Improving Beamforming Performance With Practical Phase Shifters Using Robust Mapping and Deep Learning
Notice bibliographique
Résumé
In this article, the problem of beamforming and maximizing the phased array gain for practical phase shifters is addressed using a deep learning approach. For an ideal phase shifter, the amplitude is constant and the output phase changes linearly with the control voltage. However, the practical phase shifters show a nonlinear behavior in both amplitude and phase with respect to the control voltage. The main objective of this article is to design a deep neural network (DNN), which estimates the optimum voltage values of the phase shifter using the noisy data of the receiver antenna array. The proposed approach is general and extendible to any array geometry. Usually, the quality of the trained model is affected by large variations in the voltage values for certain adjacent directions of arrival (DOAs). To overcome this issue, we introduce the robust mapping technique, which avoids sudden changes in voltage values during the training process. The amplitude and phase data of a typical reflective-type phase shifter is measured for different control voltage values, to be used in the training process. The suggested algorithm is applied to a receiver array of four antennas with reflective-type phase shifters (RTPSs). The maximum array gain for different DOAs is very close to the optimum results showing the superior performance of the proposed method. Compared to the existing methods, the root mean square error (RMSE) of the array gain decreased to 0.0283. It is shown that the proposed method is more resilient to noise and performs substantially better than other methods in low SNR scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».