ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2026. №2

УДК: 621.396.67

применение нейронных сетей для оценки
коэффициента усиления фазированной антенной
решетки в заданных направлениях

А.А. Комаров, С.Ю. Пашаев, А.М. Михайлов, В.А. Пермяков

Национальный исследовательский университет «МЭИ»,
111250, Москва, Красноказарменная ул., д.14, стр. 1

Статья поступила в редакцию 14 ноября 2025 г.

Аннотация. Вычисление коэффициента усиления антенной решетки является критически важной задачей при проектировании и эксплуатации современных систем радиосвязи, радиолокации и радиоэлектронной борьбы. Этот параметр позволяет количественно оценить эффективность концентрации электромагнитной энергии в заданном направлении, что непосредственно определяет дальность связи, помехозащищенность и энергетическую эффективность системы. В данной работе предлагается метод расчета коэффициента усиления АФАР с использованием нейронных сетей (НС). Подход основан на обучении модели на синтезированных данных, где входными параметрами выступают геометрия решетки, амплитудно-фазовое распределение и углы сканирования, а целевой переменной – значение коэффициента усиления. Обученная модель демонстрирует способность к мгновенному прогнозированию характеристик антенны для произвольных конфигураций. Преимуществом метода является существенное сокращение вычислительных затрат по сравнению с традиционными электродинамическими расчетами при сохранении удовлетворительной точности. Разработанный подход открывает возможности для создания систем адаптивного управления диаграммой направленности в реальном времени и эффективной оптимизации параметров антенной решетки при изменяющихся условиях эксплуатации.

Ключевые слова: фазированная антенная решетка, нейронные сети, применение нейросетей для численных расчетов, аппроксимация, коэффициент усиления, диаграмма направленности, машинное обучение.

Финансирование: Работа выполнена при финансовой поддержке РНФ, проект №23-19-00485 https://rscf.ru/project/23-19-00485/

Автор для переписки: Пашаев Солтанбек Юсупович soltanbek.pashaev@mail.ru

Литература

1. Литвинов О.С. и др. Исследование характеристик подавления широкополосных помех в адаптивных антенных решетках с нейросетевым управлением //Антенны. – 2020. – №. 4. – С. 48-53.

2. Литвинов О.С. и др. Исследование характеристик подавления шумов в адаптивных антенных решетках на нейросетевом управлении //Антенны. – 2019. – №. 8. – С. 12-19.

3. Литвинов О.С., Забелин А.Н. Сравнение алгоритмов подавления помех в адаптивных антенных решетках на нейросетевом, калмановском и традиционном управлении //волновая электроника и инфокоммуникационные системы. – 2022. – С. 181-187.

4. Забелин А.Н., Литвинов О.С. Особенности применения рекуррентной нейронной сети для подавления нестационарных помех в адаптивной антенной решетке //Волновая электроника и инфокоммуникационные системы. – 2023. – С. 158-167.

5. Литвинов О. С. и др. Подавление шумовых помех в адаптивных антенных решетках на основе нейросетевых алгоритмов //Антенны. – 2018. – №. 2. – С. 40-44.

6. Литвинов О. С. и др. Сравнение эффективности подавления помех в адаптивных антенных решетках на нейросетевом управлении //Антенны и Распространение Радиоволн. – 2019. – С. 67-69.

7. Yang R. et al. An Ultrathin Filtering Transmitarray Antenna Based on Machine-Learning-Enabled Phase Synthesis //IEEE Antennas and Wireless Propagation Letters. – 2025.

8. Cui C., Rocca P., Massa A. Shaped Beampattern Synthesis of Planar Arrays with Fully Convolutional Networks //IEEE Antennas and Wireless Propagation Letters. – 2025.

9. Wang C. et al. Design of Sparse Antenna Array Using Physics-Aware Generative Adversarial Network //IEEE Transactions on Antennas and Propagation. – 2025.

10. Lin Q. et al. A novel DMK fusion model for Full-Cycle Data and Its Application in Electronic Equipment //IEEE Sensors Journal. – 2025.

11. Schenone V., Fedeli A., Randazzo A. An Antenna Array Diagnosis Approach Based on CNN Inversion and CFAR Detection //IEEE Transactions on Antennas and Propagation. – 2025.

12. Yao H. M. et al. Antenna array diagnosis using a deep learning approach //IEEE Transactions on Antennas and Propagation. – 2024. – Т. 72. – №. 6. – С. 5396-5401.

13. Huang Z. et al. Spectral efficiency optimization for millimeter wave hybrid massive MIMO systems using unsupervised learning //Intelligent and Converged Networks. – 2025. – Т. 6. – №. 3. – С. 247-263.

14. Triwidyastuti Y. et al. Unsupervised Learning-Based Joint Beamforming and Phase-Shift Optimization for RIS-Assisted DeepMIMO With Large-Scale Arrays //IEEE Access. – 2025.

15. Aluvihare H. et al. A Low-complexity Structured Neural Network Approach to Intelligently Realize Wideband Multi-beam Beamformers //arXiv preprint arXiv:2503.20694. – 2025.

16. Ma J. et al. Efficient Multidimensional Parameter Estimation Using Machine Learning-Assisted SAGE Algorithm //IEEE Signal Processing Letters. – 2025.

17. Peng F., Chen X., Xue J. AI-Assisted antenna optimization: Integrating evolutionary and inverse cascade neural networks with differential evolution //IEEE Transactions on Antennas and Propagation. – 2025.

18. Adama V. R. et al. Introducing Machine Learning in Design and Analysis of Antenna for Wireless Systems //2025 International Conference on Next Generation Computing Systems (ICNGCS). – IEEE, 2025. – С. 1-7.

19. Nielsen M. A. Neural Networks and Deep Learning. Determination Press, 2015 [Electronic resource]. — URL: http://neuralnetworksanddeeplearning.com/

20. MIT Introduction to Deep Learning 2025 [Electronic resource]. — URL: https://introtodeeplearning.com

Для цитирования:

Комаров А.А., Пашаев С.Ю., Пермяков В.А., Михайлов А.М. Применение нейронных сетей для оценки коэффициента усиления фазированной антенной решетки в заданных направлениях. // Журнал радиоэлектроники. – 2026. – №. 2. https://doi.org/10.30898/1684-1719.2026.2.8