《Sensors》:When Data Augmentation Falls Short: Wi-Fi Fingerprint-Based Indoor Localization Revisited
编辑推荐:
相控阵(Phased Array)天线是下一代移动通信、卫星通信和雷达系统的关键。辐射方向图(Radiation Pattern)是评估天线的重要性能指标,但传统机械扫描测量在针对相控阵的每个波束重复进行时效率低下。现有基于活性单元模式(Active Elem
相控阵(Phased Array)天线是下一代移动通信、卫星通信和雷达系统的关键。辐射方向图(Radiation Pattern)是评估天线的重要性能指标,但传统机械扫描测量在针对相控阵的每个波束重复进行时效率低下。现有基于活性单元模式(Active Element Pattern, AEP)的方法通过将耦合环境相似的单元分组来减轻这一负担,但其分组和代表性单元选择主要基于物理直觉,且通断模式(on–off-mode)测量可能与实际全通(all-on)工作状态不同。研究人员提出一种基于K-means无监督学习的数据驱动自适应分组方法。单元位置和宽边相位信息用于构建特征矩阵,一个考虑组大小和电场变化的复合评价函数用于细分高动态区域。代表性单元模式在全通模式下获取,并采用稀疏角采样以进一步减少测量时间。一个8×8偶极子阵列的仿真结果表明,所提方法使用16个代表性单元即可重建多波束阵列方向图,少于对比方法所需的25个代表性单元,在主瓣精度相同的情况下改进了旁瓣零深精度。所提分组方法的有效性也在实测的4×4毫米波(mmWave)相控阵上得到了验证。
**论文解读文章**
**研究背景**
相控阵天线(Phased Array Antenna)是第五代(5G)和未来第六代(6G)地面网络、卫星通信及雷达系统的关键使能技术。在毫米波(mmWave)频段,相控阵通过波束赋形将辐射能量集中到目标用户,以补偿自由空间路径损耗;在卫星通信中,多波束扫描相控阵对于高通量卫星和低轨卫星系统至关重要。随着相控阵在多样化场景中的广泛部署,精确表征其辐射性能变得愈发重要。然而,传统固定波束测量方法(如近场、直接远场、紧缩场(CATR)等)在应对相控阵的数百甚至数千个波束状态时,需重复机械扫描,导致测量过程极其耗时低效。现有基于活性单元模式(AEP)的方法通过将耦合环境相似的单元分组来减少测量次数,但存在以下问题:分组和代表性单元选择主要依赖物理直觉而非数据驱动分析;对平面阵列的角单元常独立分组,忽视了其对称性;通断模式(on–off-mode)测量与实际全通(all-on)工作状态存在偏差,引入较大测量误差。因此,需要一种能自动、高效进行单元分组并保持精度的多波束测试方法。
**研究内容**
研究人员提出了一种基于K-means无监督学习的数据驱动自适应分组方法,用于相控阵的多波束高效测试。该方法从阵列的宽边方向图中提取单元位置信息和经公共相位因子校正后的相位信息,构建特征矩阵;通过复合评价函数(综合考虑组大小和电场变化梯度)自动识别高动态区域并进一步细分;代表性单元模式在全通模式下测量,并引入稀疏角采样以缩短测量时间。通过仿真和实测验证了该方法的有效性,论文发表在《Sensors》。
**主要技术方法**
研究人员使用了以下关键方法:K-means无监督聚类算法对阵列单元进行分类;基于单元位置和宽边相位校正后的特征矩阵构建;复合评价函数(包含组大小参数和归一化电场梯度参数)用于高动态组自适应细分;全通模式(all-on mode)测量代表性单元活性单元模式(AEP),并辅以稀疏角采样(如间隔3°)通过插值重建。所有仿真和实测均基于标准阵列,未涉及特定样本队列来源。
