摘要：通过将天线阵列设计的已有知识（“知”）和数据驱动（“数”）的机器学习方法有机融合，从而构成适用于天线阵列综合的“知识和数据混合驱动”技术（HKDT），简称知数混动技术，又称“港元”技术。此项技术能充分利用两方面的优点，并有效避免各自存在的不足之处；既能充分体现天线阵列的物理意义，还可大大加速阵列设计收敛。

　　一、研究背景

　　作为无线电信号发射和接收的核心部件，天线及天线阵列在无线通信系统中发挥着不可替代的作用。随着5G在全世界范围内的广泛应用以及B5G/6G研究不断加速，天线设计逐渐向更多频段、更高频率、更多复杂应用场景、更高性能、更多单元、更加智能的方向演进。如图1所示的天线阵列可以提升天线的方向性，并且易于实现如极窄波束、波束赋形、多波束、波束扫描、低副瓣电平等，从而在多个方面提升通信及雷达等系统的系统性能。传统的阵列综合方法多数考虑理想的天线阵元，针对包括单元数目、单元空间分布、单元激励幅相分布等参数进行联合设计及优化。近年来，日趋复杂的无线移动通信系统带来了愈加复杂的电磁环境。一方面，系统设计通常需要依赖计算复杂度高的全波仿真以获得在实际场景下天线及阵列的辐射等响应。另一方面，系统设计和结构设计的发展在不断引入限制条件的同时亦不断提出更多、更高的设计目标。总体而言，下一代移动通信系统对阵列更高性能的需求和计算电磁方法极高的计算复杂度构成了一对天然矛盾。

　　近年来，涌现了一系列基于天线单元有源方向图（Active Element Pattern，AEP）的天线阵列综合新方法。Yanhui Liu、Slawomir Koziel、Yanki Aslan、Ha Van Bui等国内外专家学者提出在考虑天线单元互耦及平台效应的前提下，将阵列综合算法有效地分解成单元空间分布优化和单元激励优化两个层级，对阵列参数进行优化，取得了一系列成效明显的结果。得益于此，阵列综合的问题逐渐演变为如何快速且精确地获得阵列中各个阵元的AEP，即如何将其与计算复杂度极高的全波仿真计算逐渐解耦，从而实现对阵元空间分布和激励等的真正的“自由”优化设计。

　　机器学习在电磁领域已得到了广泛关注，研究并获得应用。在天线和天线阵列的研究中，机器学习被引入用来建立设计参数和设计目标之间的代理模型，从而加速天线和天线阵列的设计收敛。不同于天线单元的设计与优化，天线阵列的综合问题通常涉及几十、上百甚至数千个变量，优化设计的难度爆炸式增长；同时，天线阵列的仿真计算时间要远超过单元。综合起来看，对天线阵列综合问题，取得精确代理模型的难度要远远超过天线单元的设计问题。

　　图1、典型线性阵列中的天线单元性能非常容易受到互耦及平台效应的影响

　　二、适用于天线阵列综合的知数混动技术

　　本文提出了一种基于元天线单元的有源方向图建模（Active Base Element Modeling，ABEM）的机器学习辅助的阵列综合方法（Machine-Learning-Assisted Array Synthesis，MLAAS），通过引入元天线单元建模的思路，大大降低了传统机器学习辅助建模方法的学习时间，从而加速了阵列设计流程。也就是说，通过将天线设计的已有知识（“知”）和数据驱动（“数”）的机器学习相结合，从而构成适用于天线阵列综合的“知识和数据混合驱动”技术（Hybrid Knowledge & Data Driven Technology, HKDT），简称知数混动技术，又称“港元”技术。HKDT能够充分利用两个方面的优点，并有效避免各自的缺点；既能充分体现物理意义，还能大大加速设计收敛。

　　为了避免传统的阵列综合方法带来的波束质量的恶化，本文提出的MLAAS将互耦和平台效应等将会影响阵列性能的因素考虑其中，通过引入机器学习的方法，对天线单元的AEP进行学习及预测，力图实现真正的对于阵列分布和位置的“自由”优化。如图2所示，不同于其他的机器学习辅助的阵列优化方法，ABEM将阵列中所有的阵元的单元特性都作为“元阵元”在不同阵列位置、不同阵列环境下的响应，从而在大大降低计算复杂度的同时，提升了代理模型的自由度。如图3所示，在相同数据集下，所提出的ABEM对幅度和相位AEP的预测能力要远优于传统的阵列分布建模(Array Distribution Modeling, ADM)方法。

　　基于所提出的ABEM，MLAAS可以快速且精确地对不同空间分布的阵列的响应进行预测，从而对设计目标进行快速阵列综合。图4给出了MLAAS的算法流程图。

　　图2、传统的基于阵列分布的建模方法到基于“元阵元”的建模方法的演进

　　图3、采用相同的数据集，ABEM的预测能力远优于传统的ADM

　　图4、基于ABEM的MLAAS算法流程图

　　三、阵列综合实例

　　利用所提出的MLAAS，分别针对四个不同的阵列设计场景：在平台设计面积约束下的双波束阵列综合、在副瓣约束下的单元数目优化、与凸优化方法相结合的多波束阵列综合、基于介质谐振天线的平顶波束综合，验证了所提出算法的优越性。如图5和图6所示，阵列综合实例A~D验证了算法在不同应用场景下的灵活性，包括在不同的限制条件、不同的优化目标、与不同的优化方法综合以及应用于不同的天线单元等情况下的适用性。

　　概括来说，采用HKDT，既能保持天线阵列综合的原有设计流程，又可以使天线单元的建模精度更高。关键是该方法能够以更低的计算量达到方向图等阵列性能指标，从而实现阵列设计快速收敛。

　　图5、在平台设计面积约束下的双波束阵列综合（例A）和在副瓣约束下的单元数目优化（例B）

　　图6、与凸优化方法相结合的多波束阵列综合（例C）以及基于介质谐振天线的平顶波束综合（例D）

　　【论文信息】

　　Q. Wu, W. Q. Chen, C. Yu, H. M. Wang, and W. Hong, “Machine learning-assisted array synthesis using active base element modeling,” IEEE Trans. Antennas Propag., Accepted for publication, Oct. 2021.