Maschinelles Lernen

Mar 28, 2024

Scientific Reports Band 13, Artikelnummer: 12590 (2023) Diesen Artikel zitieren

159 Zugriffe

Details zu den Metriken

In dieser Studie präsentieren wir unsere Ergebnisse aus der Untersuchung des Einsatzes einer Technik des maschinellen Lernens (ML) zur Verbesserung der Leistung von Quasi-Yagi-Uda-Antennen, die im n78-Band für 5G-Anwendungen betrieben werden. Diese Forschungsstudie untersucht verschiedene Techniken wie Simulation, Messung und ein RLC-Ersatzschaltbildmodell, um die Leistung einer Antenne zu bewerten. In dieser Untersuchung werden die CST-Modellierungswerkzeuge verwendet, um eine Yagi-Uda-Antenne mit hoher Verstärkung und geringer Rückflussdämpfung für das 5G-Kommunikationssystem zu entwickeln. Wenn man die Betriebsfrequenz der Antenne berücksichtigt, betragen ihre Abmessungen \({0,642}\lambda _0\times {0,583}\lambda _0\). Die Antenne hat eine Betriebsfrequenz von 3,5 GHz, eine Rückflussdämpfung von \(-43,45\) dB, eine Bandbreite von 520 MHz, einen maximalen Gewinn von 6,57 dB und einen Wirkungsgrad von fast 97 %. Die Impedanzanalysetools in den Simulations- und Schaltungsdesigntools von CST Studio in der Agilent ADS-Software werden verwendet, um den Ersatzschaltkreis (RLC) der Antenne abzuleiten. Wir verwenden die überwachte Regressions-ML-Methode, um eine genaue Vorhersage der Frequenz und des Antennengewinns zu erstellen. Modelle für maschinelles Lernen können anhand einer Vielzahl von Maßen bewertet werden, darunter Varianzbewertung, R-Quadrat, mittlerer quadratischer Fehler, mittlerer absoluter Fehler, mittlerer quadratischer Fehler und mittlerer quadratischer logarithmischer Fehler. Unter den neun ML-Modellen ist das Vorhersageergebnis der linearen Regression anderen ML-Modellen für die Resonanzfrequenzvorhersage überlegen, und die Gaußsche Prozessregression zeigt eine außergewöhnliche Leistung für die Gewinnvorhersage. R-Quadrat- und Var-Score stellen die Genauigkeit der Vorhersage dar, die sowohl für die Häufigkeits- als auch für die Verstärkungsvorhersage nahezu 99 % beträgt. Unter Berücksichtigung dieser Faktoren kann die Antenne als ausgezeichnete Wahl für das n78-Band eines 5G-Kommunikationssystems angesehen werden.

Um den wachsenden Kommunikationsherausforderungen in Bezug auf Größe, Bandbreite und Gewinn gerecht zu werden, ist heutzutage die Nachfrage nach neueren Mikrowellen- und Millimeterwellensystemen gestiegen. Daher werden häufig Antennen eingesetzt, um den Anforderungen der Satellitenkommunikation gerecht zu werden. Verschiedene Satellitenkommunikationsanwendungen stehen in unterschiedlichen Frequenzbereichen zur Verfügung1. Forscher versuchen ständig, die Bandbreite und den Gewinn von Antennen zu verbessern. In den letzten Jahren hat sich die Technologie sehr schnell weiterentwickelt, und sowohl Industrie- als auch Entwicklungsländer nutzen inzwischen die drahtlose Kommunikation auf einem extrem hohen Niveau2. In den letzten Jahrzehnten kam es zu einer breiten Einführung zahlreicher Generationen drahtloser Kommunikationsstandards, wie 1G, 2G, 3G, 4G, 5G usw.3,4,5. Die fünfte Generation der Mobilfunktechnologie (5G), die Datengeschwindigkeiten in Gigabit/Sekunde (Gbit/s) bietet, eliminiert praktisch die Nachteile früherer Technologien. Darüber hinaus ermöglicht 5G IoT-Anwendungen mit geringem Stromverbrauch, die schnell zunehmen6,7. Als Schlüsselfrequenzband für die Einführung von 5G wird erwartet, dass der Sub-6-GHz-Bereich (von 2 bis 6 GHz) eine gute Stabilität zwischen Abdeckung und Kapazität bietet, insbesondere in den Bändern N77, N78 und N798.

Shintaro Uda und Hidetsugu Yagi waren die Erfinder der Yagi-Antenne, auch bekannt als Yagi-Uda-Antenne. Diese Antenne ist gerichtet und besteht aus einem Dipol und einer Reihe parasitärer Elemente. Bei den parasitären Elementen handelt es sich um einen Reflektor hinter dem Dipol und mehr als einen Direktor vor dem Dipolelement, wodurch die Strahlungseigenschaften verbessert werden können. Es verfügt über eine gerichtete Strahlung, da es sein Signal in eine einzige Richtung konzentriert und dadurch weniger anfällig für Störungen durch andere Sender ist9. Es gibt viele Gründe für die weit verbreitete Verwendung der Yagi Uda-Antenne, darunter der niedrige Preis, der erhebliche Gewinn und die einfache Konstruktion. Während in den ersten Tagen nach ihrer Erfindung Fernsehgeräte die Hauptnutzer dieser Antenne waren, werden solche Geräte heute in so unterschiedlichen Bereichen wie Radar, Radiofrequenzidentifikation, Satellitenkommunikation und mehr eingesetzt10. In11 wurden Mikrostreifen-Yagi-Uda-Antennen mit Resonanzfrequenzen nahe 900 MHz, einer Substrathöhe von 1,575 mm, einer charakteristischen Impedanz von 50 Ohm und einer Streifenleiterdicke von 35 \(\mu\) m unter Verwendung eines RT Duroid 5880 konstruiert Material. Zur Implementierung von Yagi-Uda-Antennen werden Mikrostreifenschaltungen verwendet, wodurch die Antennen klein und diskret sind. Eine 5-Elemente-Version der Yagi-Uda-Antenne wurde 12 mit der Simulationssoftware FEKO entwickelt. Die Mittenfrequenz der Antenne beträgt 500 MHz, wodurch Signale im Bereich von 450–550 MHz verarbeitet werden können, und der höchste Antennengewinn beträgt 6,7 dB. In13 werden zahlreiche Quasi-Yagi-Antennen auf der Grundlage von Speisemethoden untersucht. Einige Autoren haben von Gewinnen von 14–17 dB für die Yagi-Uda-Antenne durch Erhöhung der Anzahl der Direktoren berichtet. Der grundlegende Fehler der Yagi-Uda-Antenne ist ihre geringe Bandbreite10,13. Eine elektromagnetische 3D-Vollwellensimulation eines Bodenradars (GPR), die für die Charakterisierung vergrabener Gegenstände auf Basis künstlicher Intelligenz verwendet wird, ist in 14 dargestellt. Diese Arbeit entwickelte einen schnellen und genauen datengesteuerten Ersatzmodellierungsansatz für die Charakterisierung vergrabener Objekte, eine recheneffiziente Ersatzmodellkonstruktionsmethode unter Verwendung kleiner Trainingsdatensätze und eine neuartige Deep-Learning-Methode, das Zeit-Frequenz-Regressionsmodell (TFRM), das Rohsignale verwendet ohne Vorverarbeitung, um eine wettbewerbsfähige Schätzleistung zu erzielen. Die gegebene Methode übertrifft Multilayer Perceptron (MLP), Gaussian Process (GP), Support Vector Regression Machine (SVRM) und Convolutional Neural Network (CNN) Regression. Laut Autoren in15 verfügen frequenzrekonfigurierbare Antennen über einen eigenen verallgemeinerbaren Ersatzmodellierungsansatz. Die Technik verarbeitet diskrete CAD-Simulationsdaten zu einem Ersatzmodell. Anschließend zeigt eine rekonfigurierbare UWB-Antenne mit abstimmbarem Kerbband, dass die Ersatzmodellierung praktisch, effektiv und präzise ist. Das vorgeschlagene Ersatzmodell ist ein guter Kandidat für den Standard der rekonfigurierbaren Antennensignalverarbeitungsschnittstelle eines kognitiven Funksystems. Miniaturisierte Mikrowellenkomponenten werden im Allgemeinen mithilfe elektromagnetischer Vollwellensimulationen (EM) entworfen16. Ersatzgestützte Verfahren nutzen schnelle datengesteuerte Metamodelle, um kostspielige EM-Simulationen zu ersetzen. Verifizierungsstudien für drei Mikrostreifenkomponenten zeigen, dass der vorgeschlagene Ansatz leistungsorientierte Ansätze und Standardmodellierungsprozesse hinsichtlich der Ersatzfertigungsgenauigkeit und der Rechenkosten übertrifft. In17 diskutieren die Autoren über ersatzunterstützte Mikrowellenfilterdesigns unter Verwendung verschiedener Designzielfunktionen. Für das Filterdesign werden Ersatzmodellierung (maschinelles Lernen) und erweiterte Optimierungsalgorithmen untersucht. Drei grundlegende Filterentwurfsmethoden sind: Smart Data Sampling, erweiterte Ersatzmodellierung und erweiterte Optimierungs-Frameworks. Für Erfolg und Stabilität müssen sie individuell angepasst oder gemischt werden, um den Mikrowellenfilterparametern zu entsprechen. Abschließend werden neue Anwendungen und Trends im Filterdesign untersucht. Der Forscher nutzte Ersatzmodellierung, um MIMO-Antennen in18 zu entwerfen und zu optimieren. Microwave Studio und der numerische Analysator MATLAB optimieren automatisch. Mithilfe der flachen neuronalen Netzwerkoptimierung werden die besten TARC-, S11- und S12-Lösungen ermittelt. Eine 3,1–10,6 GHz Ultrabreitband-MIMO-Antenne wird konstruiert und optimiert, um den vorgeschlagenen Ansatz zu testen. Antennen sind ohne den Einsatz maschineller Lerntechnologien schwer zu entwerfen und zu warten. Ohne maschinelles Lernen beschleunigt sich das Antennendesign zu langsam. Ohne ML ist es schwierig, Fehler gering und die Produktivität hoch zu halten. Es ist eine herausfordernde Aufgabe, nicht über die helfende Hand für die Reduzierung der ML-Simulation zu verfügen und gleichzeitig die Arbeitsdurchführbarkeit und die Berechnung des Antennenverhaltens aufrechtzuerhalten19. Maschinelles Lernen ersetzt Versuch und Irrtum bei Metamaterialsimulationen, indem es Entwurfsparameter mithilfe eines oder mehrerer ordnungsgemäß entworfener Modelle für maschinelles Lernen vorhersagt. Zwei Dinge beeinflussen die Vorhersagegenauigkeit. hauptsächlich Datensatzgröße. Darüber hinaus ist das Trainingsmodell für maschinelles Lernen20. Ein von der Antenne abgeleiteter Materialensemble-Ansatz schätzt die Antennenbandbreite und den Antennengewinn in21. In diesem Artikel wird die vorgestellte Methode mit SVM, Random Forest, K-Neighbors Regressor und Decision Tree Regressor verglichen. Die adaptive dynamische polarrosengesteuerte Waloptimierungstechnik optimiert die Merkmale des Ensemblemodells. Das vorgeschlagene Modell prognostizierte in einer Regressionsstudie die Antennenbandbreite und die Gewinneffizienz besser als die anderen. Basierend auf Antennenspezifikationen können maschinelle Lerntechniken den Reflexionskoeffizienten vorhersagen (S11). Dadurch kann die Trial-and-Error-Optimierungsschleife verhindert werden. Diese Forschung22 verwendete Entscheidungsbaum-, Random Forest-, XGBoost-Regressions-, KNN- und ANN-Algorithmen. Da der Simulationsdatensatz nichtlinear ist, wurden diese Algorithmen ausgewählt, um eine Regression für nichtlineare Daten durchzuführen. Nach der Antennensimulation mit HFSS ermittelt diese Forschung die Resonanzfrequenz, Länge, Breite und Dicke des L-förmigen Schlitzes. Verschiedene ML-Algorithmen sagen Werte voraus. Die Vorhersagegenauigkeit wird anhand des R-Quadrat-Scores und des mittleren quadratischen Fehlers (MSE) für die simulierten und vorhergesagten Reflexionskoeffizienten gemessen (S11). In23 wird eine Yagi-Uda-Antenne vorgeschlagen, die ein künstliches neuronales Netzwerk (ANN) verwendet, um den Antennengewinn und die Trainingszeit vorherzusagen. In23 wurde nur MSE als Vorhersagegenauigkeitsmetrik verwendet, während MAE-, MSLE-, RMSLE-, MAPE-, RMSE-, R-Quadrat- und Var-Scores ignoriert wurden. Darüber hinaus wurden die Vorhersageergebnisse des vorgeschlagenen ANN-Modells nicht mit denen anderer aktueller ML-Modelle verglichen. In einer anderen Studie24 untersuchten die Autoren eine der wichtigsten Kommunikationsformen des IoT, die Umgebungsrückstreuung, und schlugen eine auf maschinellem Lernen basierende Antennendesignstrategie für den Schutz der physikalischen Schicht vor. Um den Grad der Ungenauigkeit in dieser Studie zu bestimmen, berechneten die Forscher nicht den Fehlerprozentsatz, ausgedrückt als MSE, MAE oder RMSE. Darüber hinaus wurde der Varianzwert in den meisten früheren Arbeiten zum ML-basierten Antennendesign nicht quantifiziert.

