Analysis of convex adaptive structures and algorithms for smart antennas

Orozco-Tupacyupanqui, W.; Carpio-Aleman, M.; Nakano-Miyatake, Mariko; Pérez-Meana, Héctor

doi:10.1109/ropec.2016.7830529

Cited by 3 publications

(1 citation statement)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Para esta proposta, o uso de antenas inteligentes torna-se predominante para o sistema. Neste ponto, associa-se a importância dos filtros adaptativos com os esquemas de combinação convexa (Orozco-Tupacyupanqui et al, 2015) e (Orozco-Tupacyupanqui et al, 2016) utilizando os algoritmos CLMS (Andrade et al, 2012) CNLMS (Andrade et al, 2013) e IPNLMS (Benesty and Gay, 2002) para a conformação de feixe em um arranjo adaptativo (Srar et al, 2010). Os resultados apresentados da investigação de convergência dos algoritmos clássicos e propostos avaliam o comportamento do filtro adaptativo pelas variações de parâmetros na etapa de atualização, número de elementos das antenas e relação sinal ruído mais interferência para os referidos filtros.…”

Section: Introductionunclassified

Algoritmos de Conformação de Feixe Baseados na Combinação Convexa de Filtros Adaptativos para Arranjos de Antenas Inteligentes

Silva

Ribeiro

2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

This paper proposed two novel beamforming algorithms using convex combination of adaptive filters for smart antenna array. The proposed method consists of applying two individual filters convexly combined through a mixture parameter whose update is based on a normalized adaptation scheme associated to a sigmoidal function. The convergence of the CNLMS-CLMS and CNLMS-IPNLMS algorithms are analyzed in terms of mean-square error (MSE). Numerical simulations results show that the performance in terms of convergence speed of the CNLMS-CLMS and CNLMS-IPNLMS convex combinations is superior to the performance of IPNLMS, CNLMS and CLMS algorithms. We show that the convergence of proposed algorithms presents low sensitivity to variations in both the input signal-to-interference-plus-noise ratio, number of antenna elements as well as step size. Resumo: Este artigo propõe dois novos algoritmos de conformação de feixe usando combinação convexa de filtros adaptativos para arranjos de antenas inteligentes. O método proposto, consiste em utilizar dois filtros individuais combinados convexamente através de um parâmetro de mistura, cuja atualização é baseada em um esquema de adaptação normalizada, associada a uma função sigmoide. A convergência dos algoritmos CNLMS-CLMS e CNLMS-IPNLMS é analisada em termos do erro quadrático médio (MSE). Resultados de simulações numéricas mostram que o desempenho em termos de velocidade de convergência das combinações convexas CNLMS-CLMS e CNLMS-IPNLMS é superior ao desempenho dos algoritmos IPNLMS, CNLMS e CLMS. Mostra-se que a convergência dos algoritmos propostos apresenta baixa sensibilidade às variações na relação sinal-interferência mais ruído, no número de elementos das antenas bem como no tamanho do passo.

show abstract

Section: Introductionunclassified

Algoritmos de Conformação de Feixe Baseados na Combinação Convexa de Filtros Adaptativos para Arranjos de Antenas Inteligentes

Silva

Ribeiro

2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

show abstract

A survey on improving the wireless communication with adaptive antenna selection by intelligent method

Lai

2022

Computer Communications

View full text Add to dashboard Cite

Applications of Machine Learning and Deep Learning in Antenna Design, Optimization, and Selection: A Review

Sarker,

Podder,

Mondal

et al. 2023

IEEE Access

View full text Add to dashboard Cite

This review paper provides an overview of the latest developments in artificial intelligence (AI)-based antenna design and optimization for wireless communications. Machine learning (ML) and deep learning (DL) algorithms are applied to antenna engineering to improve the efficiency of the design and optimization processes. The review discusses the use of electromagnetic (EM) simulators such as computer simulation technology (CST) and high-frequency structure simulator (HFSS) for ML and DL-based antenna design, which also covers reinforcement learning (RL)-bases approaches. Various antenna optimization methods including parallel optimization, single and multi-objective optimization, variable fidelity optimization, multilayer ML-assisted optimization, and surrogate-based optimization are discussed. The review also covers the AI-based antenna selection approaches for wireless applications. To support the automation of antenna engineering, the data generation technique with computational electromagnetics software is described and some useful datasets are reported. The review concludes that ML/DL can enhance antenna behavior prediction, reduce the number of simulations, improve computer efficiency, and speed up the antenna design process.

show abstract

Analysis of convex adaptive structures and algorithms for smart antennas

Cited by 3 publications

References 8 publications

Algoritmos de Conformação de Feixe Baseados na Combinação Convexa de Filtros Adaptativos para Arranjos de Antenas Inteligentes

Algoritmos de Conformação de Feixe Baseados na Combinação Convexa de Filtros Adaptativos para Arranjos de Antenas Inteligentes

A survey on improving the wireless communication with adaptive antenna selection by intelligent method

Applications of Machine Learning and Deep Learning in Antenna Design, Optimization, and Selection: A Review

Contact Info

Product

Resources

About