banner
홈페이지 / 소식 / 기계 학습
소식

기계 학습

Mar 28, 2024Mar 28, 2024

Scientific Reports 13권, 기사 번호: 12590(2023) 이 기사 인용

159 액세스

측정항목 세부정보

본 연구에서는 5G 애플리케이션을 위해 n78 대역에서 작동하는 Quasi-Yagi-Uda 안테나의 성능을 개선하기 위해 기계 학습(ML) 기술 사용을 조사한 결과를 제시합니다. 본 연구에서는 시뮬레이션, 측정, RLC 등가 회로 모델 등 여러 기술을 조사하여 안테나 성능을 평가합니다. 이 조사에서는 CST 모델링 도구를 사용하여 5G 통신 시스템용 고이득, 저반사 손실 Yagi-Uda 안테나를 개발했습니다. 안테나의 작동 주파수를 고려할 때 안테나의 크기는 \({0.642}\lambda _0\times {0.583}\lambda _0\)입니다. 안테나의 작동 주파수는 3.5GHz, 반사 손실 \(-43.45\)dB, 대역폭은 520MHz, 최대 이득은 6.57dB, 효율은 거의 97%입니다. CST Studio 시뮬레이션의 임피던스 분석 도구와 Agilent ADS 소프트웨어의 회로 설계 도구는 안테나의 등가 회로(RLC)를 도출하는 데 사용됩니다. 우리는 지도 회귀 ML 방법을 사용하여 안테나의 주파수와 이득을 정확하게 예측합니다. 기계 학습 모델은 분산 점수, R 제곱, 평균 제곱 오류, 평균 절대 오류, 제곱 평균 제곱근 오류, 평균 제곱 로그 오류 등 다양한 측정값을 사용하여 평가할 수 있습니다. 9가지 ML 모델 중 선형 회귀(Linear Regression)의 예측 결과는 공진 주파수 예측에서 다른 ML 모델보다 우수하며, 가우시안 프로세스 회귀(Gaussian Process Regression)는 이득 예측에서 탁월한 성능을 보여줍니다. R-제곱 및 변수 점수는 예측의 정확도를 나타내며, 이는 주파수 예측과 이득 예측 모두에서 99%에 가깝습니다. 이러한 요소들을 고려할 때 안테나는 5G 통신 시스템의 n78 대역에 탁월한 선택이라고 볼 수 있습니다.

오늘날에는 크기, 대역폭, 이득 측면에서 증가하는 통신 문제를 해결하기 위해 최신 마이크로파 및 밀리미터파 시스템에 대한 수요가 증가했습니다. 결과적으로 안테나는 위성 통신의 요구에 맞게 자주 사용됩니다. 다양한 주파수 범위1에서 다양한 위성 통신 애플리케이션을 사용할 수 있습니다. 조사자들은 안테나의 대역폭과 이득을 개선하기 위해 지속적으로 노력하고 있습니다. 최근 몇 년 동안 기술은 매우 빠르게 성장했으며 선진국과 개발도상국 모두 이제 매우 높은 수준의 무선 통신을 사용하고 있습니다2. 최근 수십 년 동안 1G, 2G, 3G, 4G, 5G 등과 같은 다양한 세대의 무선 통신 표준이 널리 채택되었습니다.3,4,5. 기가비트/초(Gbps) 단위의 데이터 속도를 제공하는 5세대 셀룰러 기술(5G)은 이전 기술의 단점을 사실상 제거합니다. 더욱이 5G는 빠르게 확장되고 있는 저전력 IoT 애플리케이션을 가능하게 합니다6,7. 5G 출시를 위한 핵심 주파수 대역인 6GHz 이하 범위(2~6GHz)는 특히 N77, N78 및 N79 대역에서 커버리지와 용량 사이에서 우수한 안정성을 발휘할 것으로 예상됩니다8.

