一种基于机器学习辅助相位合成的超薄滤波发射阵列天线

《IEEE Antennas and Wireless Propagation Letters》：An Ultrathin Filtering Transmitarray Antenna Based on Machine-Learning-Enabled Phase Synthesis

提出基于机器学习的相位合成方法优化滤波收发阵天线，单层结构实现低损耗与高选择性，仿真和实验验证显示1dB带宽提升112%，3dB带宽提升36%。

　　

摘要：

本文提出了一种基于机器学习（ML）的相位合成方法，用于优化滤波传输阵列天线（TAs）。首先，设计了一种单层滤波TA元件，该元件不仅具有足够的相位移动范围和低传输损耗，还具有高选择性，其传输零点低于?19 dB。为了提升滤波特性，本文提出了一种基于ML的相位合成方法，该方法利用卷积神经网络进行前向增益预测，并通过遗传算法进行逆向优化。为了验证该方法的有效性，构建并模拟了孔径尺寸为252毫米×252毫米、剖面高度仅为0.073λ的滤波TA。与传统方法相比，所提出的滤波TA的1 dB和3 dB增益带宽分别提高了112%和36%，频率选择性从48%提升到了61%。实际制造的滤波TA测量结果也证实了这些结论。

引言

近年来，滤波传输阵列天线（TAs）受到了广泛研究，因为它们不仅简化了射频前端系统的设计，而且相比单独的天线和滤波器设计，能够降低插入损耗[1]、[2]、[3]、[4]、[5]、[6]、[7]。在[3]中，一种滤波TA采用了基板集成波导（SIW）作为三段式馈电结构，实现了3 dB的增益带宽（10.2%）。在[4]中，一种共形滤波TA采用单层介质传输阵列并通过SIW进行馈电，获得了3 dB的增益带宽（10.3%）。在[5]中，一种带有两个超表面的紧凑型折叠滤波TA实现了3 dB的增益带宽（24.5%）。尽管之前的研究对滤波TA进行了大量探讨，但对相位合成方法的关注相对较少。