In dieser Arbeit weist die vorgeschlagene Antenne einen geeigneten realisierten Gewinn (6,57 dB) und eine geeignete Bandbreite (520 MHz) auf, und die Antennengröße (\(0,642\lambda _0 \times 0,583\lambda _0\)) ist im Vergleich zur Yagi-Antenne kompakt –Uda-Antenne. Die Impedanzantwort einer zweischichtigen Struktur, die aus einem einzigen Material besteht, wurde vorhergesagt. Daher wurde ein völlig neuartiges Vorhersagemodell basierend auf elektrischen Ersatzschaltkreisen erstellt. Das Erreichen der gewünschten Leistungsniveaus einer Antenne in 3D-elektromagnetischen Simulationsprogrammen wie CST, HFSS, FEKO und ADS ist ein komplexes und zeitaufwändiges Unterfangen. In dieser Forschung wurden neun Regressions-ML-Modelle verwendet, darunter lineare Regression (LR), Random Forest Regression (RFR), Entscheidungsbaumregression (DTR), Lasso-Regression, Ridge-Regression (RR), Extreme Gradient Boosting (XGB)-Regression und Bayesianische lineare Regression (BLR), Gaußsche Prozessregression (GPR) und Support Vector Regression Machine (SVRM) werden verwendet, um die Betriebsfrequenz und den Gewinn der vorgeschlagenen Antenne vorherzusagen.

Die CST MWS-Simulationssoftware wird verwendet, um die Leistung der Antenne zu entwerfen und zu optimieren. Darüber hinaus wurde genau dieselbe Antenne bei der Messung umgestaltet, um das aus der Simulation erhaltene Leistungsergebnis zu validieren. Das Schaltungssimulationstool Advance Design System (ADS) wird verwendet, um den Rückflussdämpfungsgrad und die Bandbreite mithilfe der RLC-Ersatzschaltung zu validieren. Unter Verwendung des elektromagnetischen (EM) Modellierungstools CST wurde kürzlich ein neuartiger Ansatz untersucht, der die Frequenz und Verstärkung mit zahlreichen unbeaufsichtigten Regressionsmethoden vorhersagt.

Um die Leistung der vorgeschlagenen 5G-Antenne zu modellieren, wurde das CST MW-Paket von Computer Simulation Technology verwendet. Der Grundaufbau der Yagi-Uda-Antenne ist in Abb. 1 dargestellt.

Struktur der Yagi-Uda-Antenne.

Es kommt häufig vor, dass der Reflektor nach den beiden anderen Elementen kommt. Seine typische Länge ist 5 % größer als die des Dipolelements. Die Länge des Dipolelements entspricht der halben Wellenlänge. Insbesondere kann der Abstand zwischen dem Dipolelement und dem Reflektor zwischen 0,1\(\lambda\) und 0,25\(\lambda\) betragen. Die Direktoren werden mit einer Länge von 5 % kürzer als das Dipolelement platziert. Der Abstand zwischen dem Dipolelement und jedem Direktor beträgt 0,13\(\lambda\)25,26. Der Wert von \(\lambda\) und der Anfangswert der Länge der parasitären Elemente zusammen mit dem angetriebenen Element und dem Abstand zwischen zwei Elementen können mithilfe der folgenden Gleichungen (1, 2, 3, 4, 5, 6, 7) berechnet werden )25,26:

wobei c = Lichtgeschwindigkeit, f = Resonanzfrequenz, \(\lambda\) = Wellenlänge

Dimensionale (a) Vorder- und (b) Rückansicht.

Für den Entwurf und die Simulation der Antenne wird FR-4-Substrat (verlustbehaftet) verwendet. Die Gesamtgröße der Antenne beträgt \(0,642\lambda\times 0,583\lambda\times 0,009\lambda\). Die Dicke der Grundplatte beträgt 0,035 mm. Die Länge des Reflektors beträgt 34 ​​mm. Die Länge des Dipols beträgt 30,87 mm und die Länge der Direktoren beträgt 23 mm. Die Breite dieser Elemente beträgt 1 mm. Die Länge der Einspeisung beträgt 1,70 mm und es wird ein diskreter Anschluss zur Simulation der Antenne mit einer Impedanz von 50 Ohm verwendet. Die Vorder- und Rückansichten sind in Abb. 2 dargestellt.

In diesem Abschnitt werden die simulierten und gemessenen Ergebnisse der vorgeschlagenen Yagi-Uda-Antenne besprochen. Der simulierte S11 mit CST wird auch mit dem vom ADS erhaltenen Ergebnis verglichen. Verschiedene Algorithmen für maschinelles Lernen werden kurz besprochen, um die Resonanzfrequenz und den Gewinn der vorgeschlagenen Antenne vorherzusagen. In Tabelle 1 wird der Leistungsvergleich mit kürzlich veröffentlichten Arbeiten dargestellt.

Die Auswirkungen der Hauptparameter der Struktur werden in den folgenden Abschnitten veranschaulicht, um dem Leser ein besseres Verständnis zu erleichtern.

Das Dipolelement einer Yagi-Antenne wird häufig als der wesentliche Teil der Antenne angesehen, da es die Antenne mit ihrer Stromquelle verbindet und als Speisequelle dient. In dieser Studie wurde festgestellt, dass mit zunehmender Länge des Dipols auch die Rückflussdämpfung zunimmt und ab einer bestimmten Länge abzunehmen beginnt. Bei dieser Ausführung beträgt die jeweilige Länge 33 mm. Darüber hinaus verschob sich auch die Resonanzfrequenz mit zunehmender Länge nach links. Die gewünschte Frequenz dieser Studie betrug 3,5 GHz, die bei einer Länge von 30,87 mm gefunden wurde, dargestellt in Abb. 3.

Simulierter Reflexionskoeffizient für unterschiedliche Dipollängen.

Simulierter Reflexionskoeffizient für Regisseur.

Simulierter Gewinn für verschiedene Regisseure.

Die Komponente auf der rechten Seite der Yagi-Antenne, bekannt als Direktor, ist aufgrund ihrer kapazitiven Natur dafür verantwortlich, die abgestrahlte Leistung entlang der Direktorkomponenten zu konzentrieren34. Aufgrund seiner Strahlungsnatur wird es auch als parasitäres Element bezeichnet. In dieser Studie werden zwei Regisseure eingesetzt. Die Auswirkung von Direktoren auf die Resonanzfrequenz und den Rückflussdämpfungsgrad ist in Abb. 4 mit und ohne Direktoren dargestellt. Die passende Kurve des Designs wurde gefunden, als es mit zwei Direktoren simuliert wurde. Die Höhe des Renditeverlusts ist bei Abwesenheit von Direktoren weniger deutlich. Die Resonanzfrequenz wird mit einem Direktor gelöscht, aber nicht mit der gewünschten. Darüber hinaus wurde festgestellt, dass der Renditeverlust zunimmt, wenn die Anzahl der Direktoren erhöht wird. Der Gewinn einer Antenne erhöht sich, wenn nach dem Dipol weitere Direktoren hinzugefügt werden35. Der Direktor hat einen erheblichen Einfluss auf den Antennengewinn, wie in Abb. 5 dargestellt. Ohne Direktoren beträgt der Gewinn 4,45 dB bei der Resonanzfrequenz, mit einem Direktor 5,5 dB und mit zwei Direktoren 6,57 dB.

