Kazalo vsebine
- Kako danes delujejo samodejni uglaševalniki
- Pristopi iz raziskav
- 1. Genetski algoritmi
- 2. Nevronske mreže
- 3. Okrepitveno učenje
- Kaj že obstaja: uglaševalniki, ki si zapomnijo antene
- Stopnja 1: spomin namesto iskanja
- Stopnja 2: meriti in računati namesto poskušati
- Stopnja 3: »Tune Once« v demonstratorju
- Odprtokodni projekti za sogradnjo
- Kako bi lahko izgledal UI-uglaševalnik v shacku
- Izzivi in omejitve
- Preizkusite sami
- Dva videa za ozadje
- Sorodne uporabe UI v shacku
- Zaključek
- Viri in dodatne povezave
- Obvestilo o preglednosti
Antenski uglaševalnik (ATU, Antenna Tuning Unit) je za radioamaterje vsakdanje orodje. Impedanco antenskega sistema preslika tako, da transceiver vidi običajnih 50 ohmov. Samodejni uglaševalniki to opravijo na pritisk gumba. Vprašanje tega članka: kaj bi lahko strojno učenje pri tem izboljšalo, kaj je dokazano in kaj je zaenkrat samo zamisel? Poštenega odgovora ne gre skriti: raziskovalnih del je nekaj, dokončnega izdelka „UI-uglaševalnik" za amatersko radijstvo pa med raziskavo nismo našli.
Kako danes delujejo samodejni uglaševalniki
Večina samodejnih uglaševalnikov je L-vezje iz tuljave in kondenzatorja. Releji preklapljajo različne vrednosti kapacitivnosti in induktivnosti, mikrokrmilnik meri SWR in preizkuša kombinacije, dokler ujemanje ne ustreza. Pri LDG AT-11MP je po priročniku na voljo 256 stopenj kapacitivnosti in 256 stopenj induktivnosti, čas uglaševanja pa je med 0,1 in 6 sekundami, v povprečju približno 2,5 sekunde.
Pomembno: že klasični uglaševalniki se malo „učijo". Najdene nastavitve shranjujejo, da so pri isti frekvenci takoj spet pripravljeni. Elecraft KAT500 na primer razdeli frekvenčno območje na odseke (pod 3 MHz po 10 kHz, od 3 do 26 MHz po 20 kHz širine) in si za vsak odsek zapomni nastavitev. Če je odsek še prazen, začne z vrednostmi najbližjega shranjenega odseka. Pri LDG AT-1000ProII trgovci navajajo čas uglaševanja iz pomnilnika pod 0,2 sekunde. Nova frekvenca traja dlje, po podatkovnem listu v povprečju približno 3 sekunde.
Kje je torej še prostor za izboljšave? Pri frekvencah in antenah, ki jih uglaševalnik še ni videl, pri zapletenih bremenih z več podobno dobrimi rešitvami in pri sistemih, ki se spreminjajo z vremenom in letnim časom. Za tekmovalno delo, kjer šteje vsaka menjava pasu, bi bilo to zanimivo.
Pristopi iz raziskav
Problem „prilagoditi impedanco s preklapljanjem vrednosti elementov" je v znanosti dobro raziskan, vendar skoraj izključno za mobilno telefonijo, WLAN in druge uporabe v območju GHz, ne za kratke valove z močnostnimi releji. Pomembne so tri smeri.
1. Genetski algoritmi
Genetski algoritem ustvari „populacijo" kombinacij elementov, obdrži najboljše, jih križa in mutira ter to ponavlja. Alibakhshikenari s sodelavci (Scientific Reports, 2020) uporablja kvantno navdahnjeno različico (AQGA) za uglaševanje T-vezja med transceiverjem in anteno v območju od 1,4 do 5 GHz. Njihove meritve: od 49 do 75 odstotkov krajši čas uglaševanja kot s klasičnim genetskim algoritmom, pri 1,4 GHz v povprečju 6,5 namesto 26,1 sekunde, in precej manj računskih korakov (približno od 190 do 440 namesto od 15.000 do 577.000 epoh). Iz tega dela ne izhaja, da je genetski algoritem hitrejši od dobrega klasičnega iskalnega algoritma v radijski postaji, temveč samo, da ga je mogoče izboljšati.