**研究结果**
**3.1 仿真验证**
针对一个工作在2.4 GHz、半波长间距的8×8偶极子阵列,研究人员通过提取公共相位因子后的残余相位分布(图1)和单元坐标构建特征矩阵,进行K-means自适应聚类,得到16个分组(图2),少于对比方法1(25组,图3)和方法2(25组,图4)。通过全波仿真得到的64个单元活性单元模式作为参考,对9个波束指向(波束1:θ=0°;波束2:θ=30°, φ=0°;波束3:θ=30°, φ=45°等)进行阵列方向图重建。结果表明,所提方法重建的方向图与参考高度一致,主瓣位置准确,旁瓣零深区域得到改善;结合3°稀疏采样后仍保持接近参考(图5–7)。进一步对Taylor幅度加权(目标峰值旁瓣电平?30 dB)和线性约束单零陷形成(零陷方向θ=40°, φ=0°)进行测试,所提方法重建的峰值旁瓣低于?30 dB,零陷深度低于?40 dB(图8)。此外,在8×8贴片阵列(图9a)和44单元不规则贴片阵列(图9b)上验证,所提方法分别选出11个和20个代表性单元,对比方法1和方法2分别为9/12个和13/29个;方向图重建精度相当或更优(图10–13)。
**3.2 实验验证:4×4毫米波阵列**
在28 GHz的4×4 mmWave相控阵(图14)上,将所提方法与两种基于耦合环境的分组方法(方法3:角单元独立分组;方法4:角单元同组)进行比较。所提方法自动选出8个代表性单元,而方法3和方法4分别需要16个和9个(图15)。对5个波束指向(θ=0°, 30°, 45°, 60°, 75°)进行方向图重建,其中3个波束(波束1:θ=0°, φ=0°;波束2:θ=30°, φ=0°;波束3:θ=45°, φ=0°)的结果显示,所提方法在旁瓣和零深细节上重建更准确(图16–18)。定量比较(表1和表2)表明,所提方法在8×8偶极子阵列上使用16个代表性单元,比方法2的25个减少36%,同时获得更高的二维方向图相似度和更低的等效杂散信号(ESS)值;在4×4 mmWave阵列上,所提方法使用8个代表性单元,相似度均高于对比方法。
**讨论与结论**
讨论部分指出,提取公共相位因子是特征分组的关键步骤,去除后相位分布更适合聚类;所提方法通过数据驱动实现场信息分组而非纯几何分组,代表性单元基于特征向量距离自动选择,而非手动预设;全通模式测量更接近实际工作状态,减少了通断模式下的幅度和相位误差。稀疏采样可进一步降低测量负担。结论部分翻译如下:
本文提出了一种面向相控阵高效多波束测试的自适应分组方法。该方法利用K-means无监督学习算法,通过构建单元位置和宽边相位分布的特征矩阵对阵列单元进行分类,并引入考虑组内单元数量和电场变化程度的复合评价函数来识别高动态区域并进一步细分。这一策略实现了有效的阵列单元分类和代表性单元自动选择。通过考虑角单元的方向图对称性,所提方法减少了重建所需代表性单元的数量。对于8×8偶极子阵列,使用16个代表性单元即可重建多波束阵列方向图,少于对比方法中的25个单元,同时改进了部分旁瓣区域的精度。此外,代表性单元模式在全通模式下获取,比传统通断测量模式更符合相控阵单元的实际工作状态;稀疏角采样也被纳入以进一步缩短测量时间。仿真和实测结果均验证了所提方法的有效性。重建的阵列方向图在不同波束指向上与参考方向图保持良好一致性,表明数据驱动的自适应分组、全通单元模式获取和稀疏采样能够共同减少测量工作量并保持重建精度。总体而言,主要贡献在于实现了实用的效率-精度权衡:在电场缓慢变化区域自动减少分组,在快速变化区域细化分组,从而在不牺牲主波束特征的前提下减少需要测量的代表性活性单元模式数量。