Bei 3,5 GHz ist die Stromverteilung in Abb. 6 dargestellt. In der Mitte des Dipols erreicht der Strom sein Maximum von 37,58 A/m, bevor er auf das erste parasitäre Element verteilt wird. Die Intensität der Oberflächenströmung spiegelt sich in der Farbe wider, die als visuelle Darstellung des Konzepts dient. Bei einer Frequenz von 3,5 GHz ist es möglich, einen Strom zu erkennen, der über die Oberfläche des Gegenstands fließt.

Stromverteilung bei Frequenz 3,5 GHz.

Ein Vektornetzwerkanalysator (VNA), wie in Abb. 7 dargestellt, wird zur Prüfung der Portqualitäten verwendet, während eine reflexionsarme Kammer zur Untersuchung der in Abb. 8 dargestellten Strahlungseigenschaften verwendet wird.

Messung der Rückflussdämpfung mittels Vektor-Netzwerkanalysator.

Messung der Strahlungseigenschaften im schalltoten Raum.

Die Stärke eines Signals, das von einer Antenne reflektiert wird und zum Sender zurückläuft, wird als Rückflussdämpfung (S1,1) bezeichnet. Eine höhere Rückflussdämpfung zeigt an, dass die Antenne mehr HF-Energie übertragen kann. Eine größere Bandbreite ist eine notwendige Voraussetzung für die 5G-Kommunikation, da sie eine schnellere Kommunikation und Datenübertragung ermöglicht36. Für eine optimale Leistung muss die Rückflussdämpfung weniger als \(-10\) dB betragen, was in Dezibel (dB)37 ausgedrückt wird.

Es ist ersichtlich, dass die beobachtete Resonanzfrequenz der simulierten sehr nahe kommt (simuliert: 3,50 GHz und gemessen: 3,53 GHz). Ungefähr -43,45 dB (bei Simulation) und -40,81 dB (bei Messung) ist der Reflexionskoeffizient am Resonanzpunkt, wie in Abb. 9 dargestellt.

Simulierter und gemessener Reflexionskoeffizient.

Bei der Bestimmung der Wirksamkeit einer Antenne ist es wichtig, deren Gewinn und Richtwirkung zu berücksichtigen. Die Verstärkung quantifiziert, wie viel Energie auf den Primärstrahl übertragen wird, während die Richtwirkung auswertet, wie viel Leistung in eine einzelne Richtung fokussiert wird38.

Die Wirksamkeit einer Antenne wird zum Teil anhand ihres Gewinns und ihrer Richtwirkung gemessen39. Der Wirkungsgrad wurde mithilfe der Gleichung (8) zu 96,76 % berechnet.

Die maximalen Verstärkungswerte (simuliert 6,57 dB) über das Betriebsfrequenzband sind in Abb. 10 dargestellt und zeigen die Eignung der Antenne für das n78 5G-Band. In einem schalltoten Raum wurde die Spitzenverstärkung des Prototyps mit 6,39 dB gemessen. Darüber hinaus variiert der Bereich der simulierten und gemessenen Wirkungsgrade, wie in Abb. 10 dargestellt, zwischen 84 und 97 % für simulierte Wirkungsgrade und 75–93 % für gemessene Wirkungsgrade.

Simulierter und gemessener Gewinn und Wirkungsgrad der vorgeschlagenen Antenne.

Z-Parameter der untersuchten Antenne.

Die Z-Matrix hat ein weiteres wichtiges wesentliches Impedanzmerkmal der vorgeschlagenen Yagi-Antenne hervorgehoben, wie in Abb. 11 zu sehen ist. Dieser Abbildung zufolge liegt die Realkomponente des Z-Parameters nahe bei 50 Ohm, während die Imaginärkomponente des Der Z-Parameter liegt nahe bei 0, wenn die Frequenz 3,5 GHz beträgt.

Die simulierten und gemessenen 2D-Strahlungsmuster für die Frequenz von 3,5 GHz sind in Abb. 12 dargestellt. Da Theta (\(\theta\)) und Phi (\(\Phi\)) kreisförmige Koordinaten sind, können sie zur Beschreibung verwendet werden die Ausrichtung des Strahlungsmusters in Bezug auf die kartesischen Achsen; Wenn beispielsweise ungefähr konstant 0 ist, dann ist der Bereich von 0\(^\circ\) bis 360\(^\circ\) der XZ-Schnitt, der auch als E-Ebene bezeichnet wird. Simulierte und gemessene 2D-Strahlungsmuster werden in die E-Ebene entlang der XZ (\(\Phi\) = 0\(^\circ\)) & YZ (\(\Phi\) = 90\(^\circ\) projiziert. )) achsen die H-Ebene entlang der xy-Richtung bei \(\theta\) = 90\(^\circ\). Umfangreiche Tests der Fernfeldeigenschaften zeigen ein überlegenes Richtungsverhalten in jeder Magnetfeldebene. In der xz-Ebene beträgt die Hauptkeulenstärke -37,7 dB A/m und in der yz-Ebene -30,3 dB A/m. Auf der xy-Ebene ist zu erkennen, dass der Nebenkeulenpegel -11,9 dB beträgt und die Winkelbreite (3 dB) 71,5\(^\circ\) beträgt.

Simuliertes und gemessenes 2D-Strahlungsmuster der vorgeschlagenen Antenne bei 3,5 GHz für \(\Phi = 0^\circ\), \(\Phi = 90^\circ\), \(\theta = 90^\circ\).

Es wurde beobachtet, dass der vorgeschlagene Prototyp Strahlung in alle Richtungen abgibt, was dem in Simulationen gezeigten akzeptablen Verhalten entspricht. Dennoch wird ein geringfügiger Unterschied zwischen den simulierten und den gemessenen Ergebnissen in beiden Ebenen untersucht, der auf Einschränkungen des Messaufbaus und Fehler in der 3D-Yagi-Antenne zurückzuführen ist.

Gemessenes 3D-Strahlungsmuster für (a) 3,4 GHz-Unteransicht, (b) 3,4 GHz-Draufsicht, (c) 3,5 GHz-Unteransicht, (d) 3,5 GHz-Draufsicht, (e) 3,6 GHz-Unteransicht und (f) 3,6 GHz Draufsicht.

Echolose Kammern werden zur Messung von 3D-Strahlungsmustern verwendet. Messen Sie das Feld der Antenne aus verschiedenen Winkeln mit einer Sonde oder Hornantenne. Anhand dieser Daten wird das Strahlungsmuster der Antenne dreidimensional dargestellt. Das Strahlungsmuster in einem dreidimensionalen sphärischen Koordinatensystem ist in Abb. 13 dargestellt. Die projizierte gemessene 3D-Strahlungsmusteransicht von unten und von vorne bei 3,4 GHz ist in Abb. 13a und b dargestellt. Abbildung 13c und d zeigen das 3D-Strahlungsmuster der vorgeschlagenen gemessenen Yagi-Antenne bei 3,5 GHz. Abschließend ist das gemessene 3D-Strahlungsmuster für 3,6 GHz in Abb. 13e und f dargestellt.

Schaltungsentwurfstools wie die Agilent ADS-Software und die CST Studio-Simulation werden verwendet, um den Ersatzschaltkreis der Antenne zu erstellen, der durch die Impedanzanalyse der Antenne erstellt wird. Eine maximale Leistungsübertragung (mindestens 90 %) vom Eingangsanschluss zur Antennenstruktur und Abstrahlung in den freien Raum wird durch einen Rücklaufpegel von weniger als \(-10\) dB bei der Resonanzfrequenz gewährleistet. Um möglichst viel Leistung zu übertragen, ist es notwendig, die Impedanz des Antennenkreises an den Wellenwiderstand von 50\(\Omega\)40 anzupassen. Gemäß dem Prinzip der maximalen Leistungsübertragung müssen die Lastimpedanz und der Eingangswiderstand (Z\(_{Last}\) = R\(_{in}\)) als „angepasst“ betrachtet werden möglichst gleichwertig sein.

Die Grundlage dieser Methode besteht darin, ein konzentriertes Elementmodell (RLC-Schaltkreis) zu finden, dessen Eigenschaften nahe genug an der vorgeschlagenen Yagi-Antenne liegen. Nachdem die Antenne zerlegt und für jedes Teil eine ähnliche Schaltung vorgeschlagen wurde, wird das Endprodukt wie in Abb. 16a–d41,42 wieder zusammengebaut. Die letzte Phase umfasst die Simulation des Ersatzschaltbildmodells der vorgeschlagenen Antenne über ihren gesamten Frequenzbereich unter Verwendung der R-L-C-Parameter. Dieses Modell stellt den beabsichtigten Yagi-Antennenbetrieb genau dar. Die Eigenschaften der Kerben sind in Abb. 14 deutlich zu erkennen. Das Verhalten der vorgeschlagenen Yagi-Antenne wird von diesem Modell ziemlich genau erfasst. Die Ergebnisse der CST-Simulation werden mit den Ergebnissen einer ähnlichen Schaltungssimulation unter Verwendung der S11-Parameter in Abb. 15 verglichen.

Ersatzschaltbild der vorgeschlagenen Antenne.

Simulierter Reflexionskoeffizient des Ersatzschaltbildes in ADS und CST.

Als Teil der Ersatzschaltung wurde die vorgeschlagene Yagi-Antenne unter Verwendung von Übertragungsleitungen entwickelt. Folglich reproduziert das rechte Dipolelement der Antenne eine Parallelschaltung R1, L1, C1, das linke Dipolelement der vorgeschlagenen Antenne erzeugt eine Parallelschaltung R2, L2, C2. Während C6 die Lücke zwischen Dipol und Reflektor darstellt, wie in Abb. 16b dargestellt.

Reflektor der Antenne erzeugt eine Parallele von L3 und C3. Während C7 und C8 die Lücke zwischen Dipol und Direktor 1 darstellen. Die Kombination C4 und L4 symbolisiert den ersten Direktor, C5 und L5 bezeichnen den zweiten Direktor, wie in Abb. 16 a und 16c dargestellt. Die Lücke zwischen Direktor 2 und Direktor 1 wird durch gekennzeichnet der Buchstabe C9.