2. Nevronske mreže
Tu naučena mreža neposredno določi vrednosti elementov, brez dolgega preizkušanja. Kim in Bang (Sensors, 2021) sta naučila globoko nevronsko mrežo, ki iz absolutne vrednosti S11 določi vrednosti prilagoditvenega vezja za obrnjeno anteno F (od 0,8 do 1,5 GHz). Učenje je potekalo s simuliranimi podatki in je trajalo približno 10,5 minute. Hasan in Cheffena (IEEE Access, 2023) predstavljata posebno majhno različico „shallow learning" za 2,45 GHz, ki prav tako potrebuje samo absolutno vrednost S11. Starejše, a bližje mikrokrmilniku v uglaševalniku: Hemminger (2005) je uporabil tri majhne nevronske mreže za uglaševalnike z dvojnim stubom, s ciljem poceni sistema z mikrokrmilnikom.
Privlačnost: merilnik SWR podaja samo absolutno vrednost odbojnega koeficienta, ne njegove faze. Mreža, ki kljub temu smiselno ugiba, bi bila zanimiva tudi za preprosto strojno opremo.
3. Okrepitveno učenje
Pri okrepitvenem učenju (reinforcement learning, RL) se agent z nagrado nauči, kateri koraki preklapljanja vodijo k cilju. Delo avtorjev Zhang, Cheng, Wang in Chen (arXiv, april 2026) opisuje uglaševanje kot regulacijski problem in uporablja metodo globokega RL. Kot stanje služijo frekvenčne značilnosti in kakovost ujemanja, nagrada pa tehta natančnost in hitrost. Po navedbah avtorjev je natančnejše, učinkovitejše in stabilnejše od klasičnih hevrističnih in gradientnih metod. Konkretnih številk povzetek ni vseboval, delo pa je poleg tega predtisk in še ni recenzirano. Več ameriških patentov prav tako opisuje uglaševanje s podporo RL in strojnega učenja, predvsem za antene mobilnih telefonov.
Kaj že obstaja: uglaševalniki, ki si zapomnijo antene
Uglaševalnika s pravo nevronsko mrežo nismo zasledili. Industrija in domači graditelji pa pot k »inteligentnemu« prilagajanju že delno prehodijo, in sicer v treh stopnjah.
Stopnja 1: spomin namesto iskanja
Klasika med uglaševalniki, ki se učijo, je SGC SG-237 »Smartuner« (od 1,8 do 60 MHz, od 3 do 100 W PEP). Nepolhlapni pomnilnik hrani že najdene kombinacije L/C za 170 frekvenc. Po podatkovnem listu prvo uglaševanje običajno traja manj kot 2 sekundi, ponovitev manj kot 10 milisekund. Uglaševalnik so medtem prenehali izdelovati. Na strani OE3MZC avstrijski uporabniki zbirajo svoje izkušnje, vključno s težavami: nekaterih dolžin žice ni bilo mogoče uglasiti, en uglaševalnik se je zataknil na 50 MHz, slaba ozemljitev pa je povzročala nemirno delovanje. To je dober namig, kako zelo je učni postopek odvisen od naprave.
Stopnja 2: meriti in računati namesto poskušati
MFJ-939 IntelliTuner (200 W, od 1,8 do 30 MHz) gre korak naprej. Če za frekvenco v pomnilniku ni ničesar (več kot 20.000 pomnilniških mest), se zažene algoritem »AdaptiveSearch«. Izmeri kompleksno impedanco antene, izračuna potrebne elemente, jih vklopi in nato fino uglasi na najmanjši SWR. Če je impedanca zunaj merilnega območja, išče ciljno le v ustreznih območjih elementov in iskanje po potrebi ponovi z drugačnim vzorcem. To je natanko kombinacija izhodišča in finega uglaševanja, ki jo spodaj opisujemo kot idejo, le brez učenja. Po opisu novo uglaševanje traja »delček sekunde«.
Stopnja 3: »Tune Once« v demonstratorju
Southwest Antennas prikazuje KV samodejni uglaševalnik (od 1,8 do 30 MHz) kot tehnološki demonstrator za sistemske integratorje. Po navedbah proizvajalca tehnika »Tune Once« se nauči uspešnih rešitev uglaševanja, jih shrani na do 512 kanalov in jih pozneje prikliče. Proizvajalec govori tudi o tem, da ovrednoti na tisoče kombinacij prilagoditve. Kako to deluje znotraj, ni navedeno. Ali gre za strojno učenje v ožjem pomenu, ostaja odprto. A to je področje, kjer panoga eksperimentira s profesionalnimi radijskimi platformami.