우다 신타로(Uda Shintaro Uda)와 야기 히데츠구(Hidetsugu Yagi)는 야기-우다 안테나라고도 알려진 야기 안테나의 발명가였습니다. 이 안테나는 지향성이며 쌍극자와 여러 기생 요소로 구성됩니다. 기생 요소는 쌍극자 뒤에 설정된 하나의 반사경과 쌍극자 요소 앞에 설정된 두 개 이상의 디렉터로, 방사 특성을 향상시킬 수 있습니다. 신호를 한 방향으로 집중시켜 다른 송신기의 간섭을 덜 받기 때문에 방향성 방사 기능이 있습니다9. Yagi Uda 안테나가 널리 사용되는 데에는 저렴한 가격, 상당한 이득, 간단한 구조 등 여러 가지 이유가 있습니다. 이 안테나가 발명된 이후 초기에는 TV가 이 안테나의 주요 사용자였지만 이제는 이러한 장치가 레이더, 무선 주파수 식별, 위성 통신 등과 같은 다양한 분야에서 사용되고 있습니다10. In11에서 마이크로스트립 Yagi-Uda 안테나는 RT Duroid 5880을 사용하여 900MHz에 가까운 공진 주파수, 1.575mm의 기판 높이, 50ohm의 특성 임피던스, 35\(\mu\)m의 스트립 도체 두께로 구성되었습니다. 재료. 마이크로스트립 회로는 Yagi Uda 안테나를 구현하는 데 사용되므로 안테나를 작고 눈에 띄지 않게 할 수 있습니다. Yagi-Uda 안테나의 5요소 버전은 시뮬레이션 소프트웨어 FEKO를 사용하여 12에서 개발되었습니다. 안테나의 중심 주파수는 500MHz로 450~550MHz 범위의 신호와 함께 작동할 수 있으며 최대 안테나 이득은 6.7dB입니다. In13에서는 수많은 Quasi Yagi 안테나가 급전 방법론을 기반으로 검토되었습니다. 일부 저자는 디렉터 수를 늘려 Yagi-Uda 안테나의 이득이 14~17dB라고 보고했습니다. Yagi-Uda 안테나의 근본적인 결함은 좁은 대역폭입니다10,13. 인공지능 기반 매설물 특성화를 위해 지상 투과 레이더(GPR)의 3차원 전파 전자기 시뮬레이션이 14에 표시됩니다. 이 작업은 매장된 물체 특성화를 위한 빠르고 정확한 데이터 기반 대리 모델링 접근 방식, 작은 훈련 데이터 세트를 사용하여 계산적으로 효율적인 대리 모델 구성 방법, 원시 신호를 사용하는 새로운 딥 러닝 방법인 시간-주파수 회귀 모델(TFRM)을 개발했습니다. 경쟁력 있는 추정 성능을 달성하기 위해 사전 처리 없이. 주어진 방법은 MLP(Multilayer Perceptron), GP(Gaussian Process), SVRM(Support Vector Regression Machine) 및 CNN(Convolutional Neural Network) 회귀보다 성능이 뛰어납니다. 저자는 주파수 재구성 가능 안테나에 일반화 가능한 대리 모델링 접근 방식이 있다고 명시했습니다. 이 기술은 CAD 시뮬레이션 개별 데이터를 대리 모델로 후처리합니다. 그 후, 조정 가능한 노치 대역을 갖춘 재구성 가능한 UWB 안테나는 대리 모델링이 실용적이고 효과적이며 정확하다는 것을 보여줍니다. 제안된 대체 모델은 인지 무선 시스템의 재구성 가능한 안테나-신호 처리 인터페이스 표준에 대한 좋은 경쟁자입니다. 소형 마이크로파 부품은 일반적으로 전파 전자기(EM) 시뮬레이션을 사용하여 설계됩니다. 대리 지원 절차는 신속한 데이터 기반 메타모델을 사용하여 비용이 많이 드는 EM 시뮬레이션을 대체합니다. 3개의 마이크로스트립 구성 요소에 대한 검증 연구는 제안된 접근 방식이 대용 제조 정확도 및 컴퓨팅 비용 측면에서 성능 중심 접근 방식 및 표준 모델링 프로세스보다 우수한 것으로 나타났습니다. In17에서는 다양한 설계 목적 함수를 활용하는 대용 마이크로파 필터 설계에 대해 논의했습니다. 