High‐Performance Indoor VHF‐UHF Antennas: 
Technology Update Report 
 
15...
2
 
 
 
Contents: 
 
Section  Title                  Page 
1.           Introduction and Summary of Findings……………………………………...
3
 
1.0 Introduction and Summary of Findings 
 
In  1995  MegaWave  Corporation,  under  an  NAB  sponsored  project,  dev...
4
Consider that a half‐wavelength in the low VHF TV band varies between 9.2 and 5.6 
feet; between 34 and 27 inches in the...
5
A common thread connects each of these technology areas: advanced computational methods.  
Whether a particular technolo...
6
As  an  example  of  how  advanced  computational  methods  could  be  combined  with  an 
advanced hardware technique, ...
7
2.0 Specific Design Methods and Hardware Technologies Investigated 
2.1  Advanced Computational Methods 
  2.1.1  Summar...
8
an antenna problem.  The metaheuristic thus is an algorithmic framework instead of a 
list of steps or instructions. 
  ...
9
introduced and tested and are now in widespread use.  The new antenna designs often 
are non‐intuitive, occasionally eve...
10
2.1.3  Ant Colony Optimization 
  Figure 1 illustrates the basic idea behind Ant Colony Optimization (ACO) [1].  The 
i...
11
2.1.4  Particle Swarm Optimization 
  Particle  Swarm  Optimization  (PSO)  [2]  is  another  stochastic  population‐ba...
12
Figure 3 shows a typical GSA flowchart for an antenna optimization algorithm.  It 
starts  with  a  definition  of  the...
13
 
Figure 3.  GA flow chart (reproduced from [3]). 
2.1.6  Simulated Annealing 
  Simulated  Annealing  (SA)  [4]  is  a...
14
  For the SA test, the TSP cost function is simply the total distance travelled by the 
salesman (to be minimized).  Tw...
15
Figure 5 shows how CFO’s probes move through a 3D decision space at each time step 
sampling the decision space by comp...
16
then  randomly  dispersed  through  the  decision  space  using  a  normal  (Gaussian) 
distribution of random numbers ...
17
 
Figure 7.  IWD results for the Traveling Salesman Problem (reproduced from [7]). 
 
2.1.10  Bacteria Foraging Optimiz...
18
The specific problem addressed in [9] was whether or not the optimization algorithms 
would provide better performance ...
19
 
Figure 9.  SSA VSWR, random search [left], ACO [right] (reproduced from [9]). 
20
 
Figure 10.  SSA VSWR, SA [left], GA [right] (reproduced from [9]). 
 
 
   
 
 
2.1.12   References 
 [1]  Pechac, P....
21
[3]  Mahanti,  G.  K.,  Pathak,  N.,  and  Mahanti,  P.,  “Synthesis  of  Thinned  Linear 
  Antenna  Arrays  with  Fix...
22
 
 2.2 Fragmented Antennas 
As  an  additional  illustration  of  the  power  of  an  electro‐magnetic  (EM)  optimizat...
23
 
Figure 2: Wire Grid 
As  an  example,  a  thin  planar  directional  antenna  was  optimized  using  FAopt  as  a 
ho...
24
across the band as shown in Figure 6, and its measured VSWR is better than 2:1 across 
the band.  Further work, such as...
25
 
References 
[1] G.  J.  Burke,  “Numerical  Electromagnetics  Code‐NEC‐4  Method  of  Moments”, 
Lawrence Livermore N...
26
2.3 Non‐Foster Impedance Matching 
 
Foster’s reactance theorem, which dates to 1924, states that a lossless reactance ...
27
Figure 1.  Linvill’s ideal OCS NICs terminated in a resistance. 
 
Fiugre 2. Linvill’s ideal SCS NICs terminated in a r...
28
An example of a non‐Foster matching circuit is shown in Figure 3.  Although not shown in 
the schematic, a transformer ...
29
 
 
Figure 6. Setup for Signal to Noise improvement measurement. 
 
Figure 7. Measured Improvement of Signal to Noise 
...
30
 
 
Figure 9‐A. Real Part of Antenna Impedance for a six inch monopole 
 
 
Figure 9‐B. Imaginary Part of Antenna Imped...
31
 
Figure 10. Various Matching Techniques for six inch monopole 
 
 
Table 1. Computed Average Gain of all matching tech...
32
 
Figure 11.  Plots of Computed Gains of all matching techniques for a six inch monopole 
 
The six inch monopole was t...
33
 
Figure 12. Gain of a non‐Foster  matching network over the same antenna with no 
matching. 
 
 
Figure 13.  Plots of ...
34
 
 
 
 
References 
[1] R.C Hansen, “Electrically Small Super directive and Super conducting Antennas”, John 
Wiley & S...
35
2.4 Active RF Noise Cancelling 
Considerable work has been done to mitigate noise from devices near receiving antennas,...
36
 
Figure 2 Noise Cancellation Test and Evaluation Setup 
 
 
 
Figures 3‐4: Measured results before and after noise can...
37
2.5 Automatic Antenna Matching Systems 
2.5.1  Summary 
  From an impedance matching point of view, the ideal antenna h...
38
in and out of a matching network using relays, the same operation is accomplished by 
varying  the  voltage  applied  t...
39
 
Figure 1.  BZN capacitor high‐frequency measurements (reproduced from [1]) 
  Measured data for different size BZN th...
40
set‐top television antenna ATs, and its performance is comparable or better than that of 
BZN devices. 
       
Figure ...
41
suited  for  use  in  TV  set‐top  antennas.    Measured  performance  is  shown  in  Figure  5.  
Capacitance variatio...
42
 
Figure 6.  DTC‐based AT (reproduced from [4]). 
 
(d)  Dual‐gap Tunable MEMS Capacitors are made using a novel fabric...
43
    
Figure 7.  Dual‐gap tunable MEMS capacitor (reproduced from [5]). 
 
(e)  MEMS  floating  dielectric  capacitors  ...
44
 
Figure 9.  MFDC as fabricated and measured data (reproduced from [6]). 
    
Figure 10.  MFDC as fabricated and measu...
45
The applied bias voltage ranged from ‐120 VDC to +120VDC, resulting in capacitance 
ranges of about 760 fF (femtoFarad)...
46
 
Figure 11.  Voltage controlled semiconductor inductor (reproduced from [7]). 
  A helical‐turn implementation of the ...
47
coefficient to control the overall phase shift.  A total of 23
 phase rotations are possible in 
the phase shifter, res...
48
 
Figure 13.  Reconfigurable RF‐MEMS‐based matching network layout & fabrication 
(reproduced from [8]). 
 
Figure 14. ...
49
  The  architecture  appears  in  Figure  15,  which  includes  schematic  Smith  chart 
representations  of  the  impe...
50
 
Figure 16.  AT functional block diagram (reproduced from [9]). 
    Two demonstration versions of this new AT design ...
51
  Unlike narrowband RF receivers, wideband DTV tuners are prone to interference 
from local oscillator odd harmonics mi...
52
 
Figure 18.  LTCC filter structure (reproduced from [11]). 
Elements (resistors, inductors, capacitors) are integrated...
53
 
Figure 19.  Tunable LC‐Tracking filter as fabricated (reproduced from [12]). 
 
Figure 20.  Tunable LC‐Tracking filte...
54
 
Figure 21.  Measured performance of tunable LC‐Tracking filter (reproduced from [12]). 
 
