Novo método de síntese de FSS multibanda baseado em aprendizado de máquina para sistemas de comunicação sem fio

• Ano de defesa: 2021
• Autor(a) principal: Fontoura, Leidiane Carolina Martins de Moura
• Orientador(a): D'Assunção, Adaildo Gomes
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: FSS bioinspirada; FSS multibanda; Filtro de frequências; Síntese de FSS; Aprendizado de máquina
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/44631

Este trabalho realiza um estudo sobre a aplicação do aprendizado de máquina supervisionado, com o algoritmo árvore de decisão, na síntese de superfícies seletivas de frequência, ou simplesmente FSS. Para isso, utilizou-se a flor de girassol (Helianthus annuus) como elemento base, tratando-se de uma geometria original e simplificada, com características de resposta em frequência semelhantes às de estruturas fractais. O trabalho é dividido em duas partes: caracterização do elemento proposto e síntese da FSS multibanda. Inicialmente, a evolução da geometria e as equações de projeto são apresentadas. As estruturas intermediárias e a proposta são caracterizadas numericamente pelo programa comercial Ansoft Designer, fabricadas e caracterizadas experimentalmente, verificando-se boa concordância entre os resultados simulados e medidos. Na segunda etapa, a geometria flor de girassol é parcialmente modificada para definir variáveis de parametrização. O Ansoft Designer caracteriza numericamente cada valor de variável da nova geometria e gera as respostas em frequência sem repetição. O algoritmo árvore de decisão realiza a classificação e avaliação do conjunto de dados, e o algoritmo floresta aleatória valida e confirma os resultados. Este processo e a síntese da FSS usando o algoritmo árvore de decisão ocorrem em menos de 10 segundos, com acurácia maior que 90%, atendendo aos critérios desejáveis, sob dois cenários distintos. O algoritmo árvore de decisão aprende regras de decisão simples inferidas de dados de treinamento, com cálculos simples e fáceis de implementar, escrito na linguagem Python. A acurácia é um parâmetro usado para medir a qualidade da predição no treinamento e validação do algoritmo. Com base nestes cenários, duas FSS são fabricadas e caracterizadas experimentalmente, obtendo resultados simulados e medidos com boa concordância. As estruturas FSS projetadas e fabricadas têm bandas de operação com aspecto closely spaced. Consequentemente, observa-se que a agilidade e a precisão deste algoritmo de classificação tornam a síntese das estruturas particularmente interessante. Destacam-se implementação intuitiva, simplicidade no treinamento e validação, e modelo de análise de dados eficiente.