А.П. Павлов1, И.Е. Кащенко2, А.В. Бахмуцкая3

1−3Омский научный центр СО РАН (Институт радиофизики и физической электроники) (г. Омск, Россия)

Постановка проблемы. В настоящее время одним из ключевых факторов, определяющих энергетическую эффективность радиопередающей системы, является степень согласования радиопередающего устройства и антенны. По этой причине в состав радиопередающих систем КВ‑диапазона радиоволн зачастую входят автоматические коммутируемые антенно-согласующие устройства, дающие наилучшую степень согласования во всей полосе частот. Однако данные устройства из-за медленного схождения алгоритмов на основе классических поисковых методов, используемых для определения оптимального состояния согласующего контура, требуют значительного времени на настройку при смене частоты согласования. Это противоречит последним тенденциям развития радиопередающих систем, которые предполагают использование быстрых перестроек по частоте для обеспечения помехозащищенности радиолиний. Этим обуславливается актуальность исследований по разработке способов и алгоритмов согласования, которые позволят значительно сократить время согласования радиопередающего тракта.

Цель. Исследовать возможность сокращения времени согласования антенно-фидерного тракта с радиопередающим устройством КВ-диапазона с помощью автоматического коммутационного антенно-согласующего устройства посредствам использования машинного обучения и нейронных сетей в качестве алгоритма или части алгоритма определения соответствующего состояния LC-контура.

Результаты. Представлена реализация алгоритма согласования антенно-фидерного тракта КВ‑диапазона радиоволн на основе нейронных сетей с распределением ответственности, а также их архитектура, методы и способы обучения. Показано, что использование представленного алгоритма позволяет значительно уменьшить время определения состояния согласующего контура антенно-согласующего устройства для достижения наилучшего согласования. Получена архитектура нейронных сетей, используемых в предлагаемом алгоритме, адаптированная для реализации на маломощных микроконтроллерах.

Практическая значимость. Предлагаемый алгоритм может быть использован для проектируемых антенно-согласующих устройств, либо устройств, включающих в свой состав согласующий контур КВ‑диапазона радиоволн и использующих в качестве вычислительного ядра маломощные микроконтроллеры.

Павлов А.П., Кащенко И.Е., Бахмуцкая А.В. Алгоритм согласования антенно-фидерного тракта коротковолнового диапазона радиоволн на базе нейронных сетей с распределением зон ответственности // Электромагнитные волны и электронные системы. 2023. Т. 28. № 1. С. 37−46. DOI: https://doi.org/10.18127/j15604128-202301-05

1. Ковалевич Д.А., Листопад Н.И., Батура М.П. Оптимизация расчетного алгоритма работы для автоматических согласующих устройств коротковолнового диапазона // СВЧ-техника и телекоммуникационные технологии. 2020. № 1−2. С. 215−216.
2. Ермолаев В.В., Жуков В.М. Сокращение времени настройки цифрового автоматического согласующего устройства с помощью вычислительного метода // Вестник Тамбовского государственного технического университета. 2013. Т. 19. № 3. С. 544−552.
3. Rodriguez J.L., Garca-Tunon I., Taboada J.M., Obelleiro F., Basteiro. Broadband HF Antenna Matching Network Design Using a Real-Coded Genetic Algorithm // IEEE Transactions on Antennas and Propagation. 2007. V. 55. № 3. P. 611−618.
4. Alibakhshikenari M., Virdee B.S., Shukla P., See C.H., Abd-Alhameed R.A., Falcone F., Limiti E. Improved adaptive impedance matching for RF front-end systems of wireless transceivers // Sci. Rep. 2020. 10. 14065.
5. Cybenko G. Approximation by superpositions of a sigmoidal function // Math. Control Signal Systems 2. 1989. P. 303−314.
6. Nicholas J.C., Bogdan M.W. Compensation of Nonlinearities Using Neural Networks Implemented on Inexpensive Microcontrollers // IEEE Transactionm on industrial electronics. 2011. V. 58. P. 733−740.
7. Бабков В.Ю., Муравьев Ю.К. Основы построения устройств согласования антенн. Л.: ВАС. 1980. 240 с.
8. Фаинитски Д. Автоматический антенный тюнер с автономным питанием (прототип). URL: http://www.sdr-deluxe.com/publ/avtomaticheskij_antennyj_tjuner_s_avtonomnym_pitaniem_prototip/1-1-0-55 (дата обращения 02.08.2022).
9. Павлов А.П., Бахмуцкая А.В., Кащенко И.Е. Согласование антенно-фидерного тракта коротковолнового диапазона радиоволн с применением коммутационного антенно-согласующего устройства на базе нейронной сети // Электромагнитные волны и электронные системы. 2021. Т. 26. № 5. С. 67−74. DOI: https://doi.org/10.18127/j15604128-202105-08.
10. Павлов А.П., Кащенко И.Е. Согласование антенн-фидерного тракта коротковолнового диапазона радиоволн с применением различных методов оптимизации // Техника радиосвязи. 2020. № 4(47). С. 77−86. DOI 10.33286/2075-8693-2020-47-77-86.
11. Hirose A., Yoshida S. Generalization Characteristics of Complex-Valued Feedforward Neural Networks in Relation to Signal Coherence // IEEE Transactions on Neural Networks and Learning Systems. 2012. V. 23. № 4. P. 541−551. doi: 10.1109/TNNLS.2012.2183613.
12. Marieme Ngom, Oana Marin. Fourier neural networks as function approximators and differential equation solvers // Statistical Analysis and Data Mining (The ASA Data Science Journal). 2021. V. 14. P. 647−661.
13. Хайкин С. Преимущества и ограничения обучения методом обратного распространения // Нейронные сети. М.: Вильямс. 2006. С. 304−314.
14. Transtrum M.K., Sethna J.P. Improvements to the Levenberg-Marquardt algorithm for nonlinear least-squares minimization. URL: https://arxiv.org/pdf/1201.5885.pdf (дата обращения 02.08.2022).