2.5.1.4 Software Defined Ra...
55
baseband signal.  Device drivers in the middleware layer control various programmable 
hardware  devices,  such  as  AS...
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
Nabhighperformanceindoortvantennarpt
of 131

Nabhighperformanceindoortvantennarpt

about Antena
Published on: Mar 3, 2016
Published in: Engineering      
Source: www.slideshare.net


Transcripts - Nabhighperformanceindoortvantennarpt

  • 1.                                                  High‐Performance Indoor VHF‐UHF Antennas:  Technology Update Report    15 May 2010  (Revised 16 August, 2010)    M. W. Cross, P.E. (Principal Investigator)  Emanuel Merulla, M.S.E.E.  Richard Formato, Ph.D.      Prepared for:  National Association of Broadcasters  Science and Technology Department  1771 N Street NW  Washington, DC 20036  Mr. Kelly Williams, Senior Director      Prepared by:  MegaWave Corporation  100 Jackson Road  Devens, MA 01434
  • 2. 2       Contents:    Section  Title                  Page  1.           Introduction and Summary of Findings……………………………………………..3    2.        Specific Design Methods and Technologies Investigated…………………..7  2.1   Advanced Computational Methods…………………………………………………..7  2.2   Fragmented Antennas……………………………………………………………………..22  2.3   Non‐Foster Impedance Matching…………………………………………………….26  2.4   Active RF Noise Cancelling……………………………………………………………….35  2.5   Automatic Antenna Matching Systems……………………………………………37  2.6   Physically Reconfigurable Antenna Elements………………………………….58  2.7   Use of Metamaterials in Antenna Systems……………………………………..75  2.8   Electronic Band‐Gap and High Impedance Surfaces………………………..98  2.9   Fractal and Self‐Similar Antennas………………………………………………….104  2.10  Retrodirective Arrays…………………………………………………………………….112  3.    Conclusions and Design Recommendations………………………………….128
  • 3. 3   1.0 Introduction and Summary of Findings    In  1995  MegaWave  Corporation,  under  an  NAB  sponsored  project,  developed  a  broadband VHF/UHF set‐top antenna using the continuously resistively loaded printed  thin‐film bow‐tie shown in Figure 1‐1.  It featured a low VSWR (< 3:1) and a constant  dipole‐like azimuthal pattern across both the VHF and UHF television bands.        Figure 1‐1: MegaWave 54‐806 MHz Set Top TV Antenna, 1995    In  the  15  years  since  then  much  technical  progress  has  been  made  in  the  area  of  broadband  and  low‐profile  antenna  design  methods  and  actual  designs.    These  improvements  have  been  published  in:  technical  textbooks,  peer‐reviewed  articles,  patents, government research and development reports, and seminar proceedings.  As  a  developer  of  advanced  antenna  systems,  primarily  for  the  U.S.  government,  MegaWave constantly reviews these sources and acquires the latest computer based  EM simulation tools in order preserve its competitive advantage.  In this project, this  knowledge was used to identify ten candidate design methods and technologies that  have  the  potential  to  materially  improve  the  performance  of  indoor  VHF‐UHF  TV  antennas.  This  report  describes  each  candidate  and  its  potential  to  improve  indoor  ”set‐top” reception of DTV signals between 54 and 698 MHz.     Of course, it must be kept in mind that, while advanced design methods and actual  physical designs exist, so do the laws of electromagnetics.  Maxwell’s equations have  resulted  both  in  practical  as  well  as,  what  Dr.  R.  C.  Hansen  humorously  calls,  “Pathological Antennas”.  These pathological designs are described in his most recent  textbook [1], especially in the area of electrically‐small and broadband designs.  It is   instructive to apply these fundamental limitations to the problem at hand, the set‐top  TV antenna.  [1]  Hansen, R.C., “Electrically Small, Superdirective, and Superconducting Antennas,” Wiley, 2006
  • 4. 4 Consider that a half‐wavelength in the low VHF TV band varies between 9.2 and 5.6  feet; between 34 and 27 inches in the high VHF band and between 12.6 and 8.5 inches  in the UHF (470‐698 MHz) band. A dipole antenna whose physical length is less than its  wavelength divided by pi (λ/π) is considered to be an electrically “small” antenna (ESA).   ESAs unfortunately are characterized by narrow bandwidths and low gains.  Assuming 2  to 3 feet as a maximum acceptable length for an indoor or set‐top antenna, it definitely  falls into the ESA category in the low VHF band.  But, in addition to size constraints and  the resulting difficulty in obtaining acceptable performance from a single antenna over  the 54 to 698 MHz spectrum, there are other concerns.  Indoor and set‐top antennas  are fundamentally disadvantaged due to building penetration losses and by proximity  to sources of manmade radio noise. The former effect is more pronounced at UHF and  the  latter  at  low  VHF  channels.  Both  can  have  a  significant  deleterious  effect  on  antenna performance.  This brief discussion highlights the difficult problems inherent in  designing efficient, high performance antennas for the indoor/set‐op TV environment.   Fortunately, emerging technologies may effectively address these concerns.    This report is organized as follows.  Sections 2.1 through 2.10 contain summaries of  each advanced method and hardware technology identified as a potential candidate for  high‐performance  indoor  VHF‐UHF  DTV  antennas.    Each  section  includes  a  list  of  references  and,  in  many  cases,  photographs  and  performance  data  for  multiple  implementations of the technology that is described.  Section 3 includes conclusions  and a conceptual design for a practical indoor/set top VHF‐UHF antenna system.      The  authors  evaluated  each  technology  and  arrived  at  the  conclusions  and  design  concept after sorting the nine hardware candidates into three categories as follows:     Mature technologies that do not require any CE‐909‐A channel designator or  signal quality information from the DTV receiver:  o Fragmented Antennas (Section 2.2)  o Non‐Foster Impedance Matching (Section 2.3)   Mature  technologies  that  do  require  channel  and  quality  data  from  the  receiver:  o Active RF Noise Cancelling (Section 2.4)  o Automatic Antenna Matching Systems (Section 2.5)  o Physically Reconfigurable Antenna Elements (Section 2.6)   Emerging technologies that show promise, but are not sufficiently mature or  practical at this time:  o Metamaterials (Section 2.7)  o Electromagnetic Band Gap (EBG) Materials (Section 2.8)  o Fractal/Self Similar Antennas (Section 2.9)  o Retrodirective Arrays (Section 2.10)
  • 5. 5 A common thread connects each of these technology areas: advanced computational methods.   Whether a particular technology is mature and immediately applicable or emerging and highly  speculative,  various schemes for antenna design optimization are  universally applicable and  described  in  Section  2.1.    These  methodologies  apply  to  all  of  the  candidate  technologies  discussed in Sections 2.2 through 2.10, and accordingly was placed at the beginning of Section  2.    If  even  one  of  the  optimization  algorithms  described  had  been  available  during  the  development of MegaWave’s 1995 broadband set top antenna, it is likely that markedly better  gain  performance  would  have  resulted,  especially  in  the  low  and  high  VHF  bands.    Another  attractive and potentially very significant capability offered by optimization algorithms is the  possibility of discovering entirely new antenna geometries, rather than simply optimizing a pre‐ existing geometry.  Table 1‐1 subjectively ranks the nine identified candidate hardware technologies (2.2 ‐ 2.10).  A  score of 10 represents perfection.  By maturity we mean how close to off‐the‐shelf a particular  technology’s hardware is and how well it basic principle of operation has been vetted in the  literature. The term SWAP refers to size/weight and power.   Method/   Technology  Active/  Passive   Requires CE‐909‐A  Interface  Maturity Vetted Risk Design  Complexity  SWAP  Comments 2.1  Adv. Comp.  Methods  N/A  N/A              9          9 Very Low N/A N/A  Applies to all  Technologies  2.2  Fragmented  Passive  No  7 7 Low Low 9  Planar 2.3  Non‐Foster  Active  No  6 7 Low Moderate  7  Limited  Bandwidth  2.4  Active Noise  Cancelling  Active  Yes  7 6 Low High 3  Requires  I&Q   2.5  Automated  Antenna  Matching  Active  Yes  7 7 Moderate High 7  Requires  complex TV  interface  2.6  Reconfigurable  Antennas  Active  Yes  6 7 Moderate High 6  Control of  MEMS w/DC  2.7  Metamaterials  Passive  No  3 4 High High 8  Emerging/ Availability  an issue  2.8  EBG  Passive  No  5 6 High High 5  Inherently  Narrow Band  Maybe  useful for  shielding  2.9  Fractal/Self  Similar  Passive  No  6 4 Moderate Moderate  8  Controversial    Performance  Gain  2.10  Retrodirective  Active  Yes  4 5 Very High Very High  2  Narrow ‐ Band,  Large  Table 1‐1: Candidate Technologies Considered and Their Ranking
