基于GRU的波束模式合成技术,用于优化均匀线阵天线 作者:阿曼多·阿尔塞(Armando Arce)、费尔南多·阿尔塞(Fernando Arce)、恩里克·史蒂文斯-纳瓦罗(Enrique Stevens-Navarro)、乌利塞斯·皮内达-里科(Ulises Pineda-Rico)、穆罕默德·雷扎·拉赫马蒂(Mohammad Reza Rahmati)和阿贝尔·加西亚-巴里恩托斯(Abel García-Barrientos)

《Informatics》:GRU-Based Beam Pattern Synthesis for Optimized Uniform Linear Antenna Arrays Armando Arce, Fernando Arce, Enrique Stevens-Navarro, Ulises Pineda-Rico, Mohammad Reza Rahmati and Abel García-Barrientos

【字体: 大 中 小 】 时间:2026年04月16日 来源:Informatics 2.8

编辑推荐:

  摘要 本研究提出了一种基于深度学习的框架,用于优化均匀线阵天线的波束图案合成,该框架结合了基于差分进化(DE)的预优化技术和循环神经网络(RNN)建模方法。首先生成满足旁瓣抑制和方向性约束的辐射图案,然后用这些图案来训练循环模型,以学习辐射图案与复杂激励参

  摘要 本研究提出了一种基于深度学习的框架,用于优化均匀线阵天线的波束图案合成,该框架结合了基于差分进化(DE)的预优化技术和循环神经网络(RNN)建模方法。首先生成满足旁瓣抑制和方向性约束的辐射图案,然后用这些图案来训练循环模型,以学习辐射图案与复杂激励参数之间的关系。本文提供了简单RNN、门控循环单元(GRU)和长短期记忆(LSTM)架构的正式数学表述,并基于主要矩阵-向量乘法进行了每时间步的计算成本分析。在相同训练条件下的比较评估显示,门控架构显著优于标准RNN。尽管LSTM实现了最低的预测误差,但GRU在降低结构复杂度的同时取得了可比较的性能。针对未见转向方向的波束图案合成实验表明,能够准确重建主瓣对齐、旁瓣水平(约为-12至-13 dB)以及接近8 dB的方向性值。浮点运算(FLOPs)分析表明,GRU每个时间步所需的计算量少于LSTM,这可能降低资源受限的波束成形应用中的计算成本和能耗。 1. 引言未来的无线网络世代,包括6G及以后,需要能够在日益复杂的传播条件下确保高频谱效率、可靠性和适应性的通信解决方案[1]。在这方面,先进的传输技术如波束成形和多输入多输出(MIMO)系统已成为满足这些性能要求的关键使能技术。然而,它们的有效性在很大程度上依赖于天线阵列的使用,天线阵列可以通过适当调整其激励参数来控制向特定用户或空间区域发射定向波束。由多个辐射元件组成的天线阵列提供了塑造和引导辐射图案的能力。在受到干扰、散射和衰减现象影响的环境中,这种空间控制尤为重要,因为信道退化会显著降低通信质量[2,3]。这些缺陷在卫星通信、雷达系统、点对点链接以及在高频率下运行的新兴移动网络中普遍存在。通过将这些天线阵列集成到这些系统中,可以调节辐射波束的方向、宽度和幅度分布,从而减轻不利的传播效应并提高整体系统性能。在各种阵列几何形状中,均匀线阵(ULA)由于其结构简单性和分析可行性而被广泛采用。尽管阵列信号处理理论已经成熟,但波束图案合成仍然是一个计算要求较高的任务,尤其是在施加严格的旁瓣和方向性要求时。传统的确定性公式,包括基于傅里叶技术的方法[4,5],提供了分析洞察和结构化解决方案;然而,它们通常依赖于对阵列因子的重复评估,在实际优化场景中可能会变得计算密集。为了应对合成问题的非线性和多模态特性,进化算法被广泛采用作为全局优化策略。这些方法在探索复杂搜索空间时提供了灵活性和鲁棒性,特别是在天线阵列设计中。尽管如此,它们的性能通常取决于仔细的参数调整,而且收敛到高质量解决方案可能需要大量的适应度评估[6,7,8,9]。因此,当需要多个转向方向或大型数据集时,合成过程可能会变得计算成本高昂,这促使人们探索强调预测能力和架构效率的替代框架。