⚡ electrical engineering

Angular Sector-Based Sparse Array Design for Adaptive Beamforming Using Deep Learning

Dieses Paper schlägt ein Deep-Learning-Framework vor, das die Rekonfigurierbarkeit dünnbesetzter Arrays für adaptives Beamforming über breite Winkelbereiche optimiert und dabei eine hohe Klassifizierungsgenauigkeit sowie minimale SINR-Abweichungen erreicht, um robustes, echtzeitfähiges kognitives Sensing und Interferenzminderung zu ermöglichen.

Ursprüngliche Autoren: John Kobak, Ethan Atiyeh, Syed A Hamza

Veröffentlicht 2026-06-08

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: John Kobak, Ethan Atiyeh, Syed A Hamza

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Freund auf einer lauten Party zuzuhören. Um ihn klar zu verstehen, müssen Sie den Hintergrundlärm und andere Gespräche ausblenden. In der Welt der Funktechnik wird dies mithilfe eines „Antennen-Arrays“ erreicht – einer Gruppe von Antennen, die wie ein Team von Ohren zusammenarbeiten.

Normalerweise sind diese Antennen gleichmäßig verteilt, wie Soldaten in einer perfekten Linie. Die Forscher in dieser Arbeit haben jedoch herausgefunden, dass man besser hören und Lärm effektiver ausblenden kann, wenn man sie ungleichmäßig anordnet (ein „dünnbesetztes Array“ oder „sparse array“). Es gibt jedoch einen Haken: Der „beste“ Weg, diese Antennen anzuordnen, ändert sich, je nachdem, aus welcher Richtung der Lärm kommt.

Wenn sich der Lärm bewegt, müssen Sie Ihre Antennen sofort neu anordnen, um weiterhin klar zu hören. Die Mathematik dahinter zu berechnen, um jedes Mal die perfekte neue Anordnung zu finden, ist unglaublich langsam und schwierig – wie der Versuch, ein komplexes Rätsel zu lösen, während man einen Marathon läuft.

Die Lösung: Ein „smartes“ Antennen-Team

Die Autoren schlugen eine clevere Abkürzung mittels Deep Learning (einer Art künstlicher Intelligenz) vor. Anstatt das mathematische Rätsel in Echtzeit zu lösen, trainierten sie ein Computergehirn (ein neuronales Netz), um Muster zu erkennen.

So sind sie dabei vorgegangen, unterteilt in einfache Schritte:

Das Trainingslager: Sie simulierten tausende Szenarien, in denen sich eine „Lärmquelle“ in einem Raum bewegte. Für jeden einzelnen Winkel, aus dem der Lärm kam, berechneten sie die perfekte Antennenanordnung, um diesen zu blockieren.
Die Nachbarn gruppieren: Sie erkannten, dass die beste Antennenkonfiguration fast dieselbe ist, wenn der Lärm bei 45 Grad statt bei 46 Grad auftritt. Anstatt also jeden einzelnen Grad als ein einzigartiges Problem zu behandeln, gruppierten sie diese in „Sektoren“ (wie Tortenstücke). Dies reduzierte die Anzahl der einzigartigen „Antworten“, die der Computer lernen musste, von hunderten Optionen auf nur 56 distinkte Gruppen.
Die Testküche: Um sicherzustellen, dass ihre KI robust ist, erstellten sie vier verschiedene „Testküchen“ (Datensätze):
- Einige hatten viele Beispiele (High Sample).
- Einige hatten weniger Beispiele (Low Sample).
- Einige hatten eine gleiche Anzahl an Beispielen für jede Gruppe (Balanced).
- Einige hatten mehr Beispiele für die häufigen Gruppen und weniger für die seltenen (Unbalanced).
Das Rennen: Sie ließen zwei verschiedene KI-Modelle gegeneinander antreten:
- Der leichtgewichtige Läufer (CNN): Ein einfeltiges, schnelles Modell.
- Der Tiefseetaucher (ResNet-50): Ein komplexeres, tieferes Modell, das das Problem aus mehr Blickwinkeln betrachtet.

Die Ergebnisse

Die Ergebnisse waren beeindruckend:

Genauigkeit: Der „Tiefseetaucher“ (ResNet-50) war der Champion und traf in dem besten Testszenario in 97,3 % der Fälle die richtige Antwort. Selbst der „leichtgewichtige Läufer“ schnitt sehr gut ab und erreichte über 90 %.
Leistung: Wenn die KI eine Antennenanordnung wählte, war sie fast so gut wie die perfekte mathematische Lösung. Der Unterschied in der Klangqualität (Signal-to-Interference-plus-Noise Ratio) betrug in den meisten Situationen weniger als 1 %. Selbst in den schwierigsten Fällen (wenn der Lärm direkt neben der Person auftrat, die man hören möchte) sank die Qualität nur um etwa 5 %.
Die „Low Sample“-Überraschung: Interessanterweise schnitt die KI sogar besser ab, wenn sie weniger Beispiele zum Lernen hatte. Die Forscher erklärten, dass zu viele Beispiele die KI tatsächlich verwirrten, weil die Lärmmuster zu vielfältig waren. Wenn sie weniger Beispiele hatte, waren die Muster klarer und leichter zu erkennen.

