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

Technische Samenvatting: Angular Sector-Based Sparse Array Ontwerp voor Adaptieve Beamforming met Deep Learning

Probleemstelling
In dynamische radiofrequentie (RF) omgevingen is het maximaliseren van de Signal-to-Interference-plus-Noise Ratio (SINR) vaak afhankelijk van niet-uniform gespatieerde sparse arrays. In tegenstelling tot Uniform Linear Arrays (ULA's), waarbij beamforming uitsluitend afhangt van gewichten, vertrouwen sparse arrays op precieze plaatsing van elementen om de vrijheidsgraden te vergroten. Echter, snel veranderende interferentiekarakteristieken vereisen frequente herconfiguratie van deze arrays. Traditionele methoden voor het bepalen van optimale configuraties, zoals convexe optimalisatie of exhaustieve enumeratie, lijden onder een hoge computationele complexiteit, wat ze onpraktisch maakt voor real-time cognitieve sensing binnen de Perception-Action Cycle (PAC). Bovelijk is frequente antenne-switching hardware-intensief en inefficiënt. De kernuitdaging is het ontwerpen van een systeem dat optimale sparse array-configuraties selecteert op basis van interferentiehoeken, terwijl onnodige herconfiguraties worden geminimaliseerd en een robuuste SINR-prestatie behouden blijft.

Methodologie
De auteurs stellen een deep learning-framework voor dat ruimtelijke correlatiematrices in kaart brengt naar optimale sparse array-configuraties, waardoor de optimalisatiebelasting wordt verschoven naar een offline trainingsfase.

• Systeemmodel: De studie beschouwt een Uniform Linear Array (ULA) met $M=12$ mogelijke antennelocaties en $N=6$ actieve RF-ketens. Het doel is om de beste subset van 6 antennes uit de 12 beschikbare locaties te selecteren om de SINR te maximaliseren voor een gewenst signaal bij broadside ($90^\circ$) tegen een interferer die over het gezichtsveld (FoV) beweegt.
• Datasetgeneratie: Volledige ruimtelijke correlatiematrices zijn berekend voor 924 potentiële sparse array-configuraties. De interferentiehoek is uniform gesampled in stappen van $1^\circ$ van $10^\circ$ tot $90^\circ$.
• Classificatiereductiestrategie: Om de classificatiecomplexiteit te verminderen, implementeren de auteurs een angular-sector-gebaseerde reductie van klassen. Aangrenzende hoekbins die gedomineerd worden door dezelfde optimale array worden samengevoegd. Dit proces reduceert de initiële 80 bins naar 72, en uiteindelijk naar 56 representatieve klassen (unieke sector-gebaseerde configuraties).
• Datasetvarianten: Om de impact van datavolume en distributie systematisch te evalueren, zijn vier datasetvarianten gecreëerd:
  1. Hoog aantal samples, ongebalanceerd (natuurlijke distributie).
  2. Hoog aantal samples, gebalanceerd (via up/down-sampling).
  3. Laag aantal samples, ongebalanceerd.
  4. Laag aantal samples, gebalanceerd.
• Netwerkarchitecturen: Twee modellen zijn getraind en geëvalueerd:
  1. Een lichtgewicht Convolutional Neural Network (CNN) met 32 parallelle filters, waarbij het gebruik maakt van de reële, imaginaire en fasecomponenten van de correlatiematrix als input.
  2. Een diepere ResNet-50 architectuur met residual skip connections.
     Beide modellen geven een one-hot encoded vector uit die één van de 56 configuraties representeert. Training maakt gebruik van een hybride K-fold validatiestrategie waarbij gewichten tussen folds worden overgedragen om convergentie te versnellen en generalisatie te verbeteren.

Belangrijkste Resultaten

• Classificatienauwkeurigheid: ResNet-50 presteerde consequent beter dan de lichtgewicht CNN over alle datasetvarianten. De hoogste nauwkeurigheid van 97,3% werd bereikt door ResNet-50 op de gebalanceerde dataset met een laag aantal samples. De CNN bereikte een maximum van 94,6% op dezelfde dataset.
• Data-regime Trends: Tegen de gebruikelijke verwachtingen in leverden de datasets met een laag aantal samples hogere nauwkeurigheid op dan de datasets met een hoog aantal samples. De auteurs schrijven dit toe aan het feit dat de datasets met een hoog aantal samples een grotere intra-class variabiliteit introduceren door diverse interferentie-realisaties, wat zorgt voor overlap nabij sectorgrenzen. Daarentegen vormden de datasets met een laag aantal samples compactere clusters in de feature space.
• Impact van Balancering: Class balancing verbeterde de nauwkeurigheid in het low-sample regime door een betere representatie van minderheidsklassen te bieden. Echter, in het high-sample regime verslechterde balancing de prestaties licht, waarschijnlijk omdat down-sampling van meerderheidsklassen de natuurlijke diversiteit verminderde en leidde tot overfitting op gerepliceerde minderheidssamples.
• SINR-prestaties: De geselecteerde configuraties behielden een bijna optimale SINR. Voor de meeste hoekbins lag de afwijking van de theoretisch optimale SINR onder de 1%. Zelfs in uitdagende scenario's waar de interferer de broadside-richting naderde (nabij het gewenste signaal), bleef de maximale afwijking rond de 5%. De gemiddelde behaalde SINR over de dataset was 5,628 dB.

Betekenis en Claims
Het artikel claimt dat de voorgestelde aanpak een schaalbaar en praktisch framework biedt voor adaptieve sparse array-implementatie in dynamische RF-omgevingen. Door aangrenzende sectoren in representatieve klassen samen te voegen, vermindert het systeem onnodige herconfiguraties terwijl een sterke SINR-prestatie behouden blijft. De resultaten laten zien dat deep learning effectief optimale sparse array-configuraties kan identificeren vanuit correlatiedata, wat een levensvatbaar alternatief biedt voor computationeel dure real-time optimalisatie. De studie benadrukt dat zorgvuldig datasetontwerp — speciffisch met betrekking tot het aantal samples en de klassendistributie — cruciaal is voor het bereiken van betrouwbare leerresultaten. Het framework ondersteunt real-time cognitieve sensing en effectieve interferentie-mitigatie, waarbij ResNet-50 superieure nauwkeurigheid biedt voor data-beperkte scenario's en de lichtgewicht CNN een computationeel efficiënt alternatief biedt.