基于卷积神经网络的天线近场重建
机器学习
2025-04-25 v1
摘要
电磁场重建是许多应用中的关键环节，包括天线诊断、电磁干扰分析和系统建模。本文提出了一种基于深度学习的方法，用于Far-Field到Near-Field（FF-NF）转换，使用卷积神经网络（CNN）。目标是从天线的远场数据中重建近场分布，而无需依赖显式的解析转换。CNN在训练中使用成对的远场和近场数据，并使用均方误差（MSE）进行评估。最佳模型实现了训练误差为0.0199，测试误差为0.3898。此外，与预测近场分布的真实值进行可视化比较，表明该模型在捕捉复杂电磁场行为方面具有有效性，凸显了深度学习在电磁场重建中的潜力。
引用
@article{arxiv.2504.17065,
title = {Antenna Near-Field Reconstruction from Far-Field Data Using Convolutional Neural Networks},
author = {Sahar Bagherkhani and Jackson Christopher Earls and Franco De Flaviis and Pierre Baldi},
journal= {arXiv preprint arXiv:2504.17065},
year = {2025}
}