Die Entwicklung des Ersatzschaltkreises der Yagi-Antenne: (a) das Reflektorschaltkreismodell, (b) das Dipolelementschaltkreismodell, (c) das Direktorschaltkreismodell, (d) das endgültige Ersatzschaltbildmodell.

ML-Ansätze wurden im letzten Jahrzehnt intensiv erforscht und in Antennendesigns eingesetzt, da sie in einem Trainingsprozess aus beobachteten oder simulierten Antennendaten lernen können. Bei der ML-unterstützten Optimierung (MLAO) wird mithilfe von ML-Techniken ein recheneffizientes Modell erstellt, um die festgelegten Eigenschaften an den möglichen Punkten im Designraum vorherzusagen. Dabei wird der Trainingssatz verwendet, der an den Stichprobenpunkten basierend auf dem ursprünglichen rechenintensiven Modell generiert wurde. Gaußsche Prozessregression (GPR), Support Vector Machine (SVM) und künstliche neuronale Netze sind nur einige der ML-Techniken, die in MLAO-Ansätzen für das Antennendesign enthalten sind43. Um einen allgemeinen Überblick zu geben, kann maschinelles Lernen als die Extraktion nützlicher Informationen aus Daten durch die Entwicklung genauer Vorhersagealgorithmen44 definiert werden. Diese Algorithmen können bei der Optimierung nützlich sein, ihre Wirksamkeit hängt jedoch von der Qualität und Quantität der gesammelten Daten ab. Aus diesem Grund werden statistische Analyse und maschinelles Lernen oft als synonyme Begriffe betrachtet. Regressionsmethoden sind nützlich, um den Optimierungsprozess zu beschleunigen, da ihre ML-Bewertung viel schneller ist als die numerische Lösung eines physikalischen Simulationsmodells45. Regressionsmodelle helfen auch dabei, die Rolle jedes Designelements bei der Erzielung der gewünschten Ergebnisse zu isolieren.

Die Methodik besteht aus zwei separaten Abschnitten. Im ersten Schritt des Prozesses wird die als CST bekannte Simulationssoftware verwendet, um die Antenne so zu bauen, dass sie bei einer Frequenz in der Mitte des 5G-Spektrums arbeitet, und um den durch einen parametrischen Sweep erzeugten Datensatz zu extrahieren. Der nächste Schritt besteht darin, die zu trainieren Datensatz, um Modelle für maschinelles Lernen anzuwenden und vorherzusagen, welches Modell am besten funktioniert.

Die in Abb. 17 dargestellte Methodik wird nun detaillierter besprochen. Bestimmen Sie zunächst die Frequenz des mittleren Bandes der 5G-Anwendung, die bei 3,5 GHz liegt. Nutzen Sie CST, um die Antenne bei Frequenzen zu entwerfen, bei denen die Leistung der Antenne zufriedenstellend ist. Mithilfe eines parametrischen Sweeps ist es möglich, die simulierten Parameter von CST zu exportieren, beispielsweise die Länge des Direktors, die Größe des Dipols sowie die Länge des Bodens und des Reflektors. Größere Datensätze können in einigen Fällen für Regressionsalgorithmen für maschinelles Lernen hilfreich sein, obwohl dies nicht immer der Fall ist. Mehrere Faktoren, darunter die Komplexität des Problems, die Dimensionalität der Eingabemerkmale und die Komplexität des Modells, beeinflussen, wie stark sich ein größerer Datensatz auf ein Regressionsmodell auswirkt. Am Ende werden über die Simulation mit Hilfe von CST MWS 141 Datenproben gesammelt und verschiedene Methoden des maschinellen Regressionslernens (ML) werden verwendet, um den Gewinn und die Resonanzfrequenz der vorgeschlagenen Yagi-Antenne vorherzusagen.

Datenerfassungsworkflow für maschinelles Lernen.

Die vorliegende Studie verwendet neun verschiedene maschinelle Lernalgorithmen, um Vorhersagen zu generieren. Zu den betrachteten Regressionsmodellen gehören lineare Regression, Random-Forest-Regression, Entscheidungsbaum-Regression, Lasso-Regression, Ridge-Regression, Diese Algorithmen werden aufgrund ihrer Fähigkeit ausgewählt, eine Regressionsanalyse für nichtlineare Datensätze durchzuführen. Regression ist der am besten geeignete Ansatz zur Umsetzung von Vorhersagen, da das angestrebte Ergebnis numerische Werte sind. Ein Fehler ist eine primäre Statistik in der Regressionsanalyse und wird aufgrund seiner Allgegenwärtigkeit so genannt. Das in Abb. 18 dargestellte Flussdiagramm veranschaulicht den Entwicklungsprozess eines maschinellen Lernalgorithmus. Bei der Analyse des Datensatzes wurde er in zwei unterschiedliche Segmente unterteilt, die durch einen mit der CST-Simulationssoftware durchgeführten parametrischen Sweep ermittelt wurden.

Die gesamte Studie zum maschinellen Lernen wurde in der simulierten Python-Umgebung von Google namens Google Colab durchgeführt. Um die Regressionsmodelle effizient zu erstellen, haben wir das Sci-Kit-Learning-Framework für maschinelles Lernen verwendet. Matplotlib wurde für jede Analyse und Visualisierung verwendet, insbesondere aber für die Schlussfolgerung. Der Datensatz kann mithilfe der Train-Test-Split-Methode in Trainings- und Testuntergruppen unterteilt werden. Bei dieser Methode werden die Daten nach dem Zufallsprinzip in zwei Kategorien aufgeteilt: Trainieren des Modells und Testen seiner Genauigkeit anhand neuer Daten. Das Folgende ist ein Beispiel aus unserer linearen Regressionstechnik, das zeigt, wie wir das Scikit-Learn-Modul in Python verwenden, um unsere Daten zu partitionieren:

Im obigen Codebit steht X für die Merkmalsmatrix (die Variablen, die als Eingaben dienen) und y gibt die Zielvariable an (die Variable, deren Wert wir vorhersagen möchten). Wenn wir angeben, dass die Testgröße 0,2 betragen soll, reservieren wir 20 % der Daten zum Testen, während wir den Rest, also 80 %, der Daten für den Prozess des Modelltrainings verwenden. Durch die Festlegung des Zufallsstartwerts garantiert der Zufallszustandsparameter die Reproduzierbarkeit. Wir brauchen eine gewisse Trennung zwischen Training und Test; Daher passen wir die Option test_size entsprechend an. Nachdem wir die Daten partitioniert haben, können wir X_train und y_train verwenden, um unser Regressionsmodell zu trainieren, und dann können wir X_test und y_test verwenden, um die Leistung des Modells für Daten zu bewerten, für die es nicht trainiert wurde.

Gemäß dem Vorschlag in46 umfasste der erste Teil der Studie die Auswahl von 80 % des Gesamtdatensatzes für Trainingszwecke, während die restlichen 20 % für Tests im zweiten Teil reserviert waren. Anschließend wird der Trainingsdatensatz einem maschinellen Lernalgorithmus unterzogen, der verschiedene Merkmale und Labels einbezieht. Nach Abschluss des Modelltrainings und der Kreuzvalidierung kann das Modell effektiv genutzt werden, um die Resonanzfrequenz und den realisierten Gewinn für die beabsichtigten Eingaben vorherzusagen. Maschinelles Lernen (ML) ermöglicht schnellere und genauere Vorhersagen als Ergebnisse, die durch Computersimulationstechnologie (CST) erzielt werden. Der Prognose zufolge ist das optimale Modell für die Resonanzfrequenz die lineare Regression, während es für den realisierten Gewinn die Gaußsche Prozessregression ist.

Flussdiagramm, das die Implementierung eines Algorithmus für maschinelles Lernen veranschaulicht.

Die Verfügbarkeit einer vielfältigen Modellpalette ist für die Erzielung hervorragender Ergebnisse von großem Wert. Die Regressionsanalyse, eine statistische Methode, kann verwendet werden, um die Zusammenhänge zwischen Variablen zu bewerten.47 Die Regressionsanalyse wird aufgrund ihrer Fähigkeit eingesetzt, das vorliegende Problem effektiv anzugehen. Es werden neun Regressionsmodelle für maschinelles Lernen verwendet, die als am effektivsten erachtet wurden, wie in Abb. 19 dargestellt. Der folgende Text bietet eine kurze Erläuterung zu jedem dieser Modelle.

Aufteilung von Regressionsalgorithmen.

Lineare Regression Die lineare Regression, wie in Referenz 48 beschrieben, stellt eine lineare Beziehung zwischen den unabhängigen und abhängigen Variablen her. Daher weisen unabhängige Variablen eine entsprechende Veränderung gegenüber abhängigen Faktoren auf. Eine wichtige Annahme ist, dass Fehler, die sich auf die Unterschiede zwischen erwarteten und beobachteten Werten beziehen, einer Normalverteilung folgen und eine gleichmäßige Varianz aufweisen.

Random Forest-Regression Der Prozess der Klassifizierung und Regression mithilfe von Random Forests erfordert die Erstellung einer Gruppe von Baumprognosen. Jeder Baumvorhersager wird unter Verwendung eines unbekannten Vektors erstellt, der unabhängig vom Eingabevektor ausgewählt wird. Bei der Regression mit Baumprognosemethode werden Klassenbezeichnungen durch Werte in Zahlen ersetzt. Der Random-Forest-Regressionsalgorithmus erstellt einen Entscheidungsbaum, indem er Variablen an jedem Knoten verwendet, wie in Referenz49 angegeben.

Entscheidungsbaum-Regression Laut Literatur50 werden Regressionsbäume zur Vorhersage konstanter Zielvariablen, beispielsweise numerischer Werte, verwendet. Überwachtes maschinelles Lernen unter Verwendung der Entscheidungsbaumregression ist eine Methode zur Vorhersage konstanter Zielvariablen. Hierbei handelt es sich um eine Variante der Entscheidungsbaummethode, die für Aufgaben wie die Klassifizierung verwendet wird.