Warum das wichtig ist

Dieser Ansatz ist vergleichbar mit dem Geben eines „Spickzettels“ an Ihr Antennen-Team. Anstatt jedes Mal komplexe Mathematik zu betreiben, wenn sich eine Lärmquelle bewegt, schaut die KI sofort auf die Lärmrichtung und sagt: „Ah, das ist in Sektor 12! Wir nutzen Aufbau B.“

Dies ermöglicht es dem System:

Sofort auf wechselnde Umgebungen zu reagieren.
Einen ständigen Wechsel der Antennen zu vermeiden (was Energie spart und den Verschleiß der Hardware verringert).
Eine exzellente Klangqualität selbst in chaotischen, lauten Funkumgebungen beizubehalten.

Kurz gesagt: Die Arbeit beweist, dass man einen smarten Computer trainieren kann, um instantan die beste Antennenkonfiguration zum Blockieren von Lärm auszuwählen. Dies macht Funksysteme schneller, intelligenter und effizienter, ohne dass unmögliche mathematische Probleme in Echtzeit gelöst werden müssen.

Technisches Resümee: Winkelbasierte Sektor-Design-Methode für dünnbesetzte Arrays in der adaptiven Strahlformung mittels Deep Learning

Problemstellung
In dynamischen Hochfrequenzumgebungen (RF) erfordert die Maximierung des Signal-zu-Interferenz-plus-Rauschen-Verhältnisses (SINR) oft nicht-gleichmäßig beabstandete, dünnbesetzte Arrays (Sparse Arrays). Im Gegensatz zu gleichmäßigen linearen Arrays (ULA), bei denen die Strahlformung primlich von den Gewichten abhängt, beruhen Sparse Arrays auf der präzisen Platzierung der Elemente, um die Freiheitsgrade zu erhöhen. Schnell wechselnde Interferenzcharakteristika erfordern jedoch häufige Rekonfigurationen dieser Arrays. Traditionelle Methoden zur Bestimmung optimaler Konfigurationen, wie etwa konvexe Optimierung oder exhaustive Enumeration, leiden unter hoher Rechenkomplexität, was sie für die Echtzeit-kognitive Sensorik innerhalb des Perception-Action Cycles (PAC) unpraktikabel macht. Darüber hinaus kann das häufige Wechseln von Antennen hardwareintensiv und ineffizient sein. Die zentrale Herausforderung besteht darin, ein System zu entwerfen, das optimale Sparse-Array-Konfigurationen basierend auf Interferenzwinkeln auswählt und gleichzeitig unnötige Rekonfigurationen minimiert sowie eine robuste SINR-Leistung aufrechterhält.

Methodik
Die Autoren schlagen ein Deep-Learning-Framework vor, das räumliche Korrelationsmatrizen auf optimale Sparse-Array-Konfigurationen abbildet und damit die Optimierungslast in eine Offline-Trainingsphase verlagert.

