О. С. Литвинов – д.ф.-м.н., профессор, кафедра физики, МГТУ им. Н.Э. Баумана

E-mail: oleglitv@mtu-net.ru

Д. В. Муродьянц – студент,

кафедра физики, МГТУ им. Н.Э. Баумана

E-mail: dmitriy1994.94@mail.ru В. С. Борута – к.ф.-м.н., доцент, кафедра физики, МГТУ им. Н.Э. Баумана Б. Е. Винтайкин – д.ф.-м.н., профессор, кафедра физики, МГТУ им. Н.Э. Баумана

Постановка проблемы. За последние 10–15 лет появилась и получила широкое распространение новая отрасль антенной техники – адаптивные антенны. Основная задача проектирования таких антенн заключается в создании блока управления весовыми коэффициентами (ВК), участвующих в формировании конечного сигнала с минимальной помеховой составляющей. При наложении ограничений на изменение амплитуды ВК для уменьшения потерь мощности полезного сигнала задача выбора оптимальных ВК не имеет аналитического решения. В связи с этим представляет интерес исследование возможности использования нейронной сети в качестве блока управления.

Цель. Создать адаптивную антенную решетку (ААР) на нейросетевом фазовом управлении, которая максимизирует отношение мощности полезного сигнала к шуму на выходе с минимальными потерями мощности полезного сигнала.

Результаты. Проведен анализ различных характеристик подавления шумовых помех в адаптивных антенных решетках с нейросетевым алгоритмом управления фазовращателями в сравнении с известным результатом подавления помех в ААР с традиционным алгоритмом адаптивного управления фазовращателями и аттенюаторами, а также в ААР с нейросетевым алгоритмом управления аттенюаторами. Рассмотрены зависимости отношения мощности сигнала к шуму и мощности полезного сигнала на выходе ААР от угла прихода помехи в случае одной и трех помех, приходящих под фиксированными углами между собой, в зависимости от выбранного алгоритма адаптации (нейросетевого или традиционного). Проанализирована помехоустойчивость ААР с нейросетевым алгоритмом управления фазовращателями.

Практическая значимость. Продемонстрирована успешность работы нейронной сети в задаче фазового управления ААР, а также ее преимущество в отношении потерь мощности полезного сигнала по сравнению с традиционными алгоритмами адаптации.

1. Пистолькорс А.А., Литвинов О.С. Введение в теорию адаптивных антенн. М.: Наука. 1991.
2. Хайкин С. Нейронные сети: Полный курс. Изд. 2-е. М.: ИД «Вильямс». 2008.
3. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир. 1992.
4. Калацкая Л.В., Новиков В.А., Садов В.С. Организация и обучение искусственных нейронных сетей. Экспериментальное учеб. пособие. Минск: Изд-во БГУ. 2003.
5. Acharya N., Acharya S., Panda S., Nanda P. An artificial neural network model for a diesel engine fuelled with mahua biodiesel // Computational Intelligence in Data Mining: Proceedings of the International Conference on CIDM. 2017. P. 193–201. DOI: 10.1007/ 978-981-10-3874-7_19
6. Liu G., Jia L., Kong B., Guan K., Zhang H. Artificial neural network application to study quantitative relationship between silicide and fracture toughness of Nb-Si alloys // Materials & Design. 2017. V. 129. P. 210–218.
7. Hinton G.E., Osindero S., Teh. Y.W. A fast learning algorithm for deep belief nets // Neural Computation. 2006. V. 18. № 7. P. 1527–1554. DOI: 10.1162/neco.2006.18.7.1527
8. Deng G., Ferris M.C. Neuro-dynamic programming for fractionated radiotherapy planning // Springer Optimization and Its Applications. 2008. V. 12. P. 47–70.
9. Islam Md.S., Mohandes M., Rehman S. Vertical extrapolation of wind speed using artificial neural network hybrid system // Neural Computing and Applications. 2017. V. 28. P. 2351–2361.
10. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск: Изд-во Красноярского гос. техн. ун-та. 2000.
11. Ливенцев В.В. Применение поляризации сигналов для повышения эффективности использования радиочастотного спектра // Мобильные системы. 2007. № 7. С. 10–15.
12. Зелкин Е.Г., Кравченко В.Ф. Синтез антенн на основе атомарных функций. М.: Радиотехника. 2003.