ML atuais. Em outro estudo24, os autores investigaram uma das principais formas de comunicação da IoT, o retroespalhamento ambiental, e sugeriram uma estratégia de design de antena baseada em aprendizado de máquina para proteção da camada física. Para determinar o grau de imprecisão neste estudo, os pesquisadores não calcularam o percentual de erro expresso como MSE, MAE ou RMSE. Além disso, a pontuação de variância não foi quantificada na maioria dos artigos anteriores sobre projeto de antenas baseadas em ML.