一种超宽带圆极化叠层贴片阵列

    公开(公告)号:CN114122705B

    公开(公告)日:2022-08-19

    申请号:CN202111545678.4

    申请日:2021-12-16

    Applicant: 复旦大学

    Abstract: 本发明属于天线技术领域,具体为一种超宽带圆极化叠层贴片阵列。本发明天线阵列包含4个具有相同结构的天线子单元,4个天线子单元两两排列,等间距分布,组成2×2天线阵列;4个天线子单元以各自的中心依次旋转90度;每个天线子单元包括五个部分:上层金属薄片、下层金属薄片、上层泡沫层、下层泡沫层和金属背板,两层金属薄片上开有一个非对称的U形槽;同轴馈电探针依次穿过地板内的圆孔、泡沫层、下层金属薄片的圆孔,最后与上层金属薄片直接连接以激励天线。非对称的U形槽和层叠贴片的引入,极大地丰富了天线的谐振模式。通过设计和构造5个彼此正交的模式,以实现超宽带的圆极化,大大拓展层叠贴片天线阵列的圆极化带宽。

    基于深度学习的滤波器逆向设计和优化方法

    公开(公告)号:CN113128119B

    公开(公告)日:2022-04-12

    申请号:CN202110431909.2

    申请日:2021-04-21

    Applicant: 复旦大学

    Abstract: 本发明属于微波滤波器设计技术领域,具体为一种基于深度学习算法的滤波器的逆向设计和优化方法。本发明根据滤波器的电磁响应变化来针对滤波器的结构参数进行设计;设计中使用正向网络生成数据来训练逆向网络,进行深度学习,结合遗传算法优化:使用正向网络自生成的数据结合仿真得到的数据训练逆向网络;滤波器的电磁响应曲线由切比雪夫多项式综合得到;将目标电磁响应曲线作为逆向神经网络的输入,获得结构参数的初始值;把初值输入给遗传算法和正向神经网络,进行迭代优化;优化目标为正向神经网络输出的电磁响应曲线与目标电磁响应曲线差距最小,最后输出优化的滤波响应曲线,并获得最终滤波器的结构参数。

    一种周期渐变的超宽带相控阵馈源

    公开(公告)号:CN113097747A

    公开(公告)日:2021-07-09

    申请号:CN202110364286.1

    申请日:2021-04-04

    Applicant: 复旦大学

    Abstract: 本发明属于天线技术领域,具体为一种周期渐变的超宽带相控阵馈源。本发明的超宽带相控阵馈源,其主体为维瓦尔第阵列天线,由两种不同单元宽度、不同带宽的维瓦尔第天线单元以一定的方式排布组成。馈源排布最大限度地减少了单元数目,降低了成本。由于维瓦尔第天线阵列本身的超宽带特性,使得馈源可以实现超宽带工作。馈源采用密集的阵列对焦面场进行采样,可以使反射面天线实现较高的口径效率。本发明可用于单反射面天线系统或双反射面天线系统,实现反射面天线超宽带高效率工作。

    宽带宽角低剖面的紧耦合天线阵

    公开(公告)号:CN109037895A

    公开(公告)日:2018-12-18

    申请号:CN201810816834.8

    申请日:2018-07-24

    Applicant: 复旦大学

    CPC classification number: H01Q1/12 H01Q15/0013 H01Q21/061

    Abstract: 本发明属于雷达技术与通讯技术领域,具体为宽带宽角低剖面的紧耦合天线阵。包括由支撑板、支撑板框架、反射板与馈电接头组成支撑件,由威尔金森功率分配器、馈电巴伦、辐射电流片和频率选择表面组成天线线路;天线线路由两块介质覆铜板压合,分四层:上层介质板上、下表面的线路结构层和下层介质板上、下表面的线路结构层;第一、四层为对称的辐射结构,第二层为空板,第三层为功率分配器和巴伦;第一、四层通过导电通孔电连接,为第三层提供封闭的环境,抑制能量外漏。辐射电流片采用对称分布结构,可减半巴伦与电流片耦合处感受到的阻抗;频率选择表面位于第三层上,用频率选择表面替代覆盖在电流片上的阻抗匹配介质层,可使天线加工和安装更简单方便。

    近场耦合极化器实现圆极化背腔波导缝隙阵列天线

    公开(公告)号:CN107196067A

    公开(公告)日:2017-09-22

    申请号:CN201710447716.X

    申请日:2017-06-14

    Applicant: 复旦大学

    Abstract: 本发明属于通讯技术领域,具体为一种近场耦合极化器实现圆极化背腔波导缝隙阵列天线。该天线阵由两部分组成,下端为高增益、低剖面的线极化背腔波导缝隙阵,上端为双寄生切角贴片极化器。切角贴片极化器由两个切角寄生贴片组成,每两个贴片之间用金属通孔电连接的金属带进行隔离;所述线极化背腔波导缝隙阵由同轴接口、馈电波导网络、耦合缝隙、谐振腔、辐射缝隙和支撑柱组成;极化器和天线阵面之间通过与下端天线一体加工的周期性金属支柱支撑,装配方便,结构紧凑,不需要引入额外的损耗材料,最大限度的保留了原波导背腔天线低损高增益的特点;另外还能共同起到抑制极化器介质基片与空气接触面间的表面波,有效的提高天线的性能。