Lasso-Regression Die Lasso-Regressionstechnik ist eine Form der linearen Regression, die einen Reduktionsansatz verwendet. Lasso-Regressionen werden aufgrund ihrer Wirksamkeit bei der Attributauswahl häufig von Forschern in Modellierungsumgebungen eingesetzt, die zahlreiche Merkmale umfassen51.

Ridge-Regression Ridge-Regression ist eine nützliche Technik, wenn man mit einer großen Anzahl von Variablen arbeitet und darauf abzielt, die Koeffizienten weniger wichtiger Merkmale auf Null zu minimieren. Im Bereich der Antennenarchitektur werden verschiedene Eingabeattribute berücksichtigt, von denen einige möglicherweise keinen wesentlichen Einfluss auf das Ergebnis haben52.

XGB-Regression Die internen Optimierungen von XGBoost beschleunigen den Trainingsprozess beim Umgang mit großen Datensätzen. Die Software bietet erweiterte Funktionalitäten wie Regularisierung, Parallelverarbeitung und Umgang mit unvollständigen Daten. Antennenentwickler haben die Möglichkeit, mithilfe von XGBoost53 entweder simulierte oder beobachtete Daten zu nutzen, um Antenneneigenschaften wie Richtwirkung, Gewinn und Strahlungsverteilungen vorherzusagen.

Bayesianische lineare Regression Der Bayesianische Ansatz der linearen Regression beinhaltet die Schätzung von A-priori-Wahrscheinlichkeiten für die Modellvariablen, im Gegensatz zur Bestimmung des Idealwerts für angegebene Variablen54. Ein Vorteil der Verwendung der Bayes'schen linearen Regression liegt in der Möglichkeit, die folgende Verteilung zu nutzen, um den Grad der Mehrdeutigkeit in den vom Modell erstellten Prognosen zu messen. Die Nutzung des probabilistischen Verständnisses bei der Interpretation von Prognosen kann zu vorteilhaften Ergebnissen führen.

Gaußsche Prozessregression Die Gaußsche Prozessregression, oft auch als GPR bekannt, ist eine Art überwachter maschineller Lernansatz, der auf Aktivitäten wie Regression und Klassifizierung angewendet werden kann. Der Einsatz von Bodenradar (GPR) hat eine Reihe von Vorteilen, darunter die Tatsache, dass damit auch bei der Arbeit mit einer begrenzten Datensammlung zufriedenstellende Ergebnisse erzielt werden können und dass es Maßstäbe für die Mehrdeutigkeit von Vorhersagen liefern kann55.

Support Vector Regression Machine Support Vector Regression Machine ist eine maschinelle Lerntechnik, die zum Zweck der Regressionsanalyse verwendet wird. Diese Methodik nutzt die Prinzipien von Support Vector Machines (SVM), um Vorhersagen über kontinuierliche numerische Werte zu treffen. Die Support Vector Regression Machine (SVRM) zielt darauf ab, eine optimale Hyperebene zu identifizieren, indem die Anzahl der Randverletzungen minimiert wird. Dies wird durch die Einbeziehung von Kernelfunktionen zur Berücksichtigung nichtlinearer Beziehungen erreicht. Support Vector Regression Machine (SVRM) wird in verschiedenen Bereichen eingesetzt, darunter Finanzen, Zeitreihenanalyse und Regressionsaufgaben, die genaue numerische Vorhersagen erfordern56.

Der mittlere absolute Fehler (MAE), der mittlere quadratische Fehler (MSE), der mittlere quadratische Fehler (RMSE), der quadratische mittlere logarithmische Fehler (RMSLE), der mittlere prozentuale Fehler (MPE), der mittlere absolute prozentuale Fehler (MAPE). ), das Bestimmtheitsmaß (R2) und der Varianzwert wurden verwendet, um die Genauigkeit der Vorhersagen zu bewerten. Der mittlere absolute Fehler (MAE) gibt die durchschnittliche Differenz zwischen den berechneten und den gefundenen Werten an. Gleichung (9) zeigt die MAE57-Formulierung.

Wobei \(\textrm{n}=\) Anzahl der Fehler \(\left| y_i-{\hat{y}}_i\right| =\) Fehler absolut

Der mittlere quadratische Fehler (MSE) ist die Art der Regressionsverlustfunktion, die am häufigsten verwendet wird. Der Verlust ist der Mittelwert der überwachten Daten der quadrierten Differenzen zwischen wahren und vorhergesagten Werten. Die MSE58-Formulierung ist in Gleichung dargestellt. (10).

Der mittlere quadratische Fehler (RMSE) stellt den ursprünglichen Wert der Einheit wieder her, indem er die Wurzel von MSE nimmt. Gleichung (11) veranschaulicht den RMSE59-Ausdruck.

Der mittlere quadratische logarithmische Fehler (MSLE) kann als Verhältnis der wahren und vorhergesagten Werte betrachtet werden. Die MSLE60-Gleichung ist in Gleichung dargestellt. (12).

Der mittlere quadratische logarithmische Fehler (RMSLE) stellt die Einheit auf ihren ursprünglichen Wert wieder her, indem die Wurzel aus MSLE genommen wird. Die Gleichung von RMSLE61 ist in Gleichung dargestellt. (13).

Der mittlere absolute prozentuale Fehler (MAPE) kann berechnet werden, indem zunächst die Differenz zwischen dem tatsächlichen Wert und dem vorhergesagten Wert ermittelt und diese dann durch den tatsächlichen Wert dividiert wird. Gleichung (14) zeigt die MAPE62-Formel.

Der R-Quadrat-Wert gibt die Genauigkeit Ihrer Modellanpassung an. Wenn R\(^2\) nahe bei 1 liegt, bedeutet dies, dass das Modell eine gute Anpassung an die Daten bietet. Wenn R\(^2\) dagegen näher bei 0 liegt, bedeutet dies, dass das Modell nicht besonders gut ist. Wenn ein Modell ein absurdes Ergebnis vorhersagt, kann das R-Quadrat negativ sein. R-Quadrat63 wird in Gleichung ausgedrückt. (15).

Der erklärte Varianzwert64 beschreibt die Fehlerstreuung in jedem Datensatz. Es ist wie in Gl. definiert. (16).

Tabelle 2 vergleicht die Fähigkeit der neun Regressionsmodelle, die Resonanzfrequenz anhand von acht verschiedenen Parametern vorherzusagen. Der mittlere absolute Fehler (MAE) und der mittlere absolute prozentuale Fehler (MAPE) sind bei Verwendung der Gaußschen Prozessregressionsmethode beide am niedrigsten und liegen bei 0,3172 % bzw. 0,0903 %. Der mittlere quadratische Fehler (MSE), der mittlere quadratische Fehler (RMSE) und der mittlere quadratische absolute Fehler (RMSLE) für die lineare Regression betragen 0,0014 %, 0,3802 % bzw. 0,0842 %. Wenn es um R-Quadrat und Varianzwert geht, weist die lineare Regression mit 99,7976 % bzw. 99,8975 % die höchste Genauigkeit auf. Die Schwankung der simulierten und vorhergesagten Frequenzdifferenz wurde durch die Grafik in Abb. 20 unter Verwendung der linearen Regression dargestellt. Bei der Untersuchung stimmen wir zwischen 3,35 und 3,75 GHz ab. Wir haben 28 Testbeobachtungen. Tabelle 3 zeigt die erwarteten und simulierten Resonanzfrequenzen und ihre Werte. Die Beobachtungen 12 und 15 wiesen mit 0,0077 und 0,0001 die höchsten und niedrigsten Abweichungen zwischen simulierten und vorhergesagten Werten auf. Basierend auf diesen Daten wird LR ausgewählt, da es die Häufigkeit genauer vorhersagt als andere ML-Modelle.

Simulierte vs. vorhergesagte Häufigkeit mithilfe der linearen Regression.

Die Genauigkeit der Gewinnvorhersage für die neun Regressionsmodelle wird in Tabelle 4 verglichen. Darüber hinaus wurden für diesen Vergleich acht verschiedene Kriterien verwendet. Die MSE-, MSLE- und MAPE-Werte von 0,0375 %, 0,0007 % bzw. 0,1978 % liegen ziemlich nahe an denen, die sowohl in der Gaußschen Prozessregression als auch in der linearen Regression gefunden werden. Allerdings weist die Gaußsche Prozessregression den geringsten Fehler in Bezug auf MAE und RMSE auf und weist mit 98,4022 % bzw. 98,4200 % die beste Genauigkeit für R-Quadrat und Varianzbewertung auf. Die Grafik in Abb. 21 zeigt die Volatilität der simulierten und vorhergesagten Verstärkungsdifferenz mithilfe der Gaußschen Prozessregression. Tabelle 5 vergleicht den vorhergesagten und den simulierten Gewinn. Die Beobachtungen 12 und 16 hatten die höchsten und niedrigsten Varianzen, 0,0617 bzw. 0,0004. GPR wurde ausgewählt, weil es den Gewinn besser vorhersagt als andere ML-Modelle.

Simulierter vs. vorhergesagter Gewinn mithilfe der Gaußschen Prozessregression (GPR) mit linearer Regression.

