Please use this identifier to cite or link to this item:
http://ir-ithesis.swu.ac.th/dspace/handle/123456789/3632
Title: | PREDICTING THE BEAM SWITCHING DIRECTION OF AN ULTRA-WIDEBANDSPIRAL ANTENNA USING MACHINE LEARNING การทำนายทิศทางการสวิตช์ลำคลื่นของสายอากาศรูปทรงก้นหอยแถบความถี่กว้างยิ่งโดยใช้การเรียนรู้ของเครื่อง |
Authors: | ORATAI NIKORNPON อรทัย นิกรพล Pichaya Chaipanya พิชญา ชัยปัญญา Srinakharinwirot University Pichaya Chaipanya พิชญา ชัยปัญญา pichayac@swu.ac.th pichayac@swu.ac.th |
Keywords: | สายอากาศรูปทรงก้นหอย การเรียนรู้ของเครื่อง การสวิตช์ลำคลื่น แถบความถี่กว้าง Spiral Antenna Machine Learning Beam Switching Ultra-Wideband |
Issue Date: | 18 |
Publisher: | Srinakharinwirot University |
Abstract: | This research aims to predict the beam switching direction of an ultra-wideband spiral antenna using seven machine learning algorithms: Decision Trees, Random Forest, K-Nearest Neighbor (KNN), Naive Bayes, Neural Network, Logistic Regression, and Support Vector Machine (SVM). Due to the lack of a clear correlation between the slotting position and the beam direction, a spiral antenna was designed to generate a dataset. The input features include the spiral turn and slotting angle, while the output is the main beam direction group. After training and testing all seven models, Decision Trees and Random Forest achieved the highest overall accuracy of 90% and perfect prediction on 10 test samples. Further performance evaluation showed that Random Forest had the highest weighted precision, weighted recall, and weighted F1-Score. To validate the predictions, three physical antennas were fabricated: one baseline case without short-circuiting and two other cases based on prediction results. The measured beam directions from the fabricated antennas aligned with CST Studio Suite simulations and predictions from Decision Trees, Random Forest, and Naive Bayes. These results indicate that Random Forest is the most reliable algorithm for predicting the beam switching direction in ultra-wideband spiral antenna design. งานวิจัยนี้นำเสนอการทำนายทิศทางการสวิตช์ลำคลื่นของสายอากาศรูปทรงก้นหอยที่มีแถบความถี่กว้างยิ่งโดยใช้การเรียนรู้ของเครื่อง 7 อัลกอริทึม ประกอบด้วย Decision Trees, Random Forest, K-Nearest Neighbor, Naive Bayes, Neural Network, Logistic regression และ Support Vector Machine เพื่อช่วยในการแก้ปัญหาที่ไม่สามารถหาความสัมพันธ์ระหว่างตำแหน่งที่ทำการเซาะร่องของสายอากาศและทิศทางการสวิตช์ลำคลื่นได้ จึงได้มีการออกแบบสายอากาศเพื่อจัดทำชุดข้อมูลสำหรับฝึกสอนการเรียนรู้ของเครื่อง โดยค่าที่ทำการป้อนเข้ามีจำนวน 2 ค่า คือ วงที่ทำการเซาะร่อง และองศาที่ทำการเซาะร่อง ค่าส่งออก คือค่าลำคลื่นหลักของสายอากาศที่ทำการจัดกลุ่ม เมื่อได้ชุดข้อมูล จึงนำไปฝึกสอน และทำการทดสอบการทำงานผ่านการทำนายผลลัพธ์จำนวน 10 ตัวอย่าง พบว่า Decision Trees และ Random Forest มีความถูกต้องในการทำนายมากที่สุดทั้ง 10 ตัวอย่าง และมีค่าความถูกต้องของโมเดลสูงสุดที่ 90 % และได้นำมาวัดประสิทธิภาพเพิ่มเติม โดยใช้ Weighted Precision Weighted Recall และ Weighted F1-Score พบว่า Random Forest มีประสิทธิภาพมากที่สุด และทำการยกตัวอย่างที่ได้ทำนายมาทำการสร้างชิ้นงานสายอากาศ โดยเลือกมา 3 กรณี คือกรณีที่ไม่มีการลัดวงจร อีก 2 กรณีมาจากตัวอย่างการทำนาย และนำค่าลำคลื่นหลักที่ได้จากการสร้างมาทำการเปรียบเทียบผลลัพธ์จากการจำลองบน CST Studio Suite และเปรียบเทียบกับผลที่ได้ทำการทำนายจาก 7 อัลกอริทึม พบว่า สายอากาศที่ทำการสร้างมีค่าลำคลื่นหลักอยู่ในกลุ่มเดียวกันกับการจำลองบน CST Studio Suiteและเหมือนกับ 3 อัลกอริทึม คือ Decision Trees Random Forest และ Naive Bayes จึงสรุปได้ว่า Random Forest มีประสิทธิภาพดีที่สุดในงานวิจัยนี้ |
URI: | http://ir-ithesis.swu.ac.th/dspace/handle/123456789/3632 |
Appears in Collections: | Faculty of Engineering |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
gs671160596.pdf | 2.95 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.