Novo Método de Síntese de FSS Multibanda Baseado em Aprendizado de Máquina para Sistemas de Comunicação Sem Fio
FSS bioinspirada, FSS multibanda, filtro de frequências, síntese de FSS, aprendizado de máquina, árvore de decisão.
As superfícies seletivas de frequência, ou simplesmente FSS, desempenham um papel fundamental na otimização de sistemas de telecomunicações, possibilitando, entre outras aplicações, a redução de sinais indesejáveis. Combinar as dimensões e a disposição dos elementos e definir as características físicas desses dispositivos, como espessura e permissividade do substrato, pode gerar conflito de objetivos e complexidade na análise e síntese da FSS. Nesse contexto, 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. 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. Com base nestes cenários, duas FSS são fabricadas e caracterizadas experimentalmente, obtendo resultados simulados e medidos com boa concordância. Além disso, 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.