Im Jahr 22 verwendeten die Autoren Regressionsmodelle für maschinelles Lernen, um die Höhe des Renditeverlusts vorherzusagen. Der mittlere quadratische Fehler (MSE) wurde zur Fehlerschätzung berechnet, während der R2-Score ausschließlich zur Genauigkeitsbewertung verwendet wurde. Der für die Genauigkeitsvorhersage entscheidende Varianzwert wird von ihnen außer Acht gelassen. Die Metriken mittlerer quadratischer Fehler (MSE) und R-Quadrat (R2) werden im Kontext der Random-Forest-Regression, der Entscheidungsbaum-Regression und der XGB-Regression berechnet. Die Fehlerquote weist über alle Modelle hinweg einen deutlichen Anstieg auf. Der Prozentsatz übersteigt 50 %. Die Tabelle zeigt numerische Werte an. Die Vorhersage der Resonanzfrequenz wurde in einer früheren Forschungsstudie65 unter Verwendung der Random-Forest-Regression, der Decision-Tree-Regression und der XGB-Regression durchgeführt. Die R-Quadrat-Werte aller Modelle liegen über 97 % und die Random Forest Regression weist eine Fehlerquote von 32 % auf. Das Entscheidungsbaum-Regressionsmodell ergab einen prozentualen Wert von 51 %, während das XGB-Regressionsmodell einen Wert von 33 % ergab. Die Autoren verwendeten sechs Regressionsmodelle für maschinelles Lernen, um die Resonanzfrequenz vorherzusagen. Der Varianzwert wird zur Präzisionsbewertung verwendet, während R2 außer Acht gelassen wird. Das lineare Regressionsmodell weist eine Genauigkeit von etwa 76 % und eine Fehlerquote von 52,2 % auf, während das Entscheidungsbaum-Regressionsmodell eine Genauigkeit von 99 % und eine Fehlerquote von 0,71 % aufweist. In einer früheren Studie67 wurde berichtet, dass das Entscheidungsbaum-Regressionsmodell eine Fehlerrate von 11,33 % und eine Genauigkeitsrate von 67,5 % aufwies. Die Vorhersage der Rückflussdämpfung erfolgt in68. Es wurde eine Genauigkeit von ca. 57,49 % erreicht, während eine signifikante Fehlerquote von ca. 62,2 % erkennbar ist. Diese Studie verwendet mehrere Regressionsmodelle, nämlich lineare Regression, Random-Forest-Regression, Entscheidungsbaum-Regression, Ridge-Regression, XGB-Regression, Bayesianische lineare Regression und Gaußsche Prozessregression. Die Regressionsmethoden werden verwendet, um sowohl die Resonanzfrequenz als auch die Verstärkung vorherzusagen. Das präsentierte Material weist im Vergleich zu anderen Quellen in jeder Hinsicht ein höheres Maß an Präzision und eine geringere Fehlerquote auf, wie in Tabelle 6 erläutert und dargestellt.

Tabelle 7 zeigt eine vergleichende Analyse der Rechenleistung zwischen dem vorgeschlagenen Ansatz und dem Modell, das auf dem CST EM-Simulator basiert, gemäß der Analyse der Autoren in69,70,71. Die Simulationen wurden unter Verwendung des angegebenen Simulationsaufbaus durchgeführt. Das System ist mit einer Intel(R) Core(TM) i3-8145U CPU ausgestattet, die mit einer Frequenz von 2,10 GHz arbeitet. Darüber hinaus sind insgesamt 12,0 GB RAM verbaut. Die bereitgestellten Informationen umfassen Beschreibungen eines Modells, das aus einem einzelnen Einheitselement und einem Satz von 8 Regressionsmodellen besteht. Darüber hinaus wird die Gesamtdauer angegeben, die erforderlich ist, um optimierte Modelle unter Verwendung sowohl des auf dem CST EM-Simulator basierenden Modells als auch des vorgeschlagenen Ansatzes zu erhalten.

Die Gesamtkosten des vorgeschlagenen Ansatzes können anhand der Auslastung des gesamten RAM und der Zeitdauer bestimmt werden. Zur Beurteilung der Leistung der Regressionsmodelle wurden insgesamt 141 Datenproben herangezogen. Der Verifizierungsprozess nutzt insgesamt 28 Stichproben, während der Trainingsprozess 113 Datenpunkte umfasst. Um die Ausgabe von Regressionsmodellen zu erhalten, wurde Google Collab verwendet, was zu einem ungefähren Speicherverbrauch von 200 MB führte. Der Abruf der Ausgabe für jedes Regressionsmodell erfolgte innerhalb eines Zeitrahmens von 0,1–0,2 s. Im Gegensatz dazu beträgt die erforderliche Zeit, um in CST-EM-Simulatormodellen eine Ausgabe zu erhalten und das gewünschte Ergebnis zu erzielen, etwa 2 Minuten und 52 Sekunden für den Einzelelement-CST-EM-Simulator und 10 Minuten und 31 Sekunden für den Einzelelement-CST-EM-Simulator (Medium Complexity Mesh Configuration). und 25 Minuten und 10 Sekunden für den Einzelelement-CST-EM-Simulator (High Complexity Mesh Configuration). Die vorgeschlagene Methode zeigt eine deutliche Geschwindigkeitssteigerung im Vergleich zum Entwurfsansatz auf Basis von CST-EM-Simulatormodellen. Insbesondere beträgt der beobachtete Zeitunterschied zwischen den beiden Methoden fast das Hundertfache, wobei die erste Methode in einer Netzkonfiguration mit hoher Komplexität etwa 25 Minuten benötigt und die zweite Methode lediglich 0,2 Sekunden benötigt. Leistungsbewertung der vorgeschlagenen Methode und des auf dem CST-EM-Simulator basierenden Entwurfs im Hinblick auf den gesamten Entwurfsprozess und die Simulationskosten.

Die Leistung der vorgeschlagenen Antenne wird in dieser Studie unter Verwendung verschiedener Methoden bewertet, darunter Simulation, Messung, die Entwicklung eines RLC-Ersatzschaltbildmodells sowie maschinelle Lernstrategien zur Vorhersage. Die Antenne arbeitet im Sub-6-GHz-Band (n78) für 5G-Anwendungen. Es hat eine maximale Verstärkung von 6,57 dB, eine Richtwirkung von 6,79 dBi und einen Wirkungsgrad von 97 %. Sowohl in der ADS- als auch in der CST-Simulation wurde festgestellt, dass die Bandbreite des n78-Bandes praktisch identisch ist Reflexionskoeffizient, Verstärkung, Effizienz und Strahlungsmuster, die als Ergebnis der Simulation erstellt wurden, sind ziemlich vergleichbar mit denen, die als Ergebnis der Messungen erstellt wurden. Darüber hinaus wurden neun Algorithmen für maschinelles Lernen entwickelt, um die Resonanzfrequenz und den Gewinn der Yagi-Uda-Antenne zu berechnen. Im Hinblick auf die Vorhersage der Resonanzfrequenz zeigen die vorhergesagten Ergebnisse, dass die Fehlerleistung des linearen Regressionsmodells (LR) relativ besser ist als bei anderen Modellen. Wenn es hingegen um die Vorhersage des Gewinns geht, zeigt das Gaussian Process Regression (GPR)-Modell eine bessere Leistung als andere Modelle. Sie deckt 14,77 % der Bandbreite zwischen 3,26 GHz und 3,78 GHz ab und ist damit ein vielversprechender Kandidat für das n78-Band im 5G-Kommunikationssystem. Angesichts der Tatsache, dass die simulierten und gemessenen Ergebnisse sehr gut korrelieren und die konstruierte Yagi-Antenne Da sie eine vollständige Abdeckung aller n78-Frequenzbänder bietet, kann diese Antenne als ideales Modell für Anwendungen angesehen werden, die bei Frequenzen unter 6 GHz betrieben werden.

Die während der aktuellen Studie verwendeten und analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Thatere, A., Khade, S., Lande, VS & Chinchole, A. Eine T-förmige rechteckige Mikrostreifen-Schlitzantenne für Mittelband- und 5G-Anwendungen. JREAS6, 144–146, https://doi.org/10.46565/jreas.2021.v06i03.007 (2021).

Moniruzzaman, M. et al. Lückengekoppelter symmetrischer Split-Ring-Resonator basierend auf ENG-Metamaterial mit nahezu Nullindex zur Verstärkungsverbesserung einer Monopolantenne. Wissenschaft. Rep. 12, 7406. https://doi.org/10.1038/s41598-022-11029-7 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Al-Bawri, SS, Islam, MT, Islam, MS, Singh, MJ & Alsaif, H. Massives metamaterialsystemgeladenes MIMO-Antennenarray für 5G-Basisstationen. Wissenschaft. Rep. 12, 14311. https://doi.org/10.1038/s41598-022-18329-y (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Shabbir, T. et al. Nichtplanares MIMO-Antennensystem mit 16 Ports und Near-Zero-Index (NZI)-Metamaterial-Entkopplungsstruktur für 5G-Anwendungen. IEEE Access 8, 157946–157958. https://doi.org/10.1109/ACCESS.2020.3020282 (2020).

Artikel Google Scholar

Jilani, MAK et al. Design einer 2 1 Patch-Array-Antenne für 5G-Kommunikationssysteme im mm-Wellen-Frequenzband. Im Jahr 2022 IEEE 12th Annual Computing and Communication Workshop and Conference (CCWC), 0857–0862, https://doi.org/10.1109/CCWC54503.2022.9720836 (IEEE, Las Vegas, NV, USA, 2022).

Padmanathan, S. et al. Kompakte rekonfigurierbare Multiband-MIMO-Antenne für 5G-Mobilterminals unter 6 GHz. IEEE Access 10, 60241–60252. https://doi.org/10.1109/ACCESS.2022.3180048 (2022).

Artikel Google Scholar

Azim, R. et al. Flache Multi-Slot-Patchantenne für niedrigere 5G-Anwendungen. Im Jahr 2020 IEEE Region 10 Symposium (TENSYMP), 366–369, https://doi.org/10.1109/TENSYMP50017.2020.9230892 (IEEE, Dhaka, Bangladesch, 2020).

Sun, J.-N., Li, J.-L. & Xia, L. Eine dualpolarisierte magnetoelektrische Dipolantenne für die Anwendung im N77/N78-Band. IEEE Access 7, 161708–161715. https://doi.org/10.1109/ACCESS.2019.2951414 (2019).

Artikel Google Scholar

Mathew, PK Eine Yagi-Uda-Antenne mit drei Elementen für RFID-Systeme. Regisseur 50, 2 (2014).

Google Scholar

Agrawal, SR, Lele, KA & Deshmukh, AA Rezension zu gedruckter Logbuchzeitschrift und Yagi MSA. IJCA 126, 38–44. https://doi.org/10.5120/ijca2015906177 (2015).

Artikel Google Scholar

Mushiake, Y. Ein Bericht über die japanische Antennenentwicklung: Von der Yagi-Uda-Antenne zu selbstkomplementären Antennen. IEEE-Antennenpropag. Mag. 46, 47–60. https://doi.org/10.1109/MAP.2004.1373999 (2004).

Artikel ADS Google Scholar

Kazema, T. & Michael, K. Gewinnen Sie eine Verbesserung der Yagi-Uda-Antenne mithilfe eines genetischen Algorithmus für den Einsatz beim Empfang von DVB-T2-Fernsehsignalen in Tansania. J. Interdisziplin. Wissenschaft. (2017).

