⚡ electrical engineering

Experimental and Machine Learning Validation of a Modified 2.6 GHz Single-Element Switched-Beam Antenna for 5G sub-6 GHz Applications

本文介绍了设计、机器学习辅助优化以及一种 2.6 GHz 单阵元切换波束天线的实验验证，该天线利用随机森林算法来准确预测波束方向和反射系数，从而实现面向 5G Sub-6 GHz 应用的可靠八方向波束切换。

原作者： Pichaya Chaipanya, Kanyapat Sangchan, Korawit Pachuen, Nuchanart Santalunai, Samran Santalunai

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Pichaya Chaipanya, Kanyapat Sangchan, Korawit Pachuen, Nuchanart Santalunai, Samran Santalunai

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心理念：一个智能、可变形的“手电筒”

想象你有一个通常只能直射的光束。如果你想照亮房间的另一个角落，你必须转动整个身体。现在，想象一个可以瞬间将光束向左、向右、向上或向下“弯曲”的手电筒，而你甚至不需要移动分毫。

这本质上就是这篇论文的研究内容。研究人员构建了一个特殊的天线（一种发送和接收无线电波的设备），用于 5G 网络。他们没有使用由许多天线组成的大型阵列来控制信号方向，而是制造了一个能够通过电子方式改变方向的单个小型天线。它只需通过切换开关，就能将信号指向八个不同的方向（就像指南针上的方位）。

问题所在：“试错法”陷阱

设计这些天线通常就像是通过猜测配料来尝试烤出完美的蛋糕。

传统方法： 工程师会使用强大的计算机来模拟天线的工作原理。如果信号没有到达预期的位置，他们就会改变一个微小的细节（比如孔的大小），然后再次运行模拟，并寄希望于好运。这需要很长时间，并且消耗大量的计算资源。
目标： 研究人员希望跳过这种无止境的猜测。他们想要一种方法，能在动手制造天线之前，就准确预测其表现。

解决方案：教计算机成为“水晶球”

为了解决时间问题，团队使用了机器学习（人工智能）。你可以把它想象成雇佣了一位非常聪明的助手，这位助手读过世界上所有的食谱。

训练过程： 他们对天线进行了 140 次计算机模拟。每次模拟都有细微差别（改变孔的大小、它们之间的距离等）。他们将所有这些数据输入到四个不同的 AI“学生”（算法）中：
- 梯度提升 (Gradient Boosting)
- Lasso 回归 (Lasso Regression)
- 线性回归 (Linear Regression)
- 随机森林 (Random Forest)（全场最佳）
学习过程： AI 学习了规则：“如果你把孔移到这里，并让它们保持这个间距，光束就会指向东北方向。”
优胜者： 随机森林算法是表现最好的学生。
- 在预测光束指向方向方面，它表现完美（100% 准确）。它准确知道信号会往哪个方向走。
- 在预测信号强度（即天线与网络通信的效果）方面，它的表现也非常出色，误差极小。

现实世界测试：构建原型

在 AI 给出了“配方”之后，研究人员并没有止步于计算机。他们真的制造出了天线。

构造过程： 他们取了一块扁平材料（类似于电路板），并在一个圆形贴片边缘切割了 56 个微小的孔。
开关装置： 他们用导线和特殊的电子开关（二极管）将这些孔连接起来。
控制系统： 一个小型计算机芯片（微控制器）充当遥控器。当你告诉它切换到“45 度”时，它会通过切换开关来打开某些孔并关闭另一些孔。这改变了电流的形状，从而迫使无线电波向该方向弯曲。

结果：成功了吗？

他们在实验室测试了真实的天线，并将其与计算机模型进行了对比。

方向： 天线成功地将其光束指向了所有八个方向（0°、45° 等）。
准确性： 真实天线的表现与 AI 的预测几乎完全一致。
- “失误时刻”： 在某些情况下，光束并没有完全指向数学计算所指示的位置（最坏的情况下偏差了约 30 度）。
- 原因： 论文解释说，现实世界是复杂的。诸如焊点中的微小电阻、连接开关的导线以及二极管本身的物理特性，都增加了一些计算机模拟未能完全考虑到的“噪声”。
结论： 尽管存在这些微小的波动，但天线工作非常可靠。它证明了你可以利用 AI 快速设计复杂的天线，并成功将其制造出来。

总结

这篇论文是一个关于效率的成功案例。

之前： 设计波束转向天线是一场缓慢且昂贵的“猜猜看”游戏。
之后： 研究人员使用“智能助手”（机器学习）来瞬间预测设计方案。他们制造了原型，并且运行良好，证明了 AI 可以帮助工程师在不浪费时间进行无休止模拟的情况下，制造出更好、更小、更快的 5G 通信工具。