最近深度学习(DL)的进步为解决各种科学和工程领域中的复杂逆问题提供了替代策略[10,11,12]。在电磁学中,基于学习的方法已成功应用于天线特性分析、设计和合成任务,减少了对穷尽性电磁仿真的依赖[13,14,15]。特别是,神经网络证明了它们能够近似辐射图案和天线参数之间的非线性映射[16,17]。虽然卷积神经网络(CNN)经常被用于电磁建模[18,19,20],但辐射图案本质上在角度域上表现出序列结构。循环神经网络(RNN),尤其是门控架构如长短期记忆(LSTM)和门控循环单元(GRU)网络,特别设计用于捕捉有序数据序列中的长距离依赖性。它们的门控机制能够在保持稳定训练动态的同时有效地建模复杂依赖性[21,22,23,24,25]。在这项工作中,提出了一个基于学习的优化均匀线阵天线的波束图案合成框架。首先使用差分进化(DE)算法生成满足旁瓣和方向性约束的高质量辐射图案。这些优化后的图案作为训练数据,用于训练循环神经网络,以推断相应的复杂激励向量。通过对简单RNN、LSTM和GRU模型进行比较分析,通过数值实验和基于主要矩阵-向量乘法的每时间步计算成本分析来评估它们的预测能力和计算效率。特别强调了准确性和架构复杂性之间的平衡,因为降低模型复杂性可能会在实际波束成形应用中转化为更低的计算成本和能耗。本文的其余部分组织如下。第2节介绍了问题表述、循环神经网络建模框架及其相关的计算成本分析。第3节描述了天线预优化阶段、实验设置以及循环模型的数值分析。第4节讨论了获得的结果及其实际意义。最后,第5节总结了本研究的主要结论。 2. 问题定义和学习框架 2.1. 线阵优化模型我们考虑一个由N个全向辐射元件组成的均匀线阵天线,这些元件沿着x轴放置并在方位平面内工作。天线的辐射行为通过其阵列因子来描述,该因子取决于元件的空间配置及其相关的复杂激励。对于给定的激励向量??,阵列因子可以表示为[26]: ??????(??,??)=??∑??=1?????exp?(???????????cos???????????????cos???0), (1) 其中 ???? =?????????????? 表示第n个元件的复杂激励,幅度为????,相位为????,k 是波数,???? 表示第n个辐射器在阵列中的位置,??0 是指向方向。在这个框架中,每个阵列元件的复杂激励由其幅度和相位分量参数化。通过引入与转向角度相关的相位参考,可以实现向期望方向的波束转向,而波数和元件间距决定了阵列中的空间相位分布。这种表述为任意激励向量生成的辐射图案提供了紧凑的表示,并作为优化过程和后续学习阶段的基础。本文解决的波束图案合成任务旨在生成朝向预定义看向方向的具有高方向性的辐射图案,同时保持受控的旁瓣行为。在这个阶段获得的优化辐射图案随后用于构建训练循环神经网络所需的数据集。从这个角度来看,天线阵列优化问题可以表述为在可行的幅度-相位域内寻找满足期望性能标准的激励向量。因此,合成问题可以表示为以下受限优化问题: min??{|??????(???????,??)||??????(??max,??)|}+{1???(??,??)}s.t.|??????(??max,??)|=1,??={???????????????|??∈??},???∈??, (2) 其中 ??????? 表示最大旁瓣的角度位置,??max 对应于主波束方向,???(??,??) 表示与激励向量??相关的方向性,?? 定义了可行的幅度-相位域。由于天线合成问题的非线性和多模态特性,基于种群的进化策略非常适合探索解决方案空间并生成代表性的激励-图案对。这一优化阶段的数值实现及其作为数据驱动波束图案推断前驱的作用将在下一节中详细说明。 2.2. 基于循环神经网络的建模对于线阵天线的波束图案合成任务,采用了门控循环单元(GRU)网络。GRU属于循环神经网络(RNN)家族,专门用于建模序列数据,如时间序列、音频信号或有序特征表示。在这项工作中,GRU用于捕获预优化阶段生成的辐射图案表示中存在的潜在序列结构。GRU的一个关键优势在于它们能够在保持相对简单内部结构的同时 модель化长期依赖性。与依赖于三个门控机制的长短期记忆(LSTM)网络不同,GRU仅使用两个门:更新门和重置门。