Dalvadi, P. & Patel, DA Ein umfassender Überblick über verschiedene Speisetechniken für Quasi-Yagi-Antennen. IJETER 9, 221–226, https://doi.org/10.30534/ijeter/2021/12932021 (2021)

Yurt, R., Torpi, H., Mahouti, P., Kizilay, A. & Koziel, S. Charakterisierung vergrabener Objekte mithilfe von Bodenradar, unterstützt durch datengesteuerte Ersatzmodelle. IEEE Access11, https://doi.org/10.1109/ACCESS.2023.3243132 (2023).

Bai, Y., Gardner, P., He, Y. & Sun, H. Ein Ersatzmodellierungsansatz für frequenzrekonfigurierbare Antennen. IEEE Trans. Antennen Propag.https://doi.org/10.1109/TAP.2023.3248446 (2023).

Artikel Google Scholar

Koziel, S. & Pietrenko-Dabrowska, A. Beschleunigte Ersatzmodellierung mit variabler Auflösung von miniaturisierten Mikrowellenpassiven in begrenzten Domänen. IEEE-Transaktionen zur Mikrowellentheorie und -technik70, https://doi.org/10.1109/TMTT.2022.3191327 (2022).

Yu, Y. et al. Stand der Technik: KI-gestützte Ersatzmodellierung und -optimierung für Mikrowellenfilter. IEEE-Transaktionen zur Mikrowellentheorie und -technik70, https://doi.org/10.1109/TMTT.2022.3208898 (2022).

Kouhalvandi, L. & Matekovits, L. Ersatzmodellierung für den Entwurf und die Optimierung von Mimo-Antennen.https://doi.org/10.1109/AP-S/USNC-URSI47032.2022.9886514 (2022).

Artikel Google Scholar

Khan, MM, Hossain, S., Mozumdar, P., Akter, S. & Ashique, RH Ein Überblick über maschinelles Lernen und Deep Learning für verschiedene Antennendesignanwendungen. Heliyon8, https://doi.org/10.1016/j.heliyon.2022.e09317 (2022).

Abdelhamid, AA & Alotaibi, SR Robuste Vorhersage der Bandbreite der Metamaterialantenne mithilfe von Deep Learning. Computer, Materialien und Kontinua, https://doi.org/10.32604/cmc.2022.025739 (2022).

El-Kenawy, ESM et al. Optimierter Ensemble-Algorithmus zur Vorhersage von Metamaterial-Antennenparametern. Computt. Mater. Fortsetzung, https://doi.org/10.32604/cmc.2022.023884 (2022).

Ranjan, P., Maurya, A., Gupta, H., Yadav, S. & Sharma, A. Ultra-Breitband-CPW-gespeiste bandgekerbte Monopolantennenoptimierung mittels maschinellem Lernen. Progr. Elektromagn. Res., https://doi.org/10.2528/PIERM21122802 (2022).

Olcan, D., Ninkovic, D., Stankovic, Z., Doncov, N. & Kolundzija, B. Training tiefer neuronaler Netze mit bis zu 10 Millionen Antennen. Im Jahr 2022 IEEE International Symposium on Antennas and Propagation und USNC-URSI Radio Science Meeting (AP-S/URSI), 65–66, https://doi.org/10.1109/AP-S/USNC-URSI47032.2022.9886271 (IEEE, Denver, CO, USA, 2022).

Hong, T., Liu, C. & Kadoch, M. Auf maschinellem Lernen basierendes Antennendesign für die Sicherheit der physikalischen Schicht in der Umgebungs-Rückstreukommunikation. Wirel. Komm. Mob. Berechnen. 1–10, 2019. https://doi.org/10.1155/2019/4870656 (2019).

Artikel Google Scholar

Barbano, N. Logarithmisches periodisches Yagi-Uda-Array. IEEE Trans. Ausbreitungsantennen. 14, 235–238. https://doi.org/10.1109/TAP.1966.1138641 (1966).

Artikel ADS Google Scholar

Sharma, G., Sharma, AN, Duvey, A. & Singhal, PK Yagi-Uda-Antenne für den L-Band-Frequenzbereich. IJET1, 315, https://doi.org/10.14419/ijet.v1i4.234 (2012).

Jehangir, SS & Sharawi, MS Ein einschichtiges Halbring-Slot-Yagi-ähnliches MIMO-Antennensystem mit hohem Vorder-zu-Rücken-Verhältnis. IEEE Trans. Antennen verbreiten sich. 65, 937–942. https://doi.org/10.1109/TAP.2016.2633938 (2017).

Artikel ADS Google Scholar

Soheilifar, MR Compact Yagi-Uda-Schlitzantenne mit Metamaterialelement für drahtlose Anwendungen mit großer Bandbreite. Int. J. RF Microw. Berechnen. Unterstützter Ing. 31, https://doi.org/10.1002/mmce.22380 (2021).

Althuwayb, AA MTM- und SIW-inspirierte Bowtie-Antenne mit AMC für 5G-mm-Wellen-Anwendungen. Int. J. Antennas Propagat., https://doi.org/10.1155/2021/6658819 (2021).

Artikel Google Scholar

Desai, A., Upadhyaya, T., Patel, J., Patel, R. & Palandoken, M. Flexible CPW-gespeiste transparente Antenne für WLAN- und Sub-6-GHz-5G-Anwendungen. Mikrowelle. Opt. Technol. Lette. 62, 2090–2103. https://doi.org/10.1002/mop.32287 (2020).

Artikel Google Scholar

Chen, Z., Zeng, M., Andrenko, AS, Xu, Y. & Tan, H. Eine Dualband-Quasi-Yagi-Antenne mit hoher Verstärkung und Split-Ring-Resonatoren für die Hochfrequenz-Energiegewinnung. Mikrowelle. Opt. Technol. Lette. 61, 2174–2181. https://doi.org/10.1002/mop.31872 (2019).

Artikel Google Scholar

Mahmud, MZ et al. Eine miniaturisierte Ultrabreitbandantenne auf Basis eines dielektrischen Resonators für Anwendungen der fünften Generation. Int. J. Commun. Syst.34, https://doi.org/10.1002/dac.4740 (2021).

Chen, HN, Song, J.-M. & Park, J.-D. Eine kompakte zirkular polarisierte dielektrische MIMO-Resonatorantenne über einer elektromagnetischen Bandlückenoberfläche für 5G-Anwendungen. IEEE Access 7, 140889–140898. https://doi.org/10.1109/ACCESS.2019.2943880 (2019).

Artikel Google Scholar

Haque, MA, Zakariya, MA, Singh, NSS, Rahman, MA & Paul, LC Parametrische Studie einer Dualband-Quasi-Yagi-Antenne für LTE-Anwendungen. Stier. EEI12, 1513–1522, https://doi.org/10.11591/eei.v12i3.4639 (2023).

Ramos, A., Varum, T. & Matos, J. Kompakte mehrschichtige Yagi-Uda-basierte Antenne für IoT/5G-Sensoren. Sensoren 18, 2914. https://doi.org/10.3390/s18092914 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Al-Bawri, SS et al. Zellbasiertes Metamaterial-Superstrat zur Bandbreiten- und Verstärkungsverbesserung einer Quadband-CPW-gespeisten Antenne für drahtlose Anwendungen. Sensoren 20, 457. https://doi.org/10.3390/s20020457 (2020).

Artikel ADS PubMed PubMed Central Google Scholar

Haque, MA et al. Eine pflügende T-förmige Patchantenne für WLAN- und C-Band-Anwendungen.https://doi.org/10.1109/ACMI53878.2021.9528266 (2021).

Oluwole, AS & Srivastava, VM Entwicklung einer intelligenten Antenne für verbesserte Richtwirkung und Verstärkung im Terahertz-Frequenzbereich. Im 2016 Progress in Electromagnetic Research Symposium (PIERS), 473–473, https://doi.org/10.1109/PIERS.2016.7734369 (IEEE, Shanghai, China, 2016).

Haque, MA et al. Analyse einer geschlitzten E-förmigen Mikrostreifen-Patchantenne für Ku-Band-Anwendungen.https://doi.org/10.1109/MICC53484.2021.9642100 (2021).

Pozar, DM Microwave Engineering (Wiley, 2011).

Hannan, S., Islam, MT, Faruque, MRI, Chowdhury, MEH & Musharavati, F. Winkelunempfindlicher kopolarisierter Metamaterial-Absorber basierend auf einer Ersatzschaltkreisanalyse für Dualband-WLAN-Anwendungen. Wissenschaft. Rep. 11, 13791. https://doi.org/10.1038/s41598-021-93322-5 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hossain, A., Islam, MT, Misran, N., Islam, MS & Samsuzzaman, M. Ein gegenseitig gekoppelter spinnennetzförmiger Dreifach-Split-Ring-Resonator auf der Basis von epsilon-negativen Metamaterialien mit hohem effektivem Mittelverhältnis für Quadband-Mikrowellenanwendungen. Ergebnisse Phys. 22, 103902. https://doi.org/10.1016/j.rinp.2021.103902 (2021).

Artikel Google Scholar

Ranjan, P., Gupta, H., Yadav, S. & Sharma, A. Durch maschinelles Lernen unterstützte Optimierung und ihre Anwendung auf das Design hybrider dielektrischer Resonatorantennen. Facta universitatis – Reihe: Electron. Energeti 36, 31–42. https://doi.org/10.2298/FUEE2301031R (2023).

Artikel Google Scholar

Pan, X. et al. Deep Learning für die Wiederverwendung von Arzneimitteln: Methoden, Datenbanken und Anwendungen. Wiley Interdisciplinary Reviews: Computational Molecular Science12, https://doi.org/10.1002/wcms.1597 (2022).

Talpur, MAH, Khahro, SH, Ali, TH, Waseem, HB & Napiah, M. Berechnung von Reiseimpendenzen mithilfe eines Regressionsmodells zur Reisegenerierung: ein Phänomen des Reiseentscheidungsprozesses ländlicher Haushalte. Umwelt, Entwicklung und Nachhaltigkeithttps://doi.org/10.1007/s10668-022-02288-5 (2022).

Nguyen, QH et al. Einfluss der Datenaufteilung auf die Leistung von Modellen des maschinellen Lernens bei der Vorhersage der Scherfestigkeit von Böden. Mathematische Probleme im Ingenieurwesen2021, https://doi.org/10.1155/2021/4832864 (2021).

