An Online Calibration Method Using Hadamard–Fourier Clustering and Neural Network for Large-Scale Phased Arrays
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| 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 découle