Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2026, № 2 · RADIO ENGINEERING

Implementation of the calculation of the gain of an active phased array antenna in specified directions using neural networks

A.A. Komarov1, S.Y. Pashaev1, V.A. Permyakov1, A.M. Mikhailov1

1 National Research University «Moscow Power Engineering Institute», Moscow, Russia
Full text DOI: 10.30898/1684-1719.2026.2.8 UDC 621.396.67 EDN ODZCWB

Abstract

Calculating the gain of an antenna array is a critical task in the design and operation of modern radio, radar, and electronic warfare systems. This parameter makes it possible to quantify the efficiency of electromagnetic energy concentration in a given direction, which directly determines the communication range, noise immunity and energy efficiency of the system. In this paper, we propose a method for calculating the AFAR gain using neural networks. The approach is based on training a model on synthesized data, where the input parameters are the lattice geometry, amplitude-phase distribution and scanning angles, and the target variable is the gain value. The trained model demonstrates the ability to instantly predict antenna characteristics for arbitrary configurations. The advantage of the method is a significant reduction in computational costs compared to traditional electrodynamic calculations while maintaining satisfactory accuracy. The developed approach opens up opportunities for creating adaptive directional pattern control systems in real time and effectively optimizing antenna array parameters under changing operating conditions.

  • Phased Antenna Array
  • neural networks
  • application of neural networks for numerical calculations
  • approximation
  • gain
  • directional pattern
  • machine learning
Аннотация (на русском)

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

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.

For citation

Komarov A.A., Pashaev S.Y., Permyakov V.A., Mikhailov A.M. Implementation of the calculation of the gain of an active phased array antenna in specified directions using neural networks // Journal of Radio Electronics. – 2026. – No. 2. https://doi.org/10.30898/1684-1719.2026.2.8

References

  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