Machine learning techniques for enhance amplitude patterns from phased-arrays augmented with an holographic plate

Abstract

Las antenas en fase son un conjunto de transductores en los que las amplitudes y las fases de cada emisor se varían controladamente para alterar el patrón de presión acústica diseñado por los transductores. El control de estos transductores permite generar un patrón de amplitud deseado a una distancia determinada. La calidad de estos patrones se puede mejorar agregando una placa holográfica a una distancia intermedia entre los emisores y el objetivo. Aquí, se proponen nuevas técnicas que utilizan una arquitectura de red neuronal para calcular los parámetros de las antenas en fase y la placa holográfica necesarios para generar el patrón deseado.

Phased-arrays are an array of transducers, in which the relative amplitudes and phases of each emitter are controllably varied in order to design the acoustic pressure pattern emitted by the array. The control of these transducers enables to generate a desired amplitude pattern at a certain distance. The quality of these patterns can be enhanced by adding an holographic plate modulator at an intermediate distance between the emitters and the target. Here, we propose new techniques using a Neural Network architecture to compute the parameters of the phased-array and the holographic plate needed to generate the desired pattern.