内容推荐 近年来,以机器学习为核心的人工智能技术在计算机视觉、语音识别、广告精准推送等领域的研究不断深入,其应用范围不断拓展,已获得了巨大成功。微波工程领域的研究者们也期望将人工智能技术应用于天线、元器件与电路设计以及信道建模等各个层面,进而发展出智能微波工程,以实现大幅度提升设计效能。智能微波工程也因此被认为是电磁场与微波技术领域最为活跃的研究方向,但其研究尚处于探索阶段。本书系统讨论智能微波工程的理论与技术,主要包括:机器学习和优化技术的基础、多路径机器学习辅助的天线智能设计、知识和数据混合驱动的天线阵列设计、多层机器学习辅助的天线射频鲁棒设计、毫米波片上螺旋电感智能设计、知识和数据混合驱动的信道建模等。为了方便读者快速理解书中涉及的原理与概念,附录中给出部分章节涉及的具体算法的程序源代码,同时给出了完整的程序源代码包下载链接,读者可直接下载获取。 本书可作为高等院校相关专业高年级本科生及研究生的微波工程实验教学参考书,也可供电磁场与微波技术领域的工程技术人员参考使用。 作者简介 王海明,东南大学特聘教授、博士生导师。主要研究方向为智能天线射频技术、智能电波测量与信道建模技术、智能无线通信感知定位一体化技术。2019年至今,担任国家6G技术研发总体专家组专家。2022年起,担任中国通信学会短距无线通信委员会副主任委员。2012年至2018年,任国际标准IEEE 802.11aj工作组副主席。发表学术论文100余篇,获授权国际/国家发明专利60余件。研究成果2次获江苏省科技进步奖一等奖,2次获IEEE标准突出贡献奖。 目录 “智能工程前沿丛书”序 前言 符号说明 第1章 绪论 1.1 主要研究进展及发展趋势 1.1.1 微波电路与系统 1.1.2 天线与阵列 1.1.3 电波测量与信道建模 1.2 本书主要内容 第2章 微波工程简介 2.1 微波电路与系统 2.1.1 微波传输线 2.1.2 微波器件 2.1.3 微波电路 2.1.4 微波网络分析 2.1.5 阻抗匹配 2.2 天线与阵列 2.2.1 天线 2.2.2 阵列 2.3 电波传播机制与信道建模 2.3.1 电波传播的理论基础 2.3.2 无线通信中的电波传播 2.3.3 电波传播测量 2.3.4 信道建模 第3章 机器学习辅助优化 3.1 基本框架 3.2 机器学习技术简介 3.2.1 监督学习 3.2.2 无监督学习 3.2.3 人工神经网络 3.2.4 高斯过程回归 3.2.5 支持向量回归 3.3 最优化算法 3.3.1 遗传算法 3.3.2 粒子群算法 3.3.3 差分进化算法 3.4 应用实例 3.4.1 基片集成波导背腔缝隙天线 3.4.2 分形贴片天线 3.4.3 带通滤波器 3.5 本章小结 第4章 天线智能设计 4.1 多精度电磁仿真 4.2 协作式机器学习辅助建模 4.3 多路径机器学习辅助优化 4.3.1 置信下限预筛选 4.3.2 多保真度高斯过程回归 4.3.3 多路径机器学习辅助优化 4.4 测试函数实验 4.5 应用实例 4.5.1 超宽带平面偶极子天线 4.5.2 三频贴片天线 4.5.3 毫米波车载雷达天线阵列 4.6 本章小结 第5章 阵列智能设计 5.1 经典的阵列设计方法 5.2 有源元单元建模 5.2.1 基于有源元单元的建模 5.2.2 结合先验知识的有源元单元建模 5.3 知识和数据混合驱动的天线阵列设计 5.4 应用实例 5.4.1 不规则形状地板上的微带天线阵列低副瓣设计 5.4.2 采用凸优化方法的多波束线阵设计 5.4.3 在位置约束下的采用进化算法的微带天线面阵设计 5.4.4 采用凸优化算法的微带天线面阵设计 5.5 本章小结 第6章 天线射频智能鲁棒设计 6.1 天线射频的鲁棒设计 6.1.1 经典鲁棒设计方法 6.1.2 鲁棒设计的分层策略 6.2 多层机器学习辅助优化 6.2.1 机器学习辅助优化 6.2.2 超立方体搜索问题的数学表示 6.2.3 最差情况分析 6.2.4 最大输入容差超体积搜索 6.2.5 鲁棒优化 6.3 应用实例 6.3.1 测试函数的MITH搜索 6.3.2 微带贴片天线的MITH搜索 6.3.3 天线阵列的鲁棒设计 6.3.4 串馈天线的鲁棒设计 6.4 本章小结 第7章 片上螺旋电感智能设计 7.1 可变形的螺旋电感 7.1.1 任意多边形螺旋电感绘制 7.1.2 可变螺旋电感的结构与特性 7.1.3 直流电感值近似计算 7.2 片上可变形的螺旋电感自动综合 7.2.1 结合先验知识的代理模型 7.2.2 片上可变螺旋电感自动综合 7.3 应用实例 7.3.1 案例1:品质因数最大化 7.3.2 案例2:宽频带优化 7.3.3 案例3:面积最小化 7.4 本章小结 第8章 智能信道建模 8.1 基于几何随机模型的物理信道建模 8.1.1 信道模型和信道参数 8.1.2 无监督学习的多径分簇算法 8.2 基于人工神经网络的预测性信道建模 8.2.1 纯数据驱动的信道模型 8.2.2 知识和数据混合驱动的信道模型 8.3 应用实例:前向植被散射簇的智能建模 8.3.1 信道数据准备 8.3.2 物理统计信道模型 8.3.3 人工神经网络结构与训练 8.3.4 模型训练结果与分析 8.3.5 模型验证 8.4 本章小结 参考文献 附录A 带通滤波器程序源代码 附录B 三频贴片天线程序源代码 附录C 采用HKDT进行对AEP建模的程序源代码 附录D 采用MLAO进行MITH搜索的程序源代码 附录E 片上可变螺旋电感自动综合程序源代码 索引 |