基于深度神经网络的可编程超表面智能波束形成

• 作者: 李商洋 符士磊 徐丰
• 来源期刊: 雷达学报
• 关键词: 可编程超表面 离散偶极子近似 深度学习 全连接网络 辐射场预测
• 年，卷（期）: 2021,（2）
• 页码范围: 259-266
• 页数: 8页
• 分类号: TN95
• 语种: 中文
• DOI: 10.12000/JR21039

摘要

通过在超表面单元上加载二极管等有源器件，可编程超表面可实现对电磁波的实时灵活调控。通常利用全波仿真软件计算可编程超表面的辐射场，但该方法需要消耗大量的时间，因而降低了设计效率。为了实现准确高效求解给定编码序列计算辐射场，该文首先设计了辐射场自动测试系统，利用该测试系统实测了少量的编码和辐射场数据，其后提出了一个正向深度神经网络，基于实测的数据训练该神经网络，最终实现了给定编码准确高效预测辐射场。对于给定辐射场求解编码的逆问题，该文提出了一个逆向深度神经网络。基于正向网络生成的数据训练所提出的逆向网络，最终实现了给定辐射场实时准确求解编码。该文所提出的方法为雷达波束形成提供了一种新可选方案，在雷达智能波束形成、微波成像等领域有一定的应用价值。