EUVIMEDEUVIMED entdecken
Crossref

An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas

Аймен Дейя Халил, Ахмед Сабах Нури, Абдулла Саад Абид, Анас Фуад Ахмед

Radioelectronics. Nanosystems. Information Technologies. · 14.04.2026 · 18 (2) · 155-162

DOI: 10.17725/rensit.2026.18.155 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Radioelectronics. Nanosystems. Information Technologies., online erschienen am 14.04.2026. Verfasst von Аймен Дейя Халил und 3 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Представлена новая многоцелевая модель глубокой нейронной сети на основе программируемой логической интегральной схемы (ПЛИС), которая может быть использована для оптимизации антенн с несколькими входами и несколькими выходами (MIMO) mmWave в режиме реального времени. В отличие от традиционных суррогатных моделей, которые прогнозируют только один из параметров производительности, предлагаемый подход одновременно изучает сложные нелинейные корреляции между коэффициентом отражения (S11) и взаимной связью (S12), а также реализованный коэффициент усиления и коэффициент корреляции огибающей (ECC) на наборе многовыходных DNN, обученных на двухполупериодной частоте. данные моделирования из хранилища IEEE_LAT_AM-T-9776. Суррогатная модель реализована на ПЛИС Xilinx Zynq UltraScale+ FPGA с 16-битным квантованием с фиксированной точкой, а время вывода сокращено до менее чем 1 мс, что позволяет адаптировать конструкцию в ходе итеративного процесса для приложений реального времени. Подробные таблицы характеристик показывают, что система работает лучше, чем обычные современные методы, как с точки зрения электромагнитных характеристик, так и с точки зрения вычислительной эффективности. Предложенная конструкция обеспечивает S11 на уровне -35.2 дБ, изоляцию более -27 дБ, усиление 8.7дБ и ECC менее 0.001, в то время как время, затрачиваемое на оценку конструкции, на три порядка меньше, чем при оптимизации методами, основанными на двухполупериодной волне. Такие результаты демонстрируют целесообразность включения аппаратно-ускоренного суррогатного обучения при разработке антенн следующих поколений, что вносит ценный вклад в интеллектуальное проектирование антенн 5G и будущих беспроводных систем.

Zitieren

APA

Халил, А. Д., Нури, А. С., Абид, А. С., & Ахмед, А. Ф. (2026). An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas. Radioelectronics. Nanosystems. Information Technologies., 18(2), 155-162. https://doi.org/10.17725/rensit.2026.18.155

Vancouver

Халил АД, Нури АС, Абид АС, Ахмед АФ. An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas. Radioelectronics. Nanosystems. Information Technologies.. 2026;18(2):155-162. doi:10.17725/rensit.2026.18.155

BibTeX
@article{2026,
  author = {Халил, Аймен Дейя and Нури, Ахмед Сабах and Абид, Абдулла Саад and Ахмед, Анас Фуад},
  title = {An Efficient Multi-Output Deep Learning Surrogate Optimization Model for mmWave 5G MIMO Antennas},
  journal = {Radioelectronics. Nanosystems. Information Technologies.},
  year = {2026},
  volume = {18},
  number = {2},
  pages = {155--162},
  doi = {10.17725/rensit.2026.18.155}
}
Kostenlos starten →