An Online Calibration Method Using Hadamard–Fourier Clustering and Neural Network for Large-Scale Phased Arrays
Notice bibliographique
Résumé
This article proposes a novel online calibration method based on clustering for large-scale phased array antennas. The proposed clustering method leverages Hadamard and Fourier (HaF) transform features, resulting in increased output power variation (suitable for large phased array calibration), noise robustness, and fewer measurements compared with traditional methods. In addition, it eliminates the need for extra phase measurement instruments, as it relies solely on power measurements. Analytical closed forms are derived to demonstrate the effectiveness of HaF clustering. In this method, the mean phase error (MPhE) in each cluster is determined by a combination of Hadamard features and the extended rotational electrical vector (eREV) field method. Using a trained multilayer perceptron (MLP) neural network and feeding it with each cluster’s MPhEs, the direction of arrival (DOA) error is determined. Subsequently, antenna phase errors are estimated based on the DOA error, and new calibration coefficients are applied to the array. To validate the proposed online calibration method, Monte Carlo simulations and experimental measurements were conducted on a 1024-element modular planar phased array receiver within the frequency range of 18–21 GHz and an angle of elevation range between −70° and 70°. The simulation and experimental results indicate a mean absolute error (MAE) value of approximately 6° for phase error determination and a DOA estimation error of less than 0.1° using the MLP. Furthermore, the array can be calibrated with a maximum calibration error of less than 0.1° within a period of 3 ms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».