基于 MultiTransUNet-GAN 的超定向波束赋形方法

在传统的多输入多输出（MIMO）通信系统中，天线间距通常不小于半波长。然而，通过利用更紧密间距天线之间的耦合，可实现超定向阵列，从而获得远高于传统MIMO的波束赋形增益。本文提出一种新颖的神经网络在超定向阵列中的应用。具体而言，提出一种新模型MultiTransUNet-GAN，旨在预测激发系数，以实现紧凑均匀线性或平面天线阵列的“超定向”或“超增益”。在该模型中，我们集成了多层引导注意力和多尺度跳过连接。此外，集成了生成对抗网络（GAN）以提高模型预测精度和收敛速度。我们引入在模型训练期间使用的温热辅助余弦学习率（cosine learning rate, 简称 LR）计划，并通过纳入生成值与实际值之间的归一化均方误差（NMSE）来改进目标函数。仿真结果表明，本模型实现的阵列定向性和阵列增益与理论值之间具有很强的一致性。总体而言，该方法在提升精度方面具有优势，显著降低了激发系数测量和计算的需求。