这种降低的架构复杂性导致更低的计算成本和更快的训练时间,而在许多序列学习任务中不会显著损失性能[27,28]。比较研究表明,基于GRU的模型在包括语音识别、语言建模和时间序列预测在内的广泛应用中达到了与LSTM网络相当的性能水平[29,30]。此外,它们的紧凑结构使得GRU特别适合于计算效率和训练稳定性很重要的场景,例如数据驱动的电磁建模。GRU内的门控机制动态调节信息随时间的流动。更新门控制当前状态保留了多少先前隐藏状态的信息,使网络能够保留相关的长期信息。相反,重置门决定了在计算候选隐藏状态时忽略过去信息的程度,允许模型在适当情况下专注于最近的输入模式[31]。这些机制共同使GRU能够有效地捕获序列数据中的短距离和长距离依赖性。本研究中用于简单RNN、GRU和LSTM模型的基础架构分别由两个具有1024个和512个隐藏单元的堆叠循环层组成。两层都使用双曲正切(tanh)激活函数,如图1所示。随后应用批量归一化层以提高训练稳定性,然后是两个具有ReLU激活函数的全连接层。为了减轻过拟合,交错使用dropout层。网络以线性输出层结束,该层产生从输入序列推断出的最终波束图案表示。所提出的架构是系统超参数微调过程的结果。图1. 用于均匀线阵天线波束图案合成的循环神经网络架构。两个循环层(灰色部分)根据模型不同分别实例化为简单循环神经网络(RNN)、门控循环单元(GRU)或长短期记忆(LSTM)单元,而其余层在所有配置中是共享的。 2.3. 循环架构的数学表述和计算成本为了对所考虑的循环模型进行正式比较,本节提供了简单RNN、GRU和LSTM架构的数学表述,随后是基于主要矩阵-向量乘法的每时间步计算成本分析。定义输入序列为?? ={??1,??2,…,????},其中???? ∈??? 表示时间步t的输入向量,T 是序列长度。每个循环架构生成隐藏状态 ??? ∈???,这些状态随时间步骤传播时间信息。网络在每个时间步的输出表示为 ^???? ∈???。 2.3.1. 简单循环神经网络简单RNN使用输入到隐藏层的权重矩阵 ???? ∈???×??、隐藏层到隐藏层的权重矩阵 ??? ∈???×?? 和输出权重矩阵 ???? ∈???×??。此外,网络还包括两个偏置向量:隐藏偏置 ??? ∈??? 和输出偏置 ???? ∈???。在每个时间步t,隐藏状态通过形成线性组合 ???? =????????? +????????1 +??? 来计算,其中 ???? 处理当前输入向量 ????,??? 从上一个隐藏状态 ????1 传递信息,??? 提供一个仿射偏移。这个中间表示通过非线性激活函数 ??? =???(????) 获得,从而实现非线性时间建模。网络输出通过线性变换 ???? =???????? +???? 和任务依赖的激活函数 ^???? =???(????) 计算得到,其中 ???( ·) 取决于学习目标(例如,回归或分类)。因此,简单RNN在时间步t的完整前馈方程组为: ??????????=?????????+????????1+???, (3) ???=???(????), (4) ??????=????????+????, (5) ^????=???(????). (6) 该架构在所有时间步中共享权重矩阵 ????、??? 和 ???? 以及偏置向量 ??? 和 ????[32,33,34,35,36]。循环机制通过隐藏状态 ??? ∈??? 实现,允许在不使用门控机制的情况下随时间进行顺序记忆传播。尽管计算效率高,但由于在扩展序列中的梯度衰减,这种结构可能难以建模长期依赖性。 2.3.2.**门控循环单元(GRU)网络**
标准GRU网络的数学模型由一组权重矩阵和偏置向量定义,这些矩阵和向量控制其内部门控机制。更新门使用矩阵 ???? ∈???×?? 和 ???? ∈???×??,而重置门使用矩阵 ???? ∈???×?? 和 ???? ∈???×??。候选隐藏状态通过矩阵 ??? ∈???×?? 和 ??? ∈???×?? 计算得出。网络输出使用矩阵 ???? ∈???×?? 产生。相应的偏置向量包括 ????、????、??? ∈??? 和 ???? ∈???。

