Es wird eine 1×2-Patch-Antennenarray mit Metaflächenbeladung vorgeschlagen, die mithilfe einer tiefenlernoptimierten Methode entwickelt wurde, um gleichzeitig eine Entkopplung der Ports und der Strahlungskeule zu erreichen und somit die Isolierung zwischen den Elementen in einem MIMO-System (Multiple Input Multiple Output) zu verbessern. Die tiefenlernunterstützte Optimierungsmethode verwendet künstliche neuronale Netze (ANN) und den Partikelschwarmoptimierungsalgorithmus (PSO), um die optimale Antennenstruktur zu finden, die eine portfreie Entkopplung mit verzerrungsfreiem Strahlungsdiagramm ermöglicht. Das ANN wurde trainiert, um die nichtlineare Beziehung zwischen geometrischen Parametern und der Antennenreaktion zu beschreiben. Unter Anleitung der Kostenfunktion und der Anzahl der Iterationen optimiert der PSO-Algorithmus die Antennenstruktur basierend auf der Kostenfunktion und in Kombination mit dem trainierten ANN. Schließlich wurde unter Verwendung einer eingeschränkten Kostenfunktion ein 1×2-Patch-Antennenarray mit einer mit Stiften befestigten Metafläche erhalten, das gleichzeitig die Entkopplung von Ports und Strahlungskeule erreicht. Zur Verifizierung dieses Prinzips und der Designmethode wurde ein Antennenprototyp mit den Abmessungen 0,88λ₀×0,47λ₀×0,21λ₀ (λ₀ ist die Wellenlänge im freien Raum bei der Mittenfrequenz) entworfen, hergestellt und gemessen. Die gemessene Fraktionsbandbreite beträgt 8 % (4,8–5,2 GHz). Die Isolation des Dual-Patch-Antennenarrays erhöhte sich von 7,6 dB auf 24,3 dB, und der Envelope-Korrelationskoeffizient (ECC) bei 0,35λ₀ ist kleiner als 0,0005. Darüber hinaus sind die H-Ebenen-Strahlungsdiagramme jedes Elements einheitlich und symmetrisch in der Breitseitenrichtung. Diese Eigenschaften machen die vorgeschlagene Antenne geeignet für MIMO-Antennensysteme mit geringer Distanz.

künstliches neuronales Netzwerk;Partikelschwarmoptimierungsalgorithmus;Wechselwirkung;Strahlungsdiagrammwiederherstellung;Metafläche