基于机器学习的方法在球面波展开技术中的应用，用于源重建和辐射预测

《IEEE Transactions on Electromagnetic Compatibility》：Application of a Machine Learning-Based Approach for Source Reconstruction and Radiation Prediction by the Spherical Wave Expansion Technique

本文提出一种基于机器学习的辐射源重构方法，利用低阶球面波展开系数作为核心，通过神经网络捕捉辐射图案特征，并成功应用于数据中心机架模块的辐射预测。摘要验证了方法在实验中的有效性。

　　

摘要：

本文提出了一种基于机器学习（ML）技术的新型源重构方法。该方法的核心在于使用低阶球面波展开（SWE）系数来进行源重构。辐射模式的主要特征（最大幅度和主辐射瓣）由一个经过适当训练的神经网络捕捉，该神经网络通过使用由基本SWE系数表征的多个源的组合进行训练。所提出的基于ML的方法应用于数据中心机架内单个托盘模块的辐射源重构，该方法基于仅检测近场幅度的数据。通过组合每个托盘的SWE系数来预测整个机架的总辐射。所开发的基于ML的方法通过使用SWE系数的解析表达式进行了全面描述和初步验证，随后将该方法应用于包含三个托盘模块的实验设置中。通过组合托盘的SWE系数，能够以较高的准确度预测机架的总辐射特征（包括辐射模式和最大幅度），从而证实了所提出的基于ML的方法在识别SWE系数及其组合以获取整体辐射特征方面的有效性。