  • 6. 6 As  an  example  of  how  advanced  computational  methods  could  be  combined  with  an  advanced hardware technique, that does not require a CE‐909‐A interface, is described at  the end of Section 3 and summarized here.  Using the genetic algorithm described in Section 2.1.5 a fragmented antenna was designed  and combined with a non‐Foster‐matching circuit to provide a planar 54‐698 MHz dipole  approximately  13  by  13  inches  with  significantly  better  gain,  especially  in  the  54‐88  and  174‐216 MHz bands, than the 1995 MegaWave/NAB set top antenna. Figure 1 shows the  broadband fragmented planar element’s design obtained after approximately 24 hours of  computational time on a PC. Details of the specific method used are in Section 2.2 of this  report. It is well matched across the UHF DTV band, but requires some passive matching in  the high VHF band (which would also serve as the band combiner) and the more robust  matching capability of the active Non‐Foster‐Matching technique, described in Section 2.3,  for the low‐VHF band.        Figure 1. 13 x 13 Inch Planar Fragmented Non‐Foster Matched VHF‐UHF Antenna  An omni‐directional version could also be designed.  It should be stressed that the above is  included here only to illustrate the notion of combining advanced computational broadband  antenna element designs with emerging electronic antenna matching capabilities and that  other antenna element geometries are also possible, depending on the starting conditions,  trade space dimensions and performance goals provided to the optimizer.   The authors want to make clear that 90 percent of the techniques and ideas contained in  this  study  are  the  work  of  others,  as  published  in  the  open  literature  and  referenced  herein.
  • 7. 7 2.0 Specific Design Methods and Hardware Technologies Investigated  2.1  Advanced Computational Methods    2.1.1  Summary    Optimization  methodologies  abound,  and  they  are  extensively  used  in  every  aspect of engineering design, in particular antenna design.  Optimization algorithms are  useful in two ways.  They can be used to optimize the design parameters for a user‐ specified  antenna  geometry  (for example,  element  spacing,  length  and  diameter in  a  Yagi‐Uda  array).    They  also  can  generate  designs  that  are  impossible  to  achieve  otherwise.  In both cases, optimization involves meeting specific performance objectives  (typically, VSWR, gain, bandwidth, and so on).    Optimization  algorithms  have  become  progressively  more  important  as  the  limitations of classic analytical techniques have become progressively more apparent.   While  the  equations  underlying  electromagnetic  theory  are  well  understood  and  accurately describe all electromagnetic phenomena, in most practical cases they cannot  be  solved  analytically  or,  oftentimes,  even  numerically.    Designing  better  antennas  requires  improved  methodologies,  and  state‐of‐the‐art  optimization  algorithms  have  proven very effective.  There is no question that these techniques are applicable to the  set‐top antenna design problem, and that they should receive considerable attention in  future design activities.    There are many different optimization methodologies that fall into two broad  categories: analytical methods and heuristic methods.  Analytical methods are based on  precise mathematical formulations of the optimization problem.  Even though they may  be fundamentally numerical in nature, they involve standard mathematical operations  such as computing derivatives or evaluating integrals.  Heuristic methods may involve  equations, but the equations are not the result of an analysis.  Instead, they are offered  without “proof” based on the fact that they “work.”    Many  optimization  heuristics  are  Nature  inspired.    The  steps  an  algorithm  performs to optimize an antenna are based, for example, on how bacteria forage for  food.  As disparate as these entities may seem, there is a connection, at least in the  sense that bacteria finding a good food source is similar to finding an antenna with a  good gain‐bandwidth product.  Optimization algorithms of this type are usually referred  to as “metaheuristics,” a term intended to emphasize that the method is both empirical  and  conceptual  in  nature.    Thus,  an  effective  bacteria  foraging  algorithm  can  be  implemented in many different ways because the bacteria foraging metaheuristic simply  suggests an analogy to Nature that is implemented in a computer algorithm working on
  • 8. 8 an antenna problem.  The metaheuristic thus is an algorithmic framework instead of a  list of steps or instructions.    Several Nature inspired metaheuristics are described.  A brief summary of each  algorithm  is  provided,  and  several  example  antenna  problems  solved  by  a  variety  of  algorithms  are  discussed.    The  algorithms  include  Ant  Colony  Optimization  (ACO),  Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Simulated Annealing (SA),  Central Force Optimization (CFO), Invasive Weed Optimization (IWO), Intelligent Water  Drop (IWD) algorithm, and Bacteria Foraging Optimization (BFO).  There are many other  optimization algorithms [for example, Space Gravitation Optimization (SGO), Integrated  Radiation Optimization (IRO)], but they have not been applied to antennas or antenna  related problems.    Each of these algorithms, except one, is inherently stochastic because its Nature  inspired  algorithmic  model  relies  on  randomness  in  its  functioning.    The  underlying  equations contain true random variables whose values are computed from a probability  distribution and consequently cannot be known in advance.  As a result, every time a  stochastic optimizer run is made, its results are different than the previous run even  when exactly the same run setup parameters are used.  The performance of stochastic  optimizers  is  necessarily  characterized  statistically  (for  example,  average  values,  standard deviations).  This may be a limitation in the utility of optimization algorithms if  they are used in a set‐top antenna on a real time basis.  For example, a self‐structuring  antenna  (SSA)  must  reconfigure  itself  in  real  time  in  response,  for  example,  to  a  changing environment.    The one algorithm that is not inherently stochastic is Central Force Optimization  (CFO)  whose  Nature  inspiring  metaphor  is  gravitational  kinematics,  the  branch  of  physics that deals with the motion of masses moving under the influence of gravity.  The  underlying  equations  are  Newton’s  equations  of  motion,  which  are  completely  deterministic.  CFO analogizes these equations in “CFO space” by flying “probes” that  are similar to small satellites to search a decision space “landscape” for the maximum  (optimal) values of a function (for example, antenna gain as a function of element length  and polar angle).  CFO has been applied to antenna design and network synthesis, and  tested  against  many  recognized  benchmark  functions  used  to  evaluate  optimization  algorithms.  It therefore may be especially useful for the set‐top antenna problem.  2.1.2  Introduction    This  section  describes  developments  in  antenna  design  optimization  over  the  past fifteen years or so that have been driven largely by the availability of progressively  more  powerful  computers.    A  plethora  of  new  optimization  algorithms  have  been
