《Mathematics》:QueryFieldNet: A Query-Conditioned Surrogate Model for Multi-Beam Reflectarray Principal-Cut Gain Prediction
编辑推荐:
本研究提出QueryFieldNet,用于预测固定θ网格多波束反射阵列的两正交主切面宽角增益曲线。平衡七点θ网格数据集包含19×19相位图、1至5比特相位量化及一至四个预期波束。QueryFieldNet结合周期相位输入、多尺度二维残差编码、带181个傅里叶θ
本研究提出QueryFieldNet,用于预测固定θ网格多波束反射阵列的两正交主切面宽角增益曲线。平衡七点θ网格数据集包含19×19相位图、1至5比特相位量化及一至四个预期波束。QueryFieldNet结合周期相位输入、多尺度二维残差编码、带181个傅里叶θ查询的跨注意力解码、预期波束元数据监督与波束基残差细化。研究人员提出多波束半功率波束宽度(HPBW)均方根误差(RMSE)、多波束主瓣RMSE与波束峰值RMSE三项指标,量化各预期波束周边局部?3 dB、?10 dB及峰值增益误差。三次运行下,最终QueryFieldNet的比特宏平均RMSE、平均绝对误差(MAE)、多波束HPBW RMSE、多波束主瓣RMSE与波束峰值RMSE分别取得相应数值。聚合局部窗口值合并两主切面;对φ切面其为以目标为中心的局部误差而非物理预期波束HPBW或峰值测量。结果基于阵列因子级合成基准;全波与实测验证留待未来工作。
研究背景与动机:反射阵列天线凭借空间馈电与平面阵列结构实现高增益、低剖面系统,但其辐射方向图由孔径单元相位分布、馈源位置、相位量化与波束指向共同决定,多波束条件下单孔径需同时形成多个预期波束,峰值增益、主瓣形状、波束宽度与旁瓣结构耦合变化,构成高维非线性问题。既有机器学习代理模型多以全局响应向量回归,未显式处理固定θ网格下多波束主切面一维增益曲线预测的输入输出格式与评价指标;单波束指标(围绕全局最大)无法反映多波束中各波束局部预测质量。该研究发表于《Mathematics》,旨在构造任务专用的查询条件化代理模型QueryFieldNet与配套局部指标。
主要关键技术方法:研究人员构建平衡七点θ网格({?45°,?30°,?15°,0°,15°,30°,45°})合成数据集,19×19相位图、8 GHz、单元间距20.1 mm、馈源(0,0,250) mm、370 mm方形孔径掩膜,1–5比特每比特2000幅相位图(波束数1–4各500),由多波束反射阵列分析(MRA)阵列因子级前向模型生成θ与φ两正交主切面181点(?90°至90°每1°)增益曲线,按相位图级80/10/10划分。模型端采用周期相位(sin/cos)编码、多尺度二维残差卷积提取空间令牌、傅里叶θ查询令牌、跨注意力解码、预期波束占用与波束数元数据头辅助监督、波束基高斯残差分支,损失联合曲线Smooth L1、dB域全局/HPBW/主瓣/峰值/导数形及元数据损失。
研究结果:
引言部分指出固定θ网格多波束主切面预测在输入输出与评价上异于通用天线代理,研究人员将相位图预测由单波束向量回归扩展为查询条件化角场解码,并以局部窗口指标评价。
方法部分的问题公式化将增益预测列为G?(Φ,b,cut,θ)=解码(编码器(Φ),q(θ),b,cut),输出181点。数据集生成节给出MRA阵列因子表达式E(θ)=ΣAuvexp(j(φq,uv?kRuv?k r?·ruv))、孔径幅度Auv=cosQ(θcell)cosP(θobs)、归一化与dB转换D=10log10(4π∫|E|2dΩ/∫dΩ)类形式。指标节定义多波束HPBW RMSE(各预期波束θk±14°窗内?3 dB并集)、多波束主瓣RMSE(?10 dB并集)与波束峰值RMSE。架构节详述周期输入通道( sinφ,cosφ,x,y )、编码器三尺度(64/128/256)得空间令牌与256维全局上下文、查询模块傅里叶特征qi=(sin(πiθ/180),cos(πiθ/180),…)、八头跨注意力、膨胀卷积(1,2,4,8)得基增益、元数据头预测七点占用与波束数、波束基残差按占用概率加权和叠加。训练目标节给出总损失为归一化Smooth L1、dB全局、HPBW区、主瓣区、预期波束区(14°半径)、峰值、导数与元数据二值/分类损失加权和。
实验结果显示:比特宏平均QueryFieldNet获RMSE 3.240、MAE 1.975、R2 0.99792、MB-HPBW RMSE 1.872、MB-Main-Lobe RMSE 2.134、Beam-Peak RMSE 1.730,较BOBE(XGBoost/RF/Extra Trees/CatBoost集成)降RMSE 7.2%、MAE 10.4%、MB-HPBW 25.2%、MB-Main-Lobe 17.5%、Beam-Peak 23.2%;5比特时BOBE全局RMSE反低5.6%。波束数子组20组中MB-HPBW胜19组、主瓣与峰值胜16组、全局胜10组。转向角子组所有20组局部指标全胜、全局胜17组。消融A0–A4表明跨注意力贡献最大孤立提升,A4较A2在2–4波束局部误降4.4%/3.8%/3.4%,单波束A4略逊A2。QueryFieldNet-Lite(0.617M参数)近TabNet规模,存参较BOBE少99.82%。元数据头七点占用精确匹配随比特下降,1比特最易错。辅助损失0.5×/1.0×/1.5×敏感分析1.0×预设最优。
讨论部分指出QueryFieldNet局部多波束保真优势明确,高比特全曲线拟合BOBE仍竞争强;元数据头与残差分支绑定七点网格故不泛化任意转角,结论限于19×19、8 GHz、固定馈源与阵列因子级,缺全波耦合/材料/容差/噪声,硬件应用存域差。样本级相位LUT仅为合成多样性机制非某实物校准集。
结论部分翻译:本文提出QueryFieldNet用于固定θ网格多波束反射阵列主切面宽角增益曲线预测并定义三项预期波束感知指标。平衡theta7基准上三次运行每比特宏平均RMSE 3.240、MAE 1.975、R2 0.99792、MB-HPBW RMSE 1.872、MB-Main-Lobe RMSE 2.134、Beam-Peak RMSE 1.730;聚合局部指标含两切面,φ切面仅为目标中心局部窗误差非物理HPBW或峰值。较BOBE三项局部误降25.2%/17.5%/23.2%,MB-HPBW 20组中胜19组。0.617M参数QueryFieldNet-Lite胜同规模神经基线,存参少99.82%但全局RMSE与FLOP更高。消融示角查询跨注意力最大贡献,元数据条件残差利于2–4波束局部区;全局优势有限。更宽转向网格与阵列配置及全波/实测验证留未来。