Choudhury, S., Thatoi, DN, Hota, J. & Rao, MD Vorhersage von Rissen durch einen gut verallgemeinerten und optimalen baumbasierten Regressor. IJSI 11, 783–807. https://doi.org/10.1108/IJSI-09-2019-0086 (2019).

Artikel Google Scholar

Laud, PW & Ibrahim, JG Prädiktive Modellauswahl. J. Roy. Stat. Soc.: Ser. B (Method.) 57, 247–262. https://doi.org/10.1111/j.2517-6161.1995.tb02028.x (1995).

Artikel MathSciNet MATH Google Scholar

Singh, B., Sihag, P. & Singh, K. Modellierung des Einflusses der Wasserqualität auf die Infiltrationsrate des Bodens durch zufällige Waldregression. Modellierung von Erdsystemen und Umwelt3, https://doi.org/10.1007/s40808-017-0347-3 (2017).

Rathore, SS & Kumar, S. Ein auf Entscheidungsbaumregression basierender Ansatz für die Vorhersage der Anzahl von Softwarefehlern. ACM SIGSOFT Software Engineering Notes41, https://doi.org/10.1145/2853073.2853083 (2016).

Madhuri, CH, Anuradha, G. & Pujitha, MV Hauspreisvorhersage mithilfe von Regressionstechniken: Eine vergleichende Studie.https://doi.org/10.1109/ICSSS.2019.8882834 (2019).

Artikel Google Scholar

Pasha, GR, Akbar, M. & Shah, A. Anwendung der Ridge-Regression auf multikollineare Daten. J. res. Sci 15, 97–106 (2004).

Google Scholar

Osman, AIA, Ahmed, AN, Chow, MF, Huang, YF & El-Shafie, A. Extreme Gradient Boosting (xgboost)-Modell zur Vorhersage des Grundwasserspiegels in Selangor, Malaysia. Ain Shams Engineering Journal12, https://doi.org/10.1016/j.asej.2020.11.011 (2021).

Raftery, AE, Madigan, D. & Hoeting, JA Bayesianische Modellmittelung für lineare Regressionsmodelle. Journal of the American Statistical Association92, https://doi.org/10.1080/01621459.1997.10473615 (1997).

Schulz, E., Speekenbrink, M. & Krause, A. Ein Tutorial zur Gaußschen Prozessregression: Funktionen modellieren, erkunden und nutzen. J. Mathe. Psychol. 85, 1–16. https://doi.org/10.1016/j.jmp.2018.03.001 (2018).

Artikel MathSciNet MATH Google Scholar

Yurt, R. et al. Charakterisierung vergrabener Objekte durch datengesteuerte Surrogate und regressionsgestützte Extraktion hyperbolischer Signaturen. Wissenschaft. Rep. 13, 5717. https://doi.org/10.1038/s41598-023-32925-6 (2023).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Doreswamy, KS, H., Km, Y. & Gad, I. Vorhersage der Luftverschmutzung durch Feinstaub (PM2,5) mithilfe von Regressionsmodellen für maschinelles Lernen. Procedia Computer Science171, 2057–2066, https://doi.org/10.1016/j.procs.2020.04.221 (2020).

Shetty, SA, Padmashree, T., Sagar, BM & Cauvery, NK Leistungsanalyse von Algorithmen für maschinelles Lernen mit Deep-Learning-Modell zur Vorhersage des Ernteertrags. In Jeena Jacob, I., Kolandapalayam Shanmugam, S., Piramuthu, S. & Falkowski-Gilski, P. (Hrsg.) Data Intelligence and Cognitive Informatics, 739–750, https://doi.org/10.1007/978- 981-15-8530-2_58 (Springer Singapur, Singapur, 2021). Titel der Serie: Algorithmen für intelligente Systeme.

Kumar, R., Kumar, P. & Kumar, Y. Vorhersage von Zeitreihendaten mithilfe von IoT- und maschinellen Lerntechniken. Procedia Comput. Wissenschaft. 167, 373–381. https://doi.org/10.1016/j.procs.2020.03.240 (2020).

Artikel Google Scholar

Istaiteh, O., Owais, T., Al-Madi, N. & Abu-Soud, S. Ansätze des maschinellen Lernens für COVID-19-Prognosen. Im Jahr 2020 International Conference on Intelligent Data Science Technologies and Applications (IDSTA), 50–57, https://doi.org/10.1109/IDSTA50958.2020.9264101 (IEEE, Valencia, Spanien, 2020).

Barua, L., Sharif, M. & Akter, T. Analyse von Gebärmutterhalskrebs mithilfe eines Ensemble-Lernansatzes basierend auf Meta-Klassifikatoren. IJCA 182, 29–33. https://doi.org/10.5120/ijca2019918619 (2019).

Artikel Google Scholar

de Myttenaere, A., Golden, B., Le Grand, B. & Rossi, F. Mittlerer absoluter prozentualer Fehler für Regressionsmodelle. Neurocomputing 192, 38–48. https://doi.org/10.1016/j.neucom.2015.12.114 (2016).

Artikel Google Scholar

Gelman, A., Goodrich, B., Gabry, J. & Vehtari, A. R-Quadrat für Bayes'sche Regressionsmodelle. Bin. Stat. 73, 307–309. https://doi.org/10.1080/00031305.2018.1549100 (2019).

Artikel MathSciNet MATH Google Scholar

Weiming, JM Mastering Python for Finance (Packt Publishing Ltd, 2015).

Singh, O. et al. Optimierung der leitungsgespeisten dielektrischen Resonatorantenne mit Mikrostreifen mithilfe von Algorithmen für maschinelles Lernen. Sadhana Acad. Proz. Ing. Sci.https://doi.org/10.1007/s12046-022-01989-x (2022).

Artikel Google Scholar

Haque, MA et al. Dualband-Antennendesign und Vorhersage der Resonanzfrequenz mithilfe von Ansätzen des maschinellen Lernens. Appl. Wissenschaft. 12, 10505. https://doi.org/10.3390/app122010505 (2022).

Artikel CAS Google Scholar

Jain, R., Ranjan, P., Singhal, PK & Thakare, VV Schätzung der s11-Werte von Patchantennen mithilfe verschiedener Modelle für maschinelles Lernen. IEEEhttps://doi.org/10.1109/IATMSI56455.2022.10119256 (2022).

Artikel Google Scholar

Nuray, Y. & Akçam, N. Entwurf einer f-förmigen Dualband-RFID-Antenne unter Verwendung maschineller Lerntechniken. J. Artif. Intel. Datenwissenschaft. (JAIDA) 2, 69–75 (2022).

Google Scholar

Koziel, S., Belen, MA, Caliskan, A. & Mahouti, P. Schnelles Design von 3D-Reflectarray-Antennen durch inverse Ersatzmodellierung und Regularisierung. IEEE Accesshttps://doi.org/10.1109/ACCESS.2023.3254204 (2023).

Artikel Google Scholar

Koziel, S. & Pietrenko-Dabrowska, A. Über die von der Natur inspirierte Designoptimierung von Antennenstrukturen mithilfe von EM-Modellen mit variabler Auflösung. Wissenschaft. Rep. 13, 8373. https://doi.org/10.1038/s41598-023-35470-4 (2023).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Koziel, S., Pietrenko-Dabrowska, A. & Golunski, L. Globalisierte wissensbasierte, simulationsgesteuerte Antennenminiaturisierung unter Verwendung domänenbeschränkter Surrogate und Dimensionsreduktion. Appl. Wissenschaft. 13, 8144. https://doi.org/10.3390/app13148144 (2023).

Artikel CAS Google Scholar

Referenzen herunterladen

Diese Studie wird durch Mittel der Prince Sattam Bin Abdulaziz University, Projektnummer (PSAU/2023/R/1444), unterstützt.

Fakultät für Elektrotechnik und Elektronik, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak, Malaysia

MD. Ashraful Haque & Dipon Saha

Fakultät für Elektrotechnik und Elektronik, Daffodil International University, Birulia, Dhaka, Bangladesch

MD. Ashraful Haque, Adiba Haque Sharker und Dipon Saha

Space Science Centre, Climate Change Institute, Universiti Kebangsaan Malaysia (UKM), 43600, Bangi, Malaysia

MD Afzalur Rahman und Samir Salem Al-Bawri

Abteilung für Elektronik und Kommunikationstechnik, Fakultät für Ingenieurwissenschaften und Erdöl, Hadhramout-Universität, 50512, Al-Mukalla, Hadhramout, Jemen

Samir Salem Al-Bawri

Fakultät für Ingenieurwissenschaften, Multimedia University, 63100, Cyberjaya, Selangor, Malaysia

Zubaida Yusoff

Fakultät für Elektrotechnik, College of Engineering in Wadi Addawasir, Prince Sattam Bin Abdulaziz University, Al-Kharj, Saudi-Arabien

Wazie M. Abdulkawi

Fakultät für Elektrotechnik, Elektronik und Kommunikationstechnik, Pabna University of Science and Technology, Pabna, Bangladesch

Liton Chandra Paul

Intelligente Infrastrukturmodellierung und -überwachung (SIMM) Forschungsgruppe Institut für Transport und Infrastruktur Universiti Teknologi PETRONAS, 32610, Bandar, Seri Iskandar, Perak, Malaysia

MA Zakaria

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

MAH und MAR stellten die Idee vor, führten die Experimente durch und erstellten das Manuskript. SSAB und ZY bereiteten die Akquise der Finanzierung vor. SSAB, MAZ und AHS trugen zur Betreuung der Forschungsarbeiten bei. Zu den Beiträgen von MAR und DS gehört die Entwicklung von Software und Algorithmen. WMA und LCP haben zum Schreiben und zur Überprüfung beigetragen. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Samir Salem Al-Bawri oder Zubaida Yusoff.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Haque, MA, Rahman, MA, Al-Bawri, SS et al. Auf maschinellem Lernen basierende Technik zur Gewinn- und Resonanzvorhersage einer Midband-5G-Yagi-Antenne. Sci Rep 13, 12590 (2023). https://doi.org/10.1038/s41598-023-39730-1

Zitat herunterladen

Eingegangen: 21. März 2023

Angenommen: 30. Juli 2023

Veröffentlicht: 03. August 2023

DOI: https://doi.org/10.1038/s41598-023-39730-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.