在每个时间步 t,更新门计算为 ???? =???(?????????+?????????1+????),其中 ???( ·) 表示sigmoid激活函数,用于调节保留多少过去的信息。重置门定义为 ???? =???(?????????+?????????1+????),用于控制形成候选隐藏状态时之前记忆的贡献。

利用重置门,候选隐藏状态计算为 ???? =tanh?(???????? +????(????⊙????1) +???),其中 ⊙ 表示元素间乘法。然后通过凸组合 ??? =(1?????) ⊙????1 +???? ⊙???? 获得隐藏状态更新,从而实现自适应的记忆保留。最后,输出计算为 ???? =???????? +????,随后进行任务依赖的激活 ^???? =???(????)。

因此,GRU 在时间步 t 的完整前向方程组为:
??????????=???(?????????+?????????1+????),
??????????=???(?????????+?????????1+????),
??????????????=tanh?(????????+????(????⊙????1)+???),
??????????=(1?????)⊙????1+????⊙????,
???????????????=????????+????,
?????????^????=???(????).

GRU 通过重置门和更新门结合过去记忆和当前输入来计算其隐藏状态 ??? ∈??? [28,33,34,35,37]。这种加性更新结构促进了长序列中的稳定梯度传播,同时比LSTM架构需要更少的门控组件。这种降低的结构复杂性导致每个时间步的计算成本低于LSTM网络,同时保持了强大的建模长期依赖性能力。

**2.3.3 长短期记忆(LSTM)网络**
LSTM架构通过引入三种门控机制和内部单元状态扩展了循环建模。网络使用输入到隐藏的权重矩阵 ????、????、????、???? ∈???×?? 和隐藏到隐藏的矩阵 ????、????、????、???? ∈???×??,以及相应的偏置向量 ????、????、????、???? ∈???。输出转换由矩阵 ???? ∈???×?? 和 ???? ∈??? 定义。

在每个时间步 t,输入门计算为 ???? =???(?????????+?????????1+????),用于调节进入单元状态的新信息量。遗忘门定义为 ???? =???(?????????+?????????1+????),用于决定保留多少之前的单元状态 ?????1。输出门计算为 ???? =???(??????????+?????????1+?????),用于控制内部记忆对隐藏表示的暴露。候选单元状态计算为 ????? =tanh?(?????????+?????????1+????)。然后通过 ???? =???? ⊙?????1 +???? ⊙????? 执行记忆更新,实现受控的长期信息传播。最终隐藏状态计算为 ??? =???? ⊙tanh?(????)。与之前的架构一样,输出计算为 ??(????????)?? =???????? +????,随后进行任务依赖的激活 ^???? =???(??(????????)??)。

因此,LSTM 在时间步 t 的完整前向方程组为:
??????????=???(?????????+?????????1+????),
??????????=???(?????????+?????????1+????),
??????????????=tanh?(?????????+?????????1+????),
??????????=????⊙tanh?(????),
???????????????(????????)??=????????+????,
???????^????=???(??(????????)??).

LSTM 通过重置门和更新门结合过去记忆和当前输入来维护一个独立的单元状态 ???? ∈???,从而实现强大的长期记忆保留并减轻梯度消失问题 [33,34,35,36]。三种门控机制的使用提供了对信息流的精细控制;然而,这种增加的架构复杂性导致每个时间步的计算成本高于简单RNN和GRU。

**2.3.4 每时间步的计算成本分析**
循环神经网络的计算成本主要由矩阵-向量乘法决定,这些操作占据了大部分浮点运算(FLOPs)。相比之下,偏置添加、非线性激活函数和元素间操作的数量相对较少,通常在复杂性分析中被忽略。此外,输出层不包括在此评估中,因为其成本取决于具体的学习任务。

对于简单RNN,在每个时间步,主要操作来自输入转换 ?????????(其中 ???? ∈???×??)和循环转换 ????????1(其中 ??? ∈???×??)。乘法 ????????? 需要大约 2????? FLOPs,而 ????????1 需要大约 2??2 FLOPs。因此,每个时间步的总计算成本为:
????????RNN=2?????+2??2=2??+(??+??)3??。