  • 9. 9 introduced and tested and are now in widespread use.  The new antenna designs often  are non‐intuitive, occasionally even counter‐intuitive, but all share the common feature  of not being accessible in any other way.  State‐of‐the‐art optimization algorithms can  effectively  solve  intractable  problems  that  have  no  analytical  solutions  or  are  too  complex to apply traditional analytical techniques.  These approaches are useful right  now  in  designing  set‐top  television  antennas,  and  they  will  continue  to  be  useful  whatever  form  future  set‐stop  systems  take.    Some  of  the  more  important  and  interesting optimization algorithms are described here.    Optimization Methodologies.  The problem of locating the maximum values of a  function  is  generally  referred  to  as  “multidimensional  search  and  optimization.”    As  pointed out above, any problem involving three or more design parameters (“decision  variables”)  is  a  multidimensional  problem,  and  simple  methods  such  as  plotting  the  function to be maximized cannot be used.  Methods for solving these problems fall into  two broad categories: analytical methods and heuristic methods.  Analytical methods,  which involve computing derivatives and gradients, are of limited use, especially in the  complex  landscapes  associated  with  antenna  design.    Stringent  performance  requirements in terms of bandwidth, radiation pattern, and standing wave ratio (SWR)  make  antenna  optimization  problems  particularly  difficult  because  the  landscape  is  usually  extremely  multimodal  with  narrow  resonances  and  often  high  sensitivity  to  slight parameter variations.  Heuristic optimization methodologies, which are inherently  numerical in nature, are effective in dealing with these issues, and consequently they  are considered here while analytical approaches are not.    An entire class of heuristic optimization algorithms are “Nature inspired”, and  these appear to be the most effective.  A Nature inspired algorithm is a computer search  and  optimization  program  whose  function  mimics  some  natural  process.    These  programs are described as being “metaphorical” because they analogize some natural  process without precisely modeling it.  For example, “Ant Colony Optimization” (ACO) is  an algorithm that simulates (to some degree) the behavior of ants seeking food.  Thus,  ACO is inspired by the metaphor of ant foraging.  All such algorithms evolve a solution to  the  optimization  problem  over  a  series  of  steps  or  iterations,  and  almost  all  such  algorithms  are  stochastic  population‐based  methodologies.    An  initial  population  (of  ants,  for  example)  randomly  (stochastically)  moves  through  the  decision  space  (landscape) step‐by‐step (iterating) in such a way that it converges on the largest food  supply (maximum function value).  The ants’ progress is controlled by a set of equations  that mimic real ant behavior in Nature.  There are many Nature inspired algorithms,  ACO being one of the earliest ones.  The more important algorithms are discussed below  with examples of their application to antenna optimization.
  • 10. 10 2.1.3  Ant Colony Optimization    Figure 1 illustrates the basic idea behind Ant Colony Optimization (ACO) [1].  The  irregular objects represent the ants’ nest (bottom) and a desirable source of food (top).   It  has  been  observed  that  ants  seeking  food  eventually  traverse  the  shortest  path  between the nest and food by marking that trail with a chemical pheromone that each  ant can sense (probably by smell).  If the path is unobstructed [(a) in the figure], then  the ants simply walk a more‐or‐less straight line between home and the food supply.   But, if an obstruction is imposed [(b) and (c) in the figure], then more ants eventually  end up on the shorter trail between the food and the nest, which in turn results in a  greater  pheromone  concentration  along  that  “optimal”  trail.    By  depositing  progressively more pheromone on the shortest path, almost all of the ants eventually  end  up  on  that  path,  and  the  “best”  solution  has  been  found.    The  red  lines  in  the  bottom part of the diagram illustrate the path evolution with the eventual result that  the shortest path is identified.  The  ACO  algorithm  mimics  the  ants’  behavior  using  equations  that  represent  the  random motion of individual ants subject to their pheromone environment.  Instead of  searching for food, the metaphorical ACO ants search the landscape of a decision space  for the maximum value of the function to be maximized.  But the process they follow is  a  simplified  model  of  ant  behavior  as  observed  in  Nature.    And,  just  as  real  ants  eventually  discover  the  best  food  source,  ACO’s  “ants”  eventually  converge  on  the  function’s global maximum value.       Figure 1.  Ant Colony Optimization Metaheuristic (reproduced from [1]).
  • 11. 11 2.1.4  Particle Swarm Optimization    Particle  Swarm  Optimization  (PSO)  [2]  is  another  stochastic  population‐based  Nature inspired evolutionary algorithm.  PSO analogies the swarming behavior of fish or  bees seeking food.  Unlike ACO in which each “ant” creates a pheromone trail for other  ants  to  follow,  PSO’s  population  of  “agents”  collectively  communicate  two  pieces  of  information: each individual agent’s “best” solution (greatest food concentration) and  the  population’s  overall  (global)  best  solution.    Equations  that  mimic  bee  and  fish  swarming then control each agent’s subsequent motion in the decision space based on  the competing tendencies of moving toward the global best and randomly exploring the  vicinity of its best solution.  As shown in Figure 2 for bees swarming around a flower  concentration,  after  many  steps  PSO  agents  converge  on  the  global  best  solution  (highest  flower  concentration)  because  the  local  search  fails  to  reveal  any  better  solutions.    Figure 2.  Particle Swarm Optimization metaheuristic (reproduced from [2]).    2.1.5  Genetic Algorithms    A  Genetic  Algorithm  (GA)  [3]  analogizes  the  process  of  natural  evolution  or  “survival of the fittest.”  When biological parents “mate,” they exchange DNA to create  a  new  individual  (“child”)  whose  characteristics  are  drawn  from  both  parents  by  combining the parents’ DNA.  A GA creates successive generations of children who then  serve  as  parents  for  the  next  generation  whose  children,  in  turn,  will  exhibit  better  “fitness” than the previous generation.  In the context of search and optimization, the  fitness  is  the  value  of  the  function  to  be  maximized,  so  that  the  “best”  fitness  corresponds to the function’s global maximum.  As the GA progresses generation after  generation,  the  best  discovered  fitness  improves  and  eventually  converges  on  the  function’s global maximum.