Odprtokodni projekti za sogradnjo
Kdor se želi lotiti sam, najde trdne platforme. Nobena ne vsebuje strojnega učenja, vse pa imajo strojno opremo (preklopne stopnje L in C) in mikrokrmilnik, na katerega bi lahko nadgradili učni postopek:
- ATU_0_HW avtorja DM1CR (papamidas): načrt KiCad za uglaševalnik LC/CL z 256 stopnjami kapacitivnosti (od 0 do 2,5 nF) in 256 stopnjami induktivnosti (od 0 do 15 µH), Arduino Nano, bistabilni releji (od 25 do 45 mA), krmiljenje prek aplikacije Bluetooth, deset spominskih tipk za pasove.
- ATU avtorja DM3MAT (Hannes Matuschek): majhen prenosni QRP-uglaševalnik za žico dolžine okoli 10 m z UnUn 1:9 na 80 do 10 m. Strojna oprema in vdelana programska oprema sta pod licenco CC BY-SA 4.0. Avtor stanje označuje kot prvi prototip.
- K3NG Antenna Tuner: samodejni uglaševalnik na osnovi Arduina znanega odprtokodnega razvijalca, GPL-3.0.
- UR7HFO: Simple Automatic Antenna Tuner: varčen uglaševalnik na STM32F103, s shemami in datotekami Gerber.
- TCI ICOM Tuner Interface: vdelana programska oprema ESP32, ki uglaševalnik ICOM AH-4 prek WLAN poveže s SDR s protokolom TCI. Zanimivo kot primer, kako ESP32 dobi podatke o frekvenci od postaje. Prav te podatke bi učeči se uglaševalnik potreboval.
Opomba za umestitev: znanstveno orodje AntennaCAT uporablja strojno učenje za načrtovanje anten z EM-simulacijo. To je sorodno, vendar ni uglaševalnik.
Kako bi lahko izgledal UI-uglaševalnik v shacku
Ta razdelek je razmislek, ne opis izdelka:
- Učenje med delovanjem: Uglaševalnik beleži frekvenco, anteno, izhodni SWR in najdeno nastavitev. Iz teh podatkov nastane model, ki pri znanih antenah poda dobro izhodišče.
- Izhodišče in fino uglaševanje: Model predlaga nastavitev, klasični algoritem nato fino uglasi še en do dva koraka. Tako je rezultat dober tudi, če se je kaj spremenilo, na primer zaradi mokrih anten ali spremenjene okolice.
- Prepoznavanje antene: Iz vzorcev impedance je mogoče sklepati, katera antena trenutno visi. EFHW se obnaša drugače kot dipol ali magnetna zanka.
Izzivi in omejitve
- Merilni podatki: Merilnik SWR poda samo absolutno vrednost, ne kompleksne impedance. Z absolutno vrednostjo in fazo (na primer prek NanoVNA ali merilnega mostiča v uglaševalniku) je naloga lažja.
- Velika moč: Dela obravnavajo signale moči milivatov v območju GHz. Na kratkih valovih pri 100 W do 1 kW releji preklapljajo visoko napetost. Tu je dovoljeno uglaševati samo v prostem teku ali pri zelo majhni moči, da se kontakti ne zažgejo.
- Računska moč: Majhni modeli tečejo na mikrokrmilnikih, velike RL-mreže potrebujejo več. Strojna oprema za robno UI, kot sta Google Coral ali NVIDIA Jetson, bi bila možna pot.
- Učni podatki in preprileganje: Model, naučen samo na eni anteni, na drugi deluje slabo. Pri vsakem novem sistemu bi se moral učiti znova.
- Varnost: Učni postopek nikoli ne sme izbrati nastavitev, ki ogrožajo transceiver. Mejne vrednosti SWR in moči morajo ostati trdno programirane.
Preizkusite sami
Popolno UI-uglaševanje je prostor za izkušene ljubitelje projektov. Začetek ponuja odprtokodni uglaševalnik ATU-100 (mikrokrmilnik PIC, dokumentiran na primer kot projekt pri PCBWay). Učni sloj povrh, na primer tabela shranjenih nastavitev ali majhen model na Raspberry Pi, bi bil obvladljiv eksperiment. Praktičen primer sorodnih UI-eksperimentov najdete v članku Samodejno dekodiranje CW z nevronskimi mrežami.