在GRU架构中,每个时间步计算三个门控组件:更新门、重置门和候选隐藏状态。每个组件执行两次矩阵-向量乘法:一个输入贡献和一个循环贡献。因此,每个组件需要大约 2??3?? +2??2 =2??+(??+??)3 FLOPs。由于每个时间步评估三个这样的组件,总成本为:
?????????GRU=3·2??+(??+??)3??=6??+(??+??)3??。

类似地,LSTM 在每个时间步计算四个门控组件:输入门、遗忘门、输出门和候选单元状态。每个组件需要两次矩阵-向量乘法,每个组件的成本为 2??+(?? +??)3 FLOPs。因此,每个时间步的总计算成本为:
?????????LSTM=4·2??+(?? +??)3??=8??+(??+??)3??。

从每个时间步的计算角度来看,由于结构设计的原因,循环架构的复杂性逐渐增加,即 ??RNN
**3. 实验设置和数值分析**
**3.1 天线预优化阶段**
在训练循环模型之前,我们使用差分进化(DE)进行了初步的波束模式合成。DE在电磁学领域(包括波束模式合成和天线设计)中得到了广泛采用,它是一种基于种群的强大随机优化器,具有少量的控制参数、简单的实值运算符以及在连续空间中的探索和利用之间的平衡。在我们的设置中,DE评估并迭代细化候选复杂激励,以获得满足预定方向性和隔离级要求的准最优辐射模式。

重要的是要强调,基于DE的预优化阶段不是所提出框架的可选组件,而是生成高质量、满足约束的训练数据的机制。这里解决的波束模式合成问题没有解析解。推断同时满足旁瓣抑制和方向性约束的复杂激励向量是一个非线性、多模态的逆问题,不存在精确的数据生成程序。因此,DE用于在数据生成级别直接编码所需的电磁设计标准。这对学习阶段有两个重要后果:首先,呈现给网络的输入空间在物理上是一致的,因为所有训练模式都是合成问题的有效解,从而能够有效地泛化到未见过的指向方向;其次,通过将训练数据限制在满足预定约束的解上,DE阶段减少了辐射模式和激励向量之间的一对多逆映射的固有歧义,有助于循环模型的稳定收敛。

对于数值分析,使用了由八个元素组成的均匀线性天线阵列,元素间距 ?? =0.5?? 作为参考几何形状(图2)。在预定义的 50° ≤?? ≤130° 的指向窗口内,以 10° 的增量评估了阵列因子响应;因此,训练集每个指向角度包含847个实例,总共得到7623个辐射模式。

优化依赖于DE/rand/1/bin策略,使用突变因子 ?? =0.5 和二项式交叉 ??3?? =0.9;选择过程采用三最佳淘汰赛,其中成本最低的候选者存活下来。算法从500个个体开始,进化了350代,以确保对搜索空间的全面采样。所有预合成实验都在MATLAB R2019b中进行了。

所选的参数配置遵循DE的公认收敛指南 [38,39]。突变因子 ?? =0.5 位于平衡种群多样性和选择压力的推荐范围内,而交叉率 ??3?? =0.9 促进了足够的重组,以维持跨代的探索行为。种群大小为500个个体,符合8元素阵列的每个搜索空间维度5-10个个体的经验法则。在这种配置下,350代提供了可靠收敛到高质量激励向量的足够预算。因此,结果数据集中的每个辐射模式都满足(2)中规定的方向性和旁瓣约束,确保训练数据反映了有意义且物理上有效的波束成形解决方案。

**3.2 循环神经模型的训练和评估**
在天线预优化阶段之后,生成的辐射模式被组织起来,用于构建训练和评估循环神经模型的数据集。每个辐射模式表示为沿方位平面的标准化阵列因子样本的一维序列。这些序列作为网络输入,而相关的幅度和相位激励向量构成目标输出。数据集根据相同的协议分为训练和验证子集,以确保所有评估架构的公平比较。