필터 설계를 위해 대리 모델링(기계 학습) 및 고급 최적화 알고리즘을 검토합니다. 세 가지 기본 필터 설계 방법은 스마트 데이터 샘플링, 고급 대리 모델링, 고급 최적화 프레임워크입니다. 성공과 안정성을 위해서는 마이크로파 필터 매개변수와 일치하도록 맞춤화하거나 혼합해야 합니다. 마지막으로 새로운 필터 설계 애플리케이션과 동향을 검토합니다. 연구원은 대리 모델링을 사용하여 18의 MIMO 안테나를 설계하고 최적화했습니다. Microwave Studio 및 MATLAB 수치 분석기는 자동으로 최적화합니다. 얕은 신경망 최적화는 최고의 TARC, S11 및 S12 솔루션을 식별하는 데 사용됩니다. 제안된 접근 방식을 테스트하기 위해 3.1~10.6GHz 초광대역 MIMO 안테나가 구성되고 최적화되었습니다. 기계 학습 기술을 사용하지 않으면 안테나를 설계하고 유지 관리하기가 어렵습니다. 기계 학습이 없으면 안테나 설계가 너무 느리게 가속화됩니다. ML이 없으면 오류를 낮게 유지하고 생산성을 높게 유지하기가 어렵습니다. 작업 타당성과 안테나 동작 계산을 유지하면서 ML 시뮬레이션 감소를 위한 도움의 손길이 없는 것은 어려운 작업입니다19. 기계 학습은 적절하게 설계된 하나 이상의 기계 학습 모델을 사용하여 설계 매개변수를 예측함으로써 메타물질 시뮬레이션의 시행착오를 대체합니다. 두 가지가 예측 정확도에 영향을 미칩니다. 주로 데이터세트 크기입니다. 또한 훈련 기계 학습 모델20. 안테나 파생 재료 앙상블 접근 방식은 안테나 대역폭과 이득을 추정합니다. 본 논문에서는 제시된 방법을 SVM, Random Forest, K-Neighbors Regressor 및 Decision Tree Regressor와 비교합니다. 적응형 동적 북극 장미 유도 고래 최적화 기술은 앙상블 모델 기능을 최적화합니다. 제안된 모델은 회귀 연구에서 다른 모델보다 안테나 대역폭과 이득 효율성을 더 잘 예측했습니다. 안테나 사양을 기반으로 기계학습 기법을 통해 반사계수를 예측할 수 있다(S11). 따라서 시행착오 최적화 루프를 방지할 수 있습니다. 본 연구22에서는 Decision Tree, Random Forest, XGBoost Regression, KNN 및 ANN 알고리즘을 사용했습니다. 시뮬레이션 데이터 세트는 비선형이므로 비선형 데이터에 대한 회귀를 수행하기 위해 이러한 알고리즘이 선택되었습니다. 본 연구에서는 HFSS를 이용한 안테나 시뮬레이션 후 L자형 슬롯의 공진 주파수, 길이, 폭, 두께를 획득하였다. 다양한 ML 알고리즘이 값을 예측합니다. 예측 정확도는 시뮬레이션 및 예측 반사 계수에 대한 R-제곱 점수와 평균 제곱 오차(MSE)로 측정됩니다(S11). 안테나 이득과 훈련 시간을 예측하기 위해 인공 신경망(ANN)을 사용하는 Yagi-Uda 안테나가 제안되었습니다. In23에서는 예측 정확도 측정 항목으로 MSE만 사용되었으며 MAE, MSLE, RMSLE, MAPE, RMSE, R-Square 및 Var 점수는 무시되었습니다. 또한 제안된 ANN 모델의 예측 결과는 현재 다른 ML 모델의 예측 결과와 비교되지 않았습니다. 또 다른 연구24에서 저자는 IoT의 주요 통신 형태 중 하나인 주변 후방 산란을 조사하고 물리 계층 보호를 위한 기계 학습 기반 안테나 설계 전략을 제안했습니다. 본 연구의 부정확성 정도를 확인하기 위해 연구진은 MSE, MAE 또는 RMSE로 표시되는 오류 비율을 계산하지 않았습니다. 또한, ML 기반 안테나 설계에 관한 대부분의 이전 논문에서는 분산 점수가 정량화되지 않았습니다.