  • 12. 12 Figure 3 shows a typical GSA flowchart for an antenna optimization algorithm.  It  starts  with  a  definition  of  the  decision  space  (parameters  to  be  optimized)  and  the  “fitness function” to be maximized (for example, antenna directivity, or some specified  combination of performance parameters such as gain, bandwidth, and so on).  An initial  population  of  “individuals”  is  randomly  created,  and  each  individual  is  defined  by  a  chromosome  that  may  be  a  binary  sequence  or  a  real  number.    Each  chromosome  comprises a set of genes, and each gene is one of the design parameters.  For example,  if  the  three  design  parameters  were  element  length,  inter‐element  spacing,  and  element  diameter  in  a  four  element  Yagi‐Uda  array,  then  there  is  a  total  of  eleven  design parameters, and each one is a gene.  Thus, the optimization problem is defined  on  an  11‐dimensional  decision  space,  and  the  objective  is  to  determine  each  of  the  eleven  parameters  so  as  to  maximize  some  specific  fitness  function,  say,  the  array’s  gain‐bandwidth product.  A separate computer program is used compute the fitness at  each step for each chromosome (the “evaluate fitness” box in Figure 3).    After  the  initial  population’s  fitnesses  are  evaluated,  the  “selection”  process  chooses two parent chromosomes that will mate (“crossover”) to produce two children  chromosomes in the next generation.  The selection and crossover processes take many  varied forms.  For example, the selection of parents may be random, or “best mates  worst,”  or  best  pairs  pair  wise  through  the  population,  and  so  on.    The  crossover  operation likewise can take many forms.  For example, the parents’ chromosomes may  be split at the midpoint with first and second parts being swapped, or a random break  point might be used, or some other combinatorial approach taken.  Finally, the children  thus  created  are  subject  to  some  level  of  mutation,  a  random  perturbation  of  the  chromosome  structure  just  as  real  chromosomes  are  mutated  in  Nature.    The  steps  described thus far are essentially common to all Gas, but the next step in the flowchart  (“elitist model”) is not.  In this GA, the worst individual in the new generation is replaced  by the best individual from the previous generation, thus preserving the best solution  from generation to generation as the algorithm progresses.  As a final step, the best  fitness  is  tested  for  convergence,  and  the  process  repeated  until  convergence  is  achieved.
  • 13. 13   Figure 3.  GA flow chart (reproduced from [3]).  2.1.6  Simulated Annealing    Simulated  Annealing  (SA)  [4]  is  a  stochastic  algorithm  based  on  a  metaphor  drawn  from  physics  instead  of  biology,  as  ACO,  PSO,  and  GA  are.    SA  analogizes  the  statistical mechanics of physical systems in thermal equilibrium with many degrees of  freedom.  In particular, the physical processes involved in annealing a solid as it cools  forms  the  basis  of  the  SA  optimization  algorithm,  which  has  proven  effective  in  optimizing  problems  with  large  numbers  of  decision  variables.    Because  of  SA’s  complexity, the algorithm is not described in detail.  Instead its performance against a  classic test problem is discussed.    The Traveling Salesman Problem (TSP) is a recognized example of combinatorial  optimization  that  SA  was  used  to  solve  because  it  constitutes  a  good  test  of  an  algorithm’s  effectiveness.    The  salesman  must  visit  N  different  cities  once  each  and  return to his starting point.  The problem is to determine the least costly route using a  “cost” or “objective” function that is specified beforehand.  Minimizing the cost is the  same as maximizing its negative (note that minimization and maximization problems are  exactly  the  same  except  for  multiplying  the  objective  function  by  ‐1).    The  TSP  is  a  multidimensional  search  and  optimization  problem  in  the  same  vein  as  an  antenna  optimization problem, so that an algorithm suitable for one very likely is applicable to  the other.
  • 14. 14   For the SA test, the TSP cost function is simply the total distance travelled by the  salesman (to be minimized).  Two different distance metric can be used, the standard  Euclidean distance (“square root of the sum of the squares”), or the “Manhattan” metric  (sum of the separations along the two coordinate axes), the latter being used in this  case because it is simpler (less computationally intensive).  Evolved solutions for TSP  appear  in  Figure  6  and  show  a  clear  tendency  towards  removing  redundancy  in  the  travelled route, with the final solution (d) being close to optimal as discussed in [4].    Figure 4.  Evolution of SA solutions to TSP (reproduced from [4]).    2.1.7  Central Force Optimization    Central Force Optimization (CFO) [5] is a new algorithm that departs significantly  from all other Nature inspired metaheuristics.  ACO, PSO, SA, and the other algorithms  described  below  are  all  inherently  stochastic.    Every  run  with  the  same  setup  parameters in general produces a different set of solutions.  No two runs yield the same  results  because  these  algorithms  rely  on  true  randomness  in  their  functioning.    The  values of certain key variables in the algorithm are, by definition, random variables that  are computed from a probability distribution.  The values of these variables must vary  from  one  calculation  to  the  next,  and  their  values  are  completely  unknown  and  unknowable until the probabilistic calculation is performed.    CFO  is  quite  different.    It  is  based  on  an  analogy  drawn  from  gravitational  kinematics, which in turn is based on Newton’s laws of gravity and motion.  Newton’s  laws  are  mathematically  precise  (completely  deterministic)  and,  as  a  result,  so  too  is  CFO.  CFO searches the decision space by “flying” probes through it whose trajectories  are  computed  by  deterministic  equations  that  analogize  Newton’s  laws  of  motion.
  • 15. 15 Figure 5 shows how CFO’s probes move through a 3D decision space at each time step  sampling the decision space by computing the fitness of the function to be maximized  (shown  by  the  darkened  circles).    CFO  thus  provides  some  major  advantages  over  stochastic  algorithms,  viz,  every  run  with  the  same  setup  returns  exactly  the  same  answers,  and  because  of  that  characteristic  only  one  run  is  necessary  (stochastic  algorithms  usually  are  run  many  times  and  the  results  averaged).    CFO  has  been  effectively used for antenna optimization, and it holds considerable promise for use in  set‐top antenna design.      Figure 5.  Central Force Optimization metaheuristic (reproduced from [5]).    2.1.8  Invasive Weed Optimization    Invasive Weed Optimization (IWO) [6] draws its inspiration from the colonization  characteristics  of  invasive  flora  as  understood  from  weed  biology  and  ecology.    Like  ACO, PSO, GA, and SA, IWO is a population‐based stochastic algorithm. Weeds exhibit a  very strong tendency to opportunistically occupy (colonize) the interstitial spaces is a  cropping  field.    Spaces  not  occupied  by  crops,  which  usually  do  not  spread,  become  weed‐filled,  and  the  weed  then  grows  and  propagates  by  consuming  unutilized  resources in the field.  The weed that uses these resources most effectively becomes the  dominant (fittest) weed.  When a weed flowers, it produces seeds that are randomly  dispersed throughout the field until all interstitial space is occupied and all resources  utilized.    Figure  6  shows  a  flow  chart  the  IWO  implementation  used  to  solve  electromagnetic problems in [6].  This flowchart starts out much the same as the GA  flowchart with a randomly generated population whose fitness is evaluated in the initial  step.  Each weed then produces a number of seeds (reproduction) based on its fitness,  with weeds having better fitnesses being allowed to produce more seeds. The seeds are