本研究考虑了三种循环神经模型:简单循环神经网络(RNN)、长短期记忆(LSTM)网络和门控循环单元(GRU)网络。所有模型在相同条件下进行训练,使用均方误差(MSE)作为损失函数和Adam优化算法。这种设置允许将观察到的性能差异主要归因于每种循环架构的内在建模能力,而不是训练程序的差异。

图3展示了GRU模型的训练和验证误差的演变,以平均绝对误差(MAE)和均方误差(MSE)表示。随着训练的进行,这两个指标都显示出一致的下降,表明稳定的收敛和有效的辐射模式表示学习。训练和验证曲线之间的密切一致性表明GRU模型泛化良好,没有出现过拟合。

**3.3 实验设置和数值分析**
表2展示了三种循环架构的定量比较。简单RNN在评估的模型中显示出最高的误差水平,反映了其在捕捉序列数据中的长距离依赖性方面的有限能力。LSTM在训练和验证期间都实现了最低的MSE和MAE值,显示出其强大的表示能力。GRU模型的性能与LSTM相当,误差值略高,但仍然优于标准RNN。所有数值实验均在一台工作站上完成,该工作站配备了运行在2.00 GHz频率下的Intel(R) Xeon(R) CPU和64 GB RAM(ASUS,墨西哥莱昂市),以及NVIDIA RTX 3090图形处理单元(NVIDIA,墨西哥莱昂市)。从波束模式合成的角度来看,所报告的误差指标反映了网络推断出满足预优化阶段设计约束的辐射模式所需激励参数的能力。LSTM和GRU模型实现的降低的MSE和MAE值表明这些架构能够有效捕捉嵌入在辐射模式中的序列结构。特别是,GRU在准确性和架构简洁性之间提供了有利的平衡,使其成为线性天线阵列中数据驱动波束模式推断的吸引人选择。

3.3 使用GRU模型的波束模式合成
作为评估阶段的一部分,使用训练好的GRU模型对未包含在训练数据集中的指向方向对应的辐射模式进行了评估。这种评估策略确保了报告的结果反映了模型的泛化能力,而不仅仅是简单地插值之前见过的模式。具体来说,评估模式的选择是在与训练期间使用的角度不同的位置,训练是在50° ≤?? ≤130°的范围内进行的,相位增量为10°。图4展示了两个代表性的评估案例,分别标记为评估模式1和评估模式2。在每张图中,都显示了原始输入辐射模式以及使用GRU模型推断出的激励参数合成的波束模式。可以观察到目标模式和合成模式之间有很好的一致性,尤其是在主瓣区域,其中波束方向和峰值幅度被准确再现了。在旁瓣区域出现了一些轻微的差异,这是由于旁瓣形成的高度敏感和非线性特性所导致的。图4. 未见过指向方向的输入辐射模式与GRU合成的波束模式之间的比较。(a) 在?? =65°时的评估模式1,以及(b) 在?? =125°时的评估模式2。GRU模型为这些评估案例推断出的复杂激励参数列在表3中。该表列出了与均匀线性阵列中每个天线元件相关的幅度和相位值。这些推断出的激励向量构成了基于GRU的推理过程的直接输出,随后通过阵列因子公式重构了相应的辐射模式。

为了进一步量化合成波束的质量,表4总结了得到的旁瓣电平(SLL)和方向性值。对于这两种评估模式,GRU生成的波束的旁瓣电平大约在?12 dB到?13 dB之间,同时保持了接近8 dB的方向性值。这些结果表明,推断出的激励参数保留了预优化阶段强加的基本波束成形特性。

4. 讨论
所提出的框架结合了进化优化和循环深度学习,从数据驱动的角度解决了均匀线性天线阵列中的波束模式合成问题。通过将合成任务表述为阵列因子,这种方法具有通用性,不依赖于特定的天线实现,从而便于将其扩展到其他线性阵列配置和波束成形场景。所提出方法的一个关键方面是使用基于差分进化(Differential Evolution)的预优化阶段,在网络训练之前生成高质量的辐射模式。这一阶段直接在数据生成层面强制执行了必要的天线性能标准,如受控的旁瓣行为和适当的方向性。因此,循环神经网络在已经满足有意义的电磁约束的模式上进行训练,使得学习过程能够专注于捕捉辐射模式和激励参数之间的内在关系,而不是补偿条件不佳的数据。