Systemmodell: Die Studie betrachtet ein gleichmäßiges lineares Array (ULA) mit $M=12$ möglichen Antennenpositionen und $N=6$ aktiven HF-Ketten. Das Ziel ist es, die beste Teilmenge von 6 Antennen aus den 12 verfügbaren Positionen auszuwählen, um das SINR für ein gewünschtes Signal bei Broadside ( $90^\circ$ ) gegenüber einem Interferer zu maximieren, der das Sichtfeld (Field of View, FoV) abtastet.
Datensatzgenerierung: Vollständige räumliche Korrelationsmatrizen werden für 924 potenzielle Sparse-Array-Konfigurationen berechnet. Der Interferenzwinkel wird in $1^\circ$ -Schritten gleichmäßig im Bereich von $10^\circ$ bis $90^\circ$ abgetastet.
Strategie zur Klassengestaltung (Class Reduction): Um die Komplexität der Klassifizierung zu reduzieren, implementieren die Autoren eine winkelbasierte Sektor-Reduktion. Benachbarte Winkelbereiche, die von derselben optimalen Array-Konfiguration dominiert werden, werden zusammengeführt. Dieser Prozess reduziert die ursprünglichen 80 Bins auf 72 und schließlich auf 56 repräsentative Klassen (einzigartige Sektor-basierte Konfigurationen).
Datensatz-Varianten: Um die Auswirkungen von Datenvolumen und Verteilung systematisch zu bewerten, wurden vier Datensatz-Varianten erstellt:
1. Hohe Stichprobenanzahl, unausgewogen (natürliche Verteilung).
2. Hohe Stichprobenanzahl, ausgewogen (durch Up-/Down-Sampling).
3. Niedrige Stichprobenanzahl, unausgewogen.
4. Niedrige Stichprobenanzahl, ausgewogen.
Netzwerkarchitekturen: Es wurden zwei Modelle trainiert und evaluiert:
1. Ein leichtgewichtiges Convolutional Neural Network (CNN) mit 32 parallelen Filtern, das den Real-, Imaginär- und Phasenanteil der Korrelationsmatrix als Input nutzt.
2. Eine tiefere ResNet-50 Architektur mit Residual-Skip-Connections.
  Beide Modelle geben einen One-Hot-kodierten Vektor dar, der eine der 56 Konfigurationen repräsentiert. Das Training erfolgt mittels einer hybriden K-Fold-Validierungsstrategie, bei der die Gewichte zwischen den Folds übertragen werden, um die Konvergenz zu beschleunigen und die Generalisierung zu verbessern.

Wichtigste Ergebnisse

Klassifizierungsgenauigkeit: ResNet-50 übertraf das leichte CNN konsistent über alle Datensatz-Varianten hinweg. Die höchste Genauigkeit von 97,3 % wurde von ResNet-50 auf dem Datensatz mit niedriger Stichprobenanzahl und ausgewogener Verteilung erreicht. Das CNN erreichte ein Maximum von 94,6 % im selben Datensatz.
Trends im Datenregime: Entgegen der typischen Erwartungen lieferten die Datensätze mit geringer Stichprobenanzahl höhere Genauigkeiten als die Datensätze mit hoher Stichprobenanzahl. Die Autoren führen dies darauf zurück, dass die Datensätze mit hoher Stichprobenanzahl eine größere Intra-Klassen-Variabilität durch diverse Interferenzrealisierungen einführen, was zu Überlappungen nahe der Sektorgrenzen führt. Im Gegensatz dazu bildeten Datensätze mit geringer Stichprobenanzahl kompaktere Cluster im Merkmalsraum.
Auswirkung der Ausbalancierung: Die Klassenausbalancierung verbesserte die Genauigkeit im Regime mit geringer Stichprobenanzahl, indem sie eine bessere Repräsentation für Minderheitenklassen ermöglichte. In der Hochstichproben-Regime verschlechterte die Ausbalancierung jedoch leicht die Leistung, wahrscheinlich weil das Down-Sampling der Mehrheitsklassen die natürliche Diversität reduzierte und zu Overfitting auf replizierten Minderheitenproben führte.
SINR-Leistung: Die ausgewählten Konfigurationen hielten ein nahezu optimales SINR aufrecht. Für die meisten Winkelbereiche lag die Abweichung vom theoretisch optimalen SINR unter 1 %. Selbst in anspruchsvollen Szenarien, in denen sich der Interferer der Broadside-Richtung (nahe dem gewünschten Signal) näherte, blieb die maximale Abweichung bei etwa 5 %. Das durchschnittlich erreichte SINR über den gesamten Datensatz betrug 5,628 dB.

Bedeutung und Ansprüche
Das Paper behauptet, dass der vorgeschlagene Ansatz einen skalierbaren und praktischen Rahmen für den adaptiven Einsatz von Sparse Arrays in dynamischen HF-Umgebungen bietet. Durch die Zusammenführung benachbarter Sektoren zu repräsentativen Klassen reduziert das System unnötige Rekonfigurationen bei gleichzeitig starker SINR-Leistung. Die Ergebnisse zeigen, dass Deep Learning effektiv optimale Sparse-Array-Konfigurationen aus Korrelationsdaten identifizieren kann, was eine praktikable Alternative zur rechenintensiven Echtzeitoptimierung darstellt. Die Studie hebt hervor, dass ein sorgfältiges Datensatzdesign – insbesondere bezüglich Stichprobenanzahl und Klassenverteilung – entscheidend für zuverlässige Lernergebnisse ist. Das Framework unterstützt die kognitive Echtzeit-Sensorik und eine effektive Interferenzminderung, wobei ResNet-50 eine überlegene Genauigkeit für datenlimitierte Szenarien bietet und das leichte CNN eine recheneffiziente Alternative darstellt.

Technisches Resümee: Winkelbasierte Sektor-Design-Methode für dünnbesetzte Arrays in der adaptiven Strahlformung mittels Deep Learning

Mehr davon