  • 16. 16 then  randomly  dispersed  through  the  decision  space  using  a  normal  (Gaussian)  distribution of random numbers with mean value equal to the weed’s location.  After  the  new  seeds  have  been  dispersed,  they  are  allowed  to  grow  into  new  flowering  weeds, and the process is repeated until a convergent solution is generated.  Because  the number of weeds grows constantly, a maximum weed population serves as a ceiling  on weed count.  Whenever it is exceeded, the bottom worst plants are “weeded out” by  being discarded.    Figure 6.  Invasive Weed Optimization flow chart (reproduced from [6]).  2.1.9  Intelligent Water Drop Algorithm    The  Intelligent  Water Drop  algorithm  (IWD)  [7],  like  SA and  CFO,  analogizes  a  physical  process.    But,  like  SA  and  unlike  CFO,  it  is  stochastic  in  nature  instead  of  deterministic.  IWD is inspired by the notion that the seemingly random meanders in a  river or stream bed are, in fact, based on mechanisms that can be applied to effectively  solve  optimization  problems.    Two  principal  factors  are  considered  in  IWD:  water  velocity and soil characteristics.  Each IWD flows from a source to a destination, initially  with  non‐zero  velocity  and  zero  soil.    Along  its  route,  velocity  and  soil  both  may  be  gained and lost.  Soil inhibits drop velocity, so that between points the IWD’s velocity  increases inversely with soil (in a non‐linear manner).  Figure 7 shows typical IWD results  for the Travelling Salesman Problem (see also discussion above on SA and TSP).
  • 17. 17   Figure 7.  IWD results for the Traveling Salesman Problem (reproduced from [7]).    2.1.10  Bacteria Foraging Optimization    Bacteria Foraging Optimization (BFO) [8] mimics the natural behavior of bacterial  seeking food.  The motion of individual bacteria is driven by avoiding noxious elements  in the environment while “swimming” upward along the food concentration gradient  hopefully  locating  a  denser  source  of  food.    Chemotaxis  is  the  process  by  which  a  bacterium  tumbles  to  orient  itself,  swims  a  fixed  distance,  and  samples  the  food  concentration at its new location.  If the concentration is greater than at the previous  location, then the bacterium continues in the same direction for another step.  But if the  concentration is lower, then the bacterium tumbles into a new direction and explores it  instead.  Each bacterium has a finite lifetime that limits the number of steps it can take.   At the end their lifetime bacteria that are in the highest food concentration regions are  allowed to “reproduce” by splitting into two new bacteria, while those in other regions  die.  Because the bacteria are dispersed, after the reproduction step, only the best half  are retained, while the others die, thus preserving the total number of bacteria.  The  user specifies the maximum number of chemotactic and reproductive steps, maximum  swim length, and maximum swims in a given direction.    2.1.11  An Antenna Optimization Example    This section presents a specific example of an optimized antenna design, a Self‐ structuring antenna (SSA) that can alter its electrical shape in near‐real time in response  to  factors  such  as  a  changing  environment  or  a  change  in  mission.    Typically  these  structures  comprise  wire  segments  that  can  be  interconnected  using  control  signals  from a micro‐controller device.  An example of a SSA that was optimized using three  different optimization algorithms appears in Figure 8 [9].  The antenna in this case is an  asymmetric wire array containing 39 switches resulting in 549 billion possible antenna  configurations.
  • 18. 18 The specific problem addressed in [9] was whether or not the optimization algorithms  would provide better performance than a simple random search for a configuration that  met specific performance criteria.    The  wire  structure  was  modeled  with  the  Numerical  Electromagnetics  Code  (NEC) following all modeling guidelines with respect to wire segmentation and segment  length to diameter and wavelength ratios.  The objective was to obtain low VSWR (< 2)  values at frequencies of 40, 100 and 400 MHz.  The antenna grid measured 0.6 meter  square ( 08.0  on a side at 40 MHz), which electrically is quite small.  Figures 8, 9 and 10  compare the results of a random search to those produced by the three optimization  algorithms.  Random search performed very poorly at the lowest frequency, while each  of  the  optimization  algorithms  performed  relatively  well.    The  GA  produced  the  “tightest”  results  at  40  MHz  (minimum  standard  deviation),  and  achieved  the  design  objective in 60% of the trials.  This example shows that real‐time‐optimized SSAs are  within reach for the set‐top antenna application at this time, and that fairly economical  designs may be possible.    Figure 8.  SSA geometry (reproduced from [9]).
  • 19. 19   Figure 9.  SSA VSWR, random search [left], ACO [right] (reproduced from [9]).
  • 20. 20   Figure 10.  SSA VSWR, SA [left], GA [right] (reproduced from [9]).              2.1.12   References   [1]  Pechac, P., “Electromagnetic Wave Propagation Modeling Using the Ant Colony    Optimization Algorithm,” Radioengineering, 11, No. 3, September 2002, p. 1.  [2]  Robinson,  J.,  and  Rahmat‐Samii,  Y.,  “Particle  Swarm  Optimization  in    Electromagnetics,” IEEE Trans. Antennas and Propagation, 52, no. 2, Feb. 2004,    p. 397.
  • 21. 21 [3]  Mahanti,  G.  K.,  Pathak,  N.,  and  Mahanti,  P.,  “Synthesis  of  Thinned  Linear    Antenna  Arrays  with  Fixed  Sidelobe  Level  Using  Real‐Coded  Genetic    Algorithm,” Prog. in Electromagnetics Research, PIER 75, 319‐329, 2007.  [4]  Kirkpatrick,  S.,  Gelatt,  C.  D.,  and  Vecchi,  M.  P.,  “Optimization  by  Simulated    Annealing,” Science, 220, no. 4598, 13 May 1983, p. 671.  [5]  Formato,  R.  A.,  “Central  Force  Optimization:  A  New  Metaheuristic  with    Applications  in  Applied  Electromagnetics,”  Prog.  in  Electromagnetics  Research,    PIER 77, 425‐491, 2007.  [6]  Karimkashi,  S.,  and  Kishk,  A.  A.,  Invasive  Weed  Optimization  and  its  Features  iElectromagnetics,” IEEE Trans. Antennas and Propagation, 58, no. 4., April 2010,  p. 1269.  [7]  Shah‐Hosseini,  H.,  “The  Intelligent  Water  Drops  Algorithm:  A  Nature‐Inspired  Swarm‐  Based  Optimization  Algorithm,”  Int.  J.  Bio‐Inspired Computation,  1, nos.1/2, p. 71,   2009.  [8]  Datta,  T.,  and  Misra,  I.  S.,  “Adaptive  antenna  Array  Processing:  The  Bacteria‐   Foraging  Algorithm  and  Particle‐Swarm  Optimization,”  IEEE  Antennas  and    Propagation Magazine, 51, no. 6, December 2009, p. 69.   [9]  Coleman,  C.  M.,  Rothwell,  E.  J.,  and  Ross,  J.  e.,  “Investigation  of  Simulated    Annealing,  Ant‐Colony  Optimization,  and  Genetic  Algorithms  for  Self‐   Structuring  Antennas,  IEEE  Trans.  Antennas  and  Propagation,  52,  4,  p.  1007,    April 2004.
  • 22. 22    2.2 Fragmented Antennas  As  an  additional  illustration  of  the  power  of  an  electro‐magnetic  (EM)  optimization  algorithm, this section describes the computer program FAopt that begins with a grid of  wires as shown in Figures 1 and 2 and optimizes the placement of these wires using a  Binary  Genetic  Algorithm  (BGA)  and  the  NEC‐4  [1]  Method  of  Moments  (MoM)  FORTRAN code.  Each bit in the BGA chromosome is either a 1 or a 0, representing the  presence or absence of a wire, respectively.  Quadrant 1 and 3 are a mirror image of  each other as well as quadrant 2 and 4, so that the antenna is symmetrical about its  diagonal.  The resulting antenna is comprised of a series of plated conductors, some of  which are connected to one another.  Some are capacitively/inductively coupled and act  as  parasitic  elements  to  increase  the  element  impedance  and  radiation  pattern  bandwidth.  These types of radiating elements, when implemented as pixels rather than  wires, (see Maloney et al of GTRI [2]) are generally called “fragmented” antennas [3].   FAopt allows the user to choose the polarization as either vertical or horizontal, and the  antenna  can  be  either  directional or  omni‐directional.    The  user  also  can  choose  the  dimensions for the desired antenna, as well as the frequency range.  This program was  used to design a set‐top antenna to operate in the VHF and UHF bands. (See Section  3.0).  During optimization a window is shown that updates the progress of the optimizer  with the best “figure of merit” (FoM) displayed along with the standing wave ratio.    Figure 1: FAopt Code’s GUI
