[发明专利]基于机器学习的天线阵列验证、原型设计和优化

权利要求书

1.一种方法，包括：

通过处理设备接收用于天线阵列所包括的多个天线元件中的每个天线元件的射频(RF)信号的幅度和相位的多个值；

通过所述处理设备应用机器学习模型来执行特征提取操作，以将所述幅度和相位的多个值变换为降维空间中的多个数据点；

通过所述处理设备应用所述机器学习模型来将所述多个数据点聚类到多个聚类中；

通过所述处理设备基于所述多个聚类来计算所述天线阵列的角分辨率值；以及

通过所述处理设备输出所述角分辨率值。

2.根据权利要求1所述的方法，还包括：

接收所述天线阵列的设计参数的多个值；

通过将仿真模型应用于所述设计参数的多个值来计算用于所述多个天线元件中的每个天线元件的所述RF信号的幅度和相位的多个值。

3.根据权利要求1所述的方法，其中，计算所述角分辨率值还包括：

通过应用所述机器学习模型来执行回归操作，以根据所述多个数据点推断所述角分辨率值。

4.根据权利要求1所述的方法，还包括：

通过应用所述机器学习模型来执行回归操作，以针对所述多个聚类中的每个聚类计算到达角(AoA)的对应值。

5.根据权利要求1所述的方法，还包括：

识别所述多个聚类的重叠聚类的子集；以及

基于所述重叠聚类的子集，识别已经导致所述重叠聚类的子集重叠的所述天线阵列的物理参数。

6.根据权利要求1所述的方法，其中，所述机器学习模型由神经网络表示。

7.根据权利要求6所述的方法，还包括：

执行无监督训练过程，以用于训练所述神经网络来执行所述特征提取操作。

8.根据权利要求6所述的方法，还包括：

执行无监督训练过程，以用于训练所述神经网络来执行聚类操作。

9.根据权利要求6所述的方法，还包括：

执行监督训练过程，以用于训练所述神经网络来执行回归操作，以根据所述多个数据点推断所述角分辨率值。

10.一种方法，包括：

通过处理设备接收包括多个天线元件的天线阵列的设计参数的多个值；

通过所述处理设备将仿真模型应用于所述设计参数的多个值来计算用于所述多个天线元件中的每个天线元件的RF信号的幅度和相位的多个值；

通过所述处理设备应用机器学习模型来计算所述天线阵列的角分辨率值；以及

响应于确定所述角分辨率值小于或等于预定阈值，输出所述天线阵列的角分辨率值。

11.根据权利要求10所述的方法，还包括：

响应于确定所述角分辨率值超过预定阈值，识别已经导致所述角分辨率值超过所述预定阈值的所述天线阵列的设计参数。

12.根据权利要求10所述的方法，其中，计算所述角分辨率值还包括：

通过机器学习模型来执行特征提取操作，以将所述幅度和相位的多个值变换为降维空间中的多个数据点；

通过所述机器学习模型将所述多个数据点聚类到多个聚类中；以及

通过所述机器学习模型来执行回归操作，以根据所述多个聚类推断所述角分辨率值。

13.根据权利要求12所述的方法，还包括：

执行无监督训练过程，以用于训练所述机器学习模型来执行所述特征提取操作。

14.根据权利要求12所述的方法，还包括：

执行无监督训练过程，以用于训练所述机器学习模型来执行聚类操作。