注：本文严格专注于这一特定天线的设计、模拟和物理测试。它并不声称解决了所有的 5G 问题，也不讨论该特定设备之外的未来医疗或工业应用。

技术摘要：一种改进型 2.6 GHz 单阵元切换波束天线的实验与机器学习验证

问题陈述
在 5G Sub-6 GHz 无线通信背景下，迫切需要紧凑、低成本且高性能的天线，以控制辐射方向性并最大限度地减少信号干扰。虽然单阵元微带天线具有尺寸小和易于集成的优势，但它们通常缺乏固有的波束赋形能力。传统的切换波束方案往往依赖于复杂的多阵元相控阵或二极管控制结构，这增加了功耗、成本和物理复杂性。此外，传统的天线设计过度依赖于计算量大且耗时的全波电磁（EM）仿真。尽管机器学习（ML）在预测天线性能方面已展现出潜力，但以往的研究通常仅侧重于基于仿真的预测，缺乏全面的实验验证，尤其是在单阵元切换波束设计领域。

研究方法
作者提出了一种工作频率为 2.6 GHz 的单阵元圆形微带天线的设计与验证框架。该方法分为三个主要阶段：

天线设计与仿真：
- 结构： 天线制造在 FR-4 基板（ $\epsilon_r = 4.4$ ，厚度 = 1.6 mm）上。它采用了一个经过改进的圆形贴片，其边缘分布有 56 个孔洞。
- 波束切换机制： 波束转向通过使用铜线、电容器和由微控制器控制的 PIN 二极管，选择性地对贴片边缘特定组的孔洞进行短路来实现。通过开启特定电路并短路其他电路，主波束可以转向八个不同的角向方向（0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°）。
- 数据生成： 使用 CST Studio Suite 生成了 150 组数据集。140 个样本（112 个用于训练，28 个用于测试）用于 ML 模型开发，另外 10 个独立样本作为验证集。输入参数包括短路方向、径向距离、短路孔数量以及孔间距。输出参数为波束方向和反射系数（回波损耗）。
机器学习建模：
- 使用 Python 实现了四种基于回归的算法：梯度提升回归（GBR）、Lasso 回归（LR-Lasso）、线性回归（LR）和随机森林（RF）。
- 模型旨在根据几何输入参数预测波束方向和回波损耗。通过决定系数（ $R^2$ ）和平均绝对误差（MAE）来评估模型性能。
实验验证：
- 根据 ML 预测的参数制作了一个物理原型。该原型利用铜短路线和由微控制器控制的 PIN 二极管，在八个波束状态之间进行切换。
- 在 2.6 GHz 频率下进行测量，以验证回波损耗和辐射方向图，并将实验结果与 CST 仿真结果及 ML 预测结果进行对比。

核心贡献

单阵元切换波束设计： 本文提出了一种紧凑的单阵元天线，能够通过沿贴片边缘的短路控制机制，在无需复杂相控阵的情况下实现八方向波束切换。
机器学习辅助设计优化： 研究展示了应用机器学习预测波束方向和回波损耗的方法，显著减少了对迭代式电磁仿真的依赖。
全面的实验验证： 不同于以往侧重于仿真的研究，本研究包含了物理原型的制作与测量，验证了 ML 预测值与实际性能的一致性。
算法对比： 本研究系统地比较了四种机器学习算法，并确定随机森林（Random Forest）是针对该特定应用最有效的模型。

结果

ML 性能：
- 波束方向： 随机森林（RF）模型实现了完美的预测精度， $R^2$ 为 1.0，MAE 为 0。线性回归和 Lasso 回归也达到了完美得分，表明短路几何结构与波束方向之间存在强线性关系。
- 回波损耗： RF 模型在回波损耗预测方面表现出最均衡的性能，实现了 0.805 的 $R^2$ 和 0.21 的最低 MAE。虽然 GBR 获得了更高的 $R^2$ (0.898)，但其 MAE 较大 (0.520)。
实验结果：
- 制造的天线成功在 2.6 GHz 下实现了所有八个目标方向的波束切换。
- 实测回波损耗值在 12.26 dB 至 15.34 dB 之间，平均值为 14.25 dB，证实了稳定的阻抗匹配。
- 辐射方向图测量结果与仿真结果基本一致。然而，观察到了特定的偏差：Case 4 从 135°（仿真）偏移至 165°（实测），Case 5 从 180° 偏移至 200°，Case 8 从 315° 偏移至 300°。最大偏差为 30°。
- 作者将这些偏差归因于仿真中未能完全捕捉到的实际实现因素，例如 PIN 二极管的寄生阻抗、偏置电路、焊点以及连接线。

意义与主张
本文声称，随机森林算法能有效提高天线设计的准确性并缩短仿真时间，同时保持与实验结果的高度一致。研究表明，单阵元天线可以提供适用于紧凑型 5G Sub-6 GHz 系统的可靠定向覆盖。

作者谦逊地总结道，虽然机器学习辅助设计方法是有效的，但观察到的波束偏差凸显了由于寄生效应导致从仿真模型向物理原型转换的挑战。他们断言，所提出的设计通过结合紧凑的天线几何结构与智能优化，为可持续且节能的无线基础设施做出了贡献。本文并非声称解决了所有的波束赋形挑战，而是将这项工作定位为将机器学习集成到单阵元切换波束天线设计中的一个经过验证的概念验证。未来的工作建议探索更先进的深度学习模型，并扩大数据集规模，以进一步提高对回波损耗等复杂参数的预测精度。

核心理念：一个智能、可变形的“手电筒”

问题所在：“试错法”陷阱

解决方案：教计算机成为“水晶球”

现实世界测试：构建原型

结果：成功了吗？

总结

类似论文