  • 23. 23   Figure 2: Wire Grid  As  an  example,  a  thin  planar  directional  antenna  was  optimized  using  FAopt  as  a  horizontally polarized antenna from 2400‐2480MHz with 8 blocks per row/column per  quadrant.    The  orientation  appears  in  Figure  1,  and  the  antenna  model  is  shown  in  Figure 3.  The dimensions for this antenna are 2” by 2”.  A prototype was built as shown  in Figure 4.    Figure 3. Fragmented Directional WiFi Antenna    Figure 4. Fragmented Directional WiFi Antenna  The  simulation  results,  which  were  confirmed  by  measurements,  shows  the  average  gain of this antenna to be better than 1.9 dBi.  This antenna is a directional WiFi antenna  optimized to have a F/B ratio of about 6 dBi.  Its radiation pattern is very consistent
  • 24. 24 across the band as shown in Figure 6, and its measured VSWR is better than 2:1 across  the band.  Further work, such as changing the grid template or the optimization routine,  could  be  undertaken  to  make  this  approach  more  efficient  for  designing  set‐top  VHF/UHF antennas.    Figure 5. Pattern of Directional WiFi Antenna    Figure 6. VSWR of Directional WiFi Antenna  The F/B ratio of simulated and measured are in fair agreement as shown in Figure 7.    Figure 7. F/B Ratio of Directional WiFi Antenna  Directional WiFi Antenna -2 0 2 4 6 8 ,+X 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160170 ,-X 190200 210 220 230 240 250 260 270 280 290 300 310 320 330 340350 2400 2420 2440 2460 2480 VSWR of Directional WiFi Antenna 1 2 3 4 5 6 7 2400 2420 2440 2460 2480 Frequency (MHz) VSWR Calculated Results Meaured Results F/B Ratio of Directional Wifi Antena 0 2 4 6 8 10 2400 2420 2440 2460 2480 Frequency MHz dB Calculated Results Measured Results
  • 25. 25   References  [1] G.  J.  Burke,  “Numerical  Electromagnetics  Code‐NEC‐4  Method  of  Moments”,  Lawrence Livermore National Laboratory, 1996  [2] J. G. Maloney, M. P. Kesler, P. H. Harms, G. S. Smith, United States Patent No. US  6323809 B1, Nov 27,2001  [3] B.  Thors,  H.  Steyskal  and  H.  Holter,  “Broad‐Band  Fragmented  Aperture  Phased  Array  element  Design  Using  Genetic  Algorithms”,  IEEE  Trans.  Antennas  Propag.,  Vol 53, no.  10, pp. 3280‐3287
  • 26. 26 2.3 Non‐Foster Impedance Matching    Foster’s reactance theorem, which dates to 1924, states that a lossless reactance must have  a  positive  slope  with  frequency.  Any  lossless  matching  network  presumably  satisfies  the  theorem, but a great deal of research that has been done on “non‐Foster matching” in the  past 15 years suggests otherwise.   This section examines how non‐Foster networks may be  useful in set‐top antennas to match an electrically small element (characterized by a low  real  and  high  negative  imaginary  complex  impedance)  within,  for  example,  the  low‐VHF  band.     Until recently no one has created a practical antenna system using this method that showed  much of an improvement in performance.  This was due to limitations in the semiconductor  technology  at  the  time  that  permitted  only  narrow  band  solutions.    Semiconductor  technology  has  improved  considerably  in  recent  years  resulting  in  increased  bandwidth,  lowered noise, and decreased losses in the devices.  Electrically small antennas present high  Q impedances characterized by large reactances and small radiation resistances.  For such  antennas,  the  effectiveness  of  passive  matching  circuits  is  severely  limited  by  gain  bandwidth  theory,  which  predicts  narrow  bandwidths  and/or  poor  gain.    The  result  inevitably is a poor signal to noise ratio compared with a larger antenna.  Non‐Foster  matching  uses  negative  impedance  converters  (NIC)  to  create  “negative”  capacitors  and  “negative”  inductors  [1‐2].    It  is  possible,  for  example,  to  use  negative  capacitance to cancel out the reactance in a short dipole or monopole.  This leaves only a  small real impedance which could then be matched to, say, 75 Ω using a transformer.  One  disadvantage of this approach is that transformers add to the antenna size which could be  undesirable.    An  alternative  to  matching  could  be  achieved  by  placing  the  non‐Foster  matching  circuit  away  from  the  feed  to  control  both  the  real  impedance  as  well  as  the  reactance of the antenna [3].  The potential improvement in antenna performance is very  significant.    Theoretical  bandwidth  improvements  have  been  shown  for  a  small  loop  (increasing bandwidth from 50 MHz to 300MHz at a center frequency of 700MHz), as well  as a small broadband dipole (increasing bandwidth from 250MHz to 1000MHz, lowering the  lower operating frequency from 250 MHz to 190 MHz).  It should be noted that the Figures and Tables in this section were taken from references  2 through 5, listed at the end of this section.
  • 27. 27 Figure 1.  Linvill’s ideal OCS NICs terminated in a resistance.    Fiugre 2. Linvill’s ideal SCS NICs terminated in a resistance.  With  an  ideal  transistor,  a  pure  negative  resistance  is  achievable.    In  Linvill’s  actual  realizations (Figures 1 and 2), a substantial reactive component of the input impedance Z  accompanies the negative resistance, resulting in a low Q, where the “resistive” Q is defined  as: Q=Re(Z)/Im(Z).  The circuits shown are “open‐circuit stable” (OCS), meaning, practically,  that if a very large resistance terminates the negative‐resistance one‐ports on the left, then  the overall network will be stable.  The networks of Figure 1 can be turned around as shown  in  Figure  2,  where  negative  resistances  of  the  “short‐circuit  stable”  (SCS)  variety  are  obtained.  Again, practically speaking, this means these networks will be stable if a very  large  conductance  is  placed  across  the  input.    An  initial  step  in  improving  the  power  efficiency of non‐Foster matching is simply to use a single‐transistor version of the NIC [4].      Figure 3. Non Foster Matching
  • 28. 28 An example of a non‐Foster matching circuit is shown in Figure 3.  Although not shown in  the schematic, a transformer would be used at the input to make the effective value of  Rsource,  as  seen  by  the  matching  circuit,  to  be  18.75Ω  (4:1  impedance  ratio).The  circuit  negates antenna’s Capacitance Cant  and the voltage‐managing resonating inductor Lres, as  well as the radiation resistance r.  The idea is to cancel the negated Lres and Cant with C and L  on the left, respectively.  The negated r is absorbed by the much larger source resistance  and does not affect operation of the circuit.  The source resistance would be 75 ohms in this  case.    An example of non‐Foster matching for a 12 inch dipole is shown in Figure 4.  It is shown in  Figure 5 that this non‐Foster matching network creates a negative capacitance that is used  to cancel out the reactance of the 12” dipole.  This is used along with a transformer to help  match the radiation resistance of the antenna to the source impedance of 50 Ω.  The non‐ Foster matching network is compared to a similar dipole with a lossy passive network for  improvements in signal to noise as shown in Figures 6 and 7.  The improvement in SNR is  quite remarkable, as much as 25 dB around 44 MHz.      Figure 4. Non‐Foster Matching Network for a 12” Dipole.    Figure 5. Measured and simulated results for capacitance of non‐Foster matching network.
