Phased Antenna-Array Synthesis Using Taylor-Series Expansion and Neural Networks
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 paper presents a novel approach to synthesizing phased antenna arrays (PAAs) by combining Taylor-series expansion with neural networks (NNs), enhancing the PAA synthesis process for modern communication and radar systems. Synthesizing PAAs is crucial for these systems, offering versatile beamforming capabilities. Traditional methods often rely on complex analytical formulations or numerical optimizations, leading to suboptimal solutions or high computational costs. The proposed method uses Taylor-series expansion to derive analytical expressions for PAA radiation patterns and beamforming characteristics, simplifying the optimization process. Additionally, neural networks are employed to model the intricate relationships between PAA parameters and desired performance metrics, providing adaptive learning and real-time adjustments. A validation of the proposed method is performed on a dual-band 5G antenna, which exhibits marked resonances at 28.14 GHz and 37.88 GHz, with reflection coefficients of S11 = −19 dB and S11 = −19.33 dB, respectively. The integration of Taylor expansion with NNs offers improved efficiency, reduced computational complexity, and the ability to explore a broader design space. Simulation results and case studies demonstrate the effectiveness and applicability of the approach in practical scenarios. This work represents a significant advancement in PAA synthesis, showcasing the synergistic integration of mathematical modeling and artificial intelligence for optimized antenna design in modern communication and radar systems.
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