Dva videa za ozadje
Kako deluje uglaševalnik, razložita ta dva videa (oba v angleščini). Obravnavata klasične uglaševalnike, ne UI. Vendar dasta osnovo, na kateri bi morala graditi vsaka različica z UI.
Prvi film („How Does an Antenna Tuner Work?" avtorja Budget Ham Radio) z NanoVNA pokaže, kako T-vezje izravna neujemanje.
Drugi („Antenna Tuners: How does it do THAT?" avtorja Electronics for the Inquisitive Experimenter) razloži načelo za ujemanjem.
Sorodne uporabe UI v shacku
- Zmanjševanje šuma s pomočjo UI
- UI in napovedovanje širjenja
- Samodejno dekodiranje CW
- ChatGPT in Claude kot pomočnika v shacku
Zaključek
Zamisel, da bi antenske uglaševalnike izboljšali s strojnim učenjem, je znanstveno dobro utemeljena. Genetske algoritme, nevronske mreže in okrepitveno učenje so za prilagajanje impedance že raziskovali. Številke pa izvirajo iz območja GHz in iz majhnih moči. Za kratke valove po naši raziskavi ni ne merilnih serij ne izdelka za amatersko radijstvo z dokazljivo naučenim modelom. Pot do tja pa je že začrtana: od golega pomnilnika (SG-237) prek merjenja in računanja (MFJ IntelliTuner) do rešitev, ki se učijo, kot je demonstrator podjetja Southwest. Odprta strojna oprema, kakršna so uglaševalniki DM1CR in DM3MAT, pa le čaka, da kdo doda plast učenja. Današnji uglaševalniki so hitri in si zapomnijo nastavitve, velik prihranek časa bi bil mogoč predvsem pri novih frekvencah in novih antenah. Kdor želi eksperimentirati, naj to stori na lastno odgovornost, s trdnimi varnostnimi mejami za SWR in moč.
73 – vaše oeradio.at-uredništvo
Viri in dodatne povezave
- Zhang, Cheng, Wang, Chen: An Adaptive Antenna Impedance Matching Method via Deep Reinforcement Learning, arXiv:2604.07736, april 2026 (predtisk)
- Alibakhshikenari et al.: Improved adaptive impedance matching for RF front-end systems of wireless transceivers, Scientific Reports 10, 14065 (2020), DOI 10.1038/s41598-020-71056-0
- Kim, Bang: Antenna Impedance Matching Using Deep Learning, Sensors 21(20), 6766 (2021), DOI 10.3390/s21206766
- Hasan, Cheffena: Adaptive Antenna Impedance Matching Using Low-Complexity Shallow Learning Model, IEEE Access, 2023
- Hemminger: Antenna impedance matching with neural networks, Penn State, 2005
- Patenti: US 11,882,527 (Data-driven methods for look up table-free closed-loop antenna impedance tuning) in US 11,916,606 (Machine learning-assisted adaptive antenna tuning)
- Elecraft: KAT500 Owner's Manual (pomnilnik za vsak frekvenčni odsek)
- LDG: AT-1000ProII pri WiMo (podatki iz podatkovnega lista), priročnik AT-11MP (stopnje in čas uglaševanja)
- Izdelki: SGC SG-237 Smartuner (uporabniška stran OE3MZC), MFJ-939 IntelliTuner, Southwest Antennas HF Auto-Tuner (podatki proizvajalca)
- Open Source: ATU_0_HW (DM1CR), ATU (DM3MAT), K3NG Antenna Tuner, UR7HFO STM32 uglaševalnik, TCI ICOM Tuner Interface, AntennaCAT
- IZ2UUF: How does a tuner… tune? in Electronics Notes: Kaj je ATU? (osnove)
- Videi: Budget Ham Radio, Electronics for the Inquisitive Experimenter (YouTube)
- Slike: naslovna slika in notranjost: Adamantios, Wikimedia Commons, CC BY-SA 3.0. L-vezje: Ken g6, Wikimedia Commons, javna last.
Obvestilo o preglednosti
Ta članek je bil raziskan in napisan s pomočjo umetne inteligence (Claude, Anthropic). Uredništvo je pregledalo in uredilo vso vsebino. Kljub skrbnemu pregledu se lahko pojavijo posamezne netočnosti, z veseljem sprejemamo popravke po e-pošti na [email protected].