    多馈天线和通信设备
    16.
    发明公开

    公开(公告)号:CN119542750A

    公开(公告)日:2025-02-28

    申请号:CN202311127412.7

    申请日:2023-08-31

    Abstract: 本申请提供了一种多馈天线和通信设备,该多馈天线包括辐射体、反射板、多个馈电探针和多个金属壁;辐射体沿垂直于反射板的方向在反射板所在平面上的投影位于反射板所在区域内;馈电探针的至少部分位于辐射体和反射板之间,且馈电探针用于单独为辐射体耦合馈电;金属壁设置于辐射体和反射板之间,金属壁的靠近辐射体的一端与辐射体连接,且多个金属壁分别设置于相邻两个馈电探针之间。本申请实施例提供的多馈天线和通信设备,能够提高多馈天线的多个端口之间的隔离度。

    一种周期渐变的超宽带相控阵馈源

    公开(公告)号:CN113097747B

    公开(公告)日:2025-02-07

    申请号:CN202110364286.1

    申请日:2021-04-04

    Applicant: 复旦大学

    Abstract: 本发明属于天线技术领域,具体为一种周期渐变的超宽带相控阵馈源。本发明的超宽带相控阵馈源,其主体为维瓦尔第阵列天线,由两种不同单元宽度、不同带宽的维瓦尔第天线单元以一定的方式排布组成。馈源排布最大限度地减少了单元数目,降低了成本。由于维瓦尔第天线阵列本身的超宽带特性,使得馈源可以实现超宽带工作。馈源采用密集的阵列对焦面场进行采样,可以使反射面天线实现较高的口径效率。本发明可用于单反射面天线系统或双反射面天线系统,实现反射面天线超宽带高效率工作。

    基于深度学习算法的滤波器的优化设计方法

    公开(公告)号:CN112989508B

    公开(公告)日:2022-05-20

    申请号:CN202110138810.3

    申请日:2021-02-01

    Applicant: 复旦大学

    Abstract: 本发明属于滤波器技术领域,具体为一种基于深度学习算法的滤波器的优化设计方法。本发明优化设计方法,针对滤波器的结构参数进行,滤波器的结构参数由滤波器的滤波响应曲线来反映;设计中使用逆向神经网络、正向神经网络和遗传算法,进行深度学习:滤波器的滤波响应曲线由切比雪夫多项式综合得到;将目标滤波响应曲线作为逆向神经网络的输入,获得结构参数的初始值;把初值输入给遗传算法、正向神经网络,进行迭代优化;优化目标为正向神经网络输出的滤波响应曲线与依据的滤波响应曲线差距最小,最后输出优化的滤波响应曲线,并获得最终滤波器的结构参数。

    具有周期圆柱结构调制的超低旁瓣基片集成波导缝隙天线阵

    公开(公告)号:CN113410660A

    公开(公告)日:2021-09-17

    申请号:CN202110682366.1

    申请日:2021-06-20

    Applicant: 复旦大学

    Abstract: 本发明属于雷达天线技术领域,具体为一种具有周期圆柱结构调制的超低旁瓣基片集成波导缝隙天线阵。本发明的天线阵列由五根波导按垂直于波导长边方向紧密排列而成;每层波导分为上层辐射波和下层馈电波导;两层波导间通过长条形耦合缝隙进行能量的耦合;每半根波导上各开有不同偏置距离、不同长度的辐射缝隙;每根长波导单元中间由金属化通孔分开,左右成镜面对称,金属通孔贯穿上、下两层波导;每个金属通孔中分别固定一个金属圆柱,形成三维周期性金属圆柱结构阵列,该结构用以修正每根波导天线的单元方向图,以较低E面的阵列总辐射方向图的旁瓣。该阵列阻抗带宽达到5%,两个扫描面旁瓣在‑22 dB左右,剖面极低、排列紧凑、可靠性高。

    基于深度学习算法的滤波器的优化设计方法

    公开(公告)号:CN112989508A

    公开(公告)日:2021-06-18

    申请号:CN202110138810.3

    申请日:2021-02-01

    Applicant: 复旦大学

    Abstract: 本发明属于滤波器技术领域,具体为一种基于深度学习算法的滤波器的优化设计方法。本发明优化设计方法,针对滤波器的结构参数进行,滤波器的结构参数由滤波器的滤波响应曲线来反映;设计中使用逆向神经网络、正向神经网络和遗传算法,进行深度学习:滤波器的滤波响应曲线由切比雪夫多项式综合得到;将目标滤波响应曲线作为逆向神经网络的输入,获得结构参数的初始值;把初值输入给遗传算法、正向神经网络,进行迭代优化;优化目标为正向神经网络输出的滤波响应曲线与依据的滤波响应曲线差距最小,最后输出优化的滤波响应曲线,并获得最终滤波器的结构参数。

Patent Agency Ranking