在这个学习框架内,循环神经模型在处理序列辐射模式表示时显示出明显优于简单架构的优势。比较分析表明,LSTM和GRU网络都显著优于标准的RNN,证实了门控机制在捕捉波束模式数据中的长距离依赖性方面的重要性。尽管LSTM总体上实现了最低的误差值,但GRU在依赖更简单的内部结构的情况下也达到了可比的性能。这种准确性和架构简洁性之间的平衡使得GRU成为数据驱动波束模式推断的一个高效替代方案。

从计算角度来看,训练好的GRU模型大约需要1.458分钟的离线训练时间,而这仅进行一次。一旦训练完成,该模型可以在大约0.036秒内为考虑范围内的任何指向方向推断出激励参数,证明了其在实时和资源受限的波束成形场景中的适用性,在这些场景中重复优化在计算上是禁止的。

从波束模式合成的角度来看,报告的结果表明GRU模型能够学习辐射模式与其相应激励参数之间的潜在关系。尽管是在之前未见过的指向方向上进行评估的,模型仍然成功重构了满足主瓣对齐、旁瓣抑制和方向性等基本设计要求的波束模式。这种行为突显了基于GRU的方法在优化后的均匀线性天线阵列中数据驱动波束模式合成方面的有效性。

5. 结论
本文提出了一种数据驱动的框架,用于优化后的均匀线性天线阵列中的波束模式合成,结合了基于差分进化的预优化和循环神经网络建模。预优化阶段使得生成满足基本天线性能要求的高质量辐射模式成为可能,并为学习阶段提供了可靠的训练数据。通过正式的数学公式和每时间步的计算成本评估进行的循环架构比较分析表明,门控模型在捕捉辐射模式的序列结构方面显著优于标准的RNN。虽然LSTM实现了最低的误差值,但GRU在依赖更简单的内部结构的情况下也提供了可比较的性能。这种准确性和架构简洁性之间的平衡使得GRU成为数据驱动波束模式推断的一个高效选择。

从理论角度来看,数学公式和每时间步的计算成本分析进一步明确了这些差异。GRU架构所需的门控组件比LSTM少,因此每个时间步的 dominating 矩阵-向量乘法次数较少。正如计算成本分析中所推导的,GRU每个时间步需要6×(I + H)×H次FLOPs运算,而LSTM需要8×(I + H)×H次FLOPs运算。主导操作的减少大约25%为GRU模型计算效率的提高提供了正式的解释。从实际角度来看,较低的计算复杂性不仅减少了处理要求,也可能有助于在大规模模拟和实时或资源受限的波束成形系统中降低能耗。

针对以前未见过的指向方向获得的波束模式合成结果突显了所提出方法的泛化能力。尽管评估模式没有包含在训练集中,但在主瓣方向、旁瓣抑制和方向性方面都能准确重构。考虑到合成问题的非线性特性,在旁瓣区域观察到的一些轻微差异是可以预期的,但总体性能仍与预优化阶段设定的设计目标一致。这种行为证实了GRU有效地学习了辐射模式和激励参数之间的连续映射,使得可以插值到训练期间使用的离散指向方向之外。

还值得注意的是,所提出的框架并不是为了直接替代传统的天线合成方法,后者通常需要对每个新的指向方向进行重复优化或封闭形式评估。所提出方法的关键实际优势在于其推理时间的效率:一旦离线训练阶段完成,GRU模型就可以在考虑的范围内为任何指向方向推断出激励参数,而无需重复优化,如第3.3节所述。这一操作优势使得所提出的框架在计算资源或响应时间受限的场景中特别具有吸引力。

最后,进化优化和循环学习的结合减少了在所有可能的方向上进行详尽电磁模拟的需求。一旦训练完成,GRU模型就可以在考虑的范围内为任意指向方向推断出激励参数,而无需重复使用元启发式优化。虽然深度学习方法本质上需要足够密集和具有代表性的训练数据,但结果表明,当与结构化的预优化策略结合使用时,循环模型可以提供准确且计算效率高的波束模式合成解决方案。总的来说,这些发现表明基于GRU的建模成为数据驱动天线合成的一个有前途的工具,具有鲁棒性、泛化能力和计算效率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号