[发明专利]基于机器学习的天线阵列验证、原型设计和优化

说明书

估计天线阵列的角分辨率的示例方法包括：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；通过机器学习模型执行特征提取操作，以将幅度和相位的多个值变换为降维空间中的多个数据点；通过机器学习模型将多个数据点聚类到多个聚类中；并且基于聚类的数据点来计算天线阵列的角分辨率值。

相关申请

本申请是2019年9月26日提交美国非临时申请第16/584,383号的国际申请，该申请要求享有于2019年7月24日提交的美国临时申请第62/878,232号的权益，两者的全部内容通过引用并入本文。

背景技术

天线阵列可以包括具有某种几何形状和尺寸的多个天线元件。在实践中，天线设计参数可以包括天线元件的数量、类型和几何属性(例如，形状、尺寸、面积)，以及天线元件之间的空间的尺寸。

附图说明

本公开在附图的图中以示例而非限制的方式示出，其中：

图1示出了在空间域中理想天线的相位响应。

图2示出了示例面积优化天线阵列的相位响应。

图3描绘了由示例天线阵列的第一元件和第二元件测量的到达角的射频(RF)信号相位的相关性。

图4示出了表示输入RF信号测量的一组多维数据点的二维投影。

图5示意性地示出了示例神经网络的结构。

图6示意性地示出了用于天线设计的示例自动化工作流程。

图7示出了示例原型天线阵列的相位响应。

图8是用于实现本文描述的方法的示例系统的框图。

图9是估计天线阵列的角分辨率值的示例方法的流程图。

图10是基于估计天线阵列的角分辨率值来将天线设计工作流程自动化的示例方法的流程图。

具体实施方式

本文描述的实施例针对将机器学习模型用于天线阵列验证、原型设计和优化的系统和方法。

天线设计参数可以包括天线元件的数量、类型和几何属性(例如，形状、尺寸、面积)，以及天线元件之间的空间的尺寸。因此，在一个示例中，天线的设计目标可以涉及优化天线的某些操作特性，例如，到达角估计的分辨率(在本文中也称为角分辨率)，同时满足物理设计约束，该物理设计约束可以由某些天线设计参数(例如，天线元件的数量、类型和几何属性，和/或天线元件之间的空间)的范围或最大值来指定。在另一示例中，天线的设计目标可以涉及优化某些物理设计参数(例如，天线元件的数量、类型和几何属性，和/或天线元件之间的空间)，同时满足操作约束(例如，至少提供期望的角分辨率)。附加的约束可以施加于设计过程本身，例如，减少设计过程中涉及的物理原型和物理实验的数量。

与分析空间域和/或频域上的天线增益分布的各种常见实现方式不同，本公开的系统和方法分析多元件天线的相位响应以便估计其角分辨率。图1示出了在空间域中理想天线的相位响应(X轴对应于天线元件的数量，而Y轴对应于接收到的RF信号的相位)。每个曲线110A-110Z对应于接收到的RF信号的到达角(AoA)的某个值(在图1中表示为Θ)。

如从图1中可以看出的，表现出所描绘的线性相位响应的天线的角分辨率将仅取决于空间域特性(即，天线元件的数量)。然而，天线设计要求可能会限制天线的物理尺寸，例如，针对移动设备或可穿戴设备。因此，示例面积优化天线的相位响应可能变得显著非线性，如图2的曲线210A-210Z所示。

对表现出基本上非线性相位响应的天线阵列的角分辨率进行估计的任务至少就其计算复杂度而言可能是非常具有挑战性的。因此，本文描述的系统和方法依赖于机器学习技术，以便建立和训练用于估计天线阵列的角分辨率的高效模型。