  • 29. 29     Figure 6. Setup for Signal to Noise improvement measurement.    Figure 7. Measured Improvement of Signal to Noise    Non‐Foster matching may be particularly useful for the set‐top application because it works  best with electrically small antennas.  Therefore, this type of match could be useful when  designing  a  small  VHF/UHF  DTV  set‐top  antenna.    Improvements  in  signal  to  noise  measurements have been shown from 20MHz to 400 MHz [5].  In particular, the use of non‐ Foster techniques to impedance match a lossy electrically‐small dipole antenna has been  quite effective.  On an antenna range, there was a measured 30 dB gain improvement over  60 – 200 MHz, with several dB of improvement as high as 400 MHz.  Again, the comparison  was to the same antenna with no matching at all.  Although no S/N measurements were  made, the circuits used were based upon the same low‐noise designs developed earlier for  lower‐frequency circuits.  Because of the lossiness of the antenna, passive matching can do  a little better than no matching at all, and these results are illustrated in simulation.  This  computer simulation designed a number of “best‐effort” passive matching networks and  calculated the transducer gain (S21) between a 50 ohm source and the complex impedance  of a 6‐inch monopole.  S21 for no matching and S21 for a single, ideal negative capacitance  whose value (‐5.54pF) exactly cancels the antenna reactance at 30 MHz, were calculated.   Plots of the real and imaginary parts of the antenna impedance are shown in Figure 8. The  various matching networks are illustrated in Figure 9; each of these would appear in place  of the NIC in Figure 10b.
  • 30. 30     Figure 9‐A. Real Part of Antenna Impedance for a six inch monopole      Figure 9‐B. Imaginary Part of Antenna Impedance for a six inch monopole
  • 31. 31   Figure 10. Various Matching Techniques for six inch monopole      Table 1. Computed Average Gain of all matching techniques.
  • 32. 32   Figure 11.  Plots of Computed Gains of all matching techniques for a six inch monopole    The six inch monopole was then built using both the non‐Foster matching network and an  unmatched antenna.  They were both measured with the results shown in Figure 12.  In the  design, NE68019 BJTs were used in the NICs because these devices provided good overall  performance over the entire frequency band.  Again, the results are quite remarkable, with  the non‐Foster antenna showing average gain improvements between about 2 and 28 dB.   It is noteworthy that the greatest improvements are at lower frequencies, between about  60 and 210 MHz, approximately the low and high VHF bands.
  • 33. 33   Figure 12. Gain of a non‐Foster  matching network over the same antenna with no  matching.      Figure 13.  Plots of Computed Gains of all matching techniques for a six inch dipole    Results  for  an  electrically  small  lossy  dipole  are  shown  in  Figure  13  (this  antenna  was  simulated, not measured).  The actual gain may be less due to noise of the device if this  were to be built and tested. Thus, realization of non‐Foster technology is still limited by the  analog circuitry performance. With respect to the set‐top application, it is very reasonable  to  expect  that  as  better  silicon  devices  are  developed  covering  the  entire  television  frequency range will be possible with substantially better antenna performance in terms of  gain and signal‐to‐noise ratio.
  • 34. 34         References  [1] R.C Hansen, “Electrically Small Super directive and Super conducting Antennas”, John  Wiley & Sons Inc.  2006  [2] J.  T Aberle, R.  Leopsinger‐Romak, C.  A Balanis, “Antennas with Non‐Foster Matching        Networks”, Morgan & Claypool Publishers, 2007  [3] S.  Koulouridis and J.L.  Volakis, “Non‐Foster circuits for small broadband antennas”,   [4] S.  E.  Sussman‐Fort and R.  M.  Rudish “Non‐Foster  Impedance Matching of Electrically‐       Small Antennas”,IEEE Transactions on Antennas and Prop., Vol 57,NO.  8, August 2009  [5] S.  E.  Sussman‐Fort and R.  M.  Rudish, “Non‐Foster impedance matching of a lossy,        electrically‐small antenna over an extended frequency range” presented at the Antenna        Applicat.  Symp., Allerton Park, IL, Sep.  2007
  • 35. 35 2.4 Active RF Noise Cancelling  Considerable work has been done to mitigate noise from devices near receiving antennas,  as is particularly useful in set‐top antennas.  An antenna placed on top of a television is  especially vulnerable because it may pick up noise from internal circuitry.  But this noise can  be reduced, which in turn reduces the noise floor, or, equivalently, increases the signal‐to‐ noise ratio (SNR).  Intersil [1] has created the QHx220 chip that accomplishes this e.g. at  UHF frequencies, or more precisely from 300 MHz up to >3GHz.  MegaWave has evaluated  the Intersil noise cancelation chip QHx220 shown in Figure 1.  The chip was tested for signal  to  noise  improvements  at  535MHz  as  shown  in  Figure  2.  Measured  results  showed  an  improvement of about 12dB in SNR as shown in Figures 3 and 4.  This technology has been  extended down to FM covering the VHF III band [2], which is necessary for this approach to  be viable in the set‐top environment.        Figure 1: Intersil’s Noise Cancellation Chip QHx220    This system works on a principle similar to Bose and Sony noise cancelling headsets, but at a  ~1,000,000 times higher frequency. It requires an I and Q setting obtained from the DTV  receiver’s channel setting and the system’s link quality parameter (BER, SNR, RSSI, etc.). This  is done on either a micro‐processor or in the baseband processor, which run a set of small  algorithms. As a result the noise minimum is centered in the desired TV channel and signals  ‐ formerly buried in the noise floor ‐ are being restored (Figure 4, e.g. at 549MHz).
  • 36. 36   Figure 2 Noise Cancellation Test and Evaluation Setup        Figures 3‐4: Measured results before and after noise cancelation        References  [1] Intersil Corporation, 1001 Murphy Ranch Rd, Milpitas, Ca 95035, www.Intersil.com  [2] QHx120 (development) works from 75MHz up to 225MHz.
  • 37. 37 2.5 Automatic Antenna Matching Systems  2.5.1  Summary    From an impedance matching point of view, the ideal antenna has a perfectly  flat, purely resistive input impedance across its entire operating frequency range.  The  value of that impedance should be 70 Ω because this is the nominal industry standard  characteristic impedances of the coaxial cable used in television receivers.  Of course, no  antenna is perfect.  Quite to the contrary, most antennas’ impedance variations with  frequency  are  usually  quite  dramatic.    This  is  particularly  true  for  electrically  small  antennas, which tend to exhibit low radiation resistances and very high reactances in a  narrow frequency range.  Set‐top DTV television antennas are not necessarily electrically  small  in  the  high  VHF  and  UHF  bands,  but  are  at  low  VHF.    Due  to  their  required  bandwidth (54‐698 MHz) they invariably exhibit wide impedance fluctuations.    An  impedance  mismatch  leads  to  losses  and  reflected  energy  that  is  not  transferred to the receiver.  These inefficiencies can be mitigated to a great degree by  precise  impedance  matching  that  is  provided  by  an  “antenna  tuner”  (AT)  connected  between  the  antenna  output  terminals  and  the  receiver  input  port.    The  AT  may  comprise a network of discrete components, or it may be a distributed, continuously  varying  structure (a  tapered  transmission  line,  for  example),  or  some  combination  of  both.    Lumped element matching networks go back to the earliest days of radio, and  they  often  require  manual  adjustment  of  the  matching  elements  (usually  variable  capacitors  or  roller  inductors).    In  the  early  1960s  the  military  developed  “ALE”  (automatic  link  establishment)  systems  that  employed  remotely  controlled  automatic  antenna tuners.  These networks are usually located at the antenna feed and remotely  tuned automatically based on VSWR (voltage standing wave ratio) measurements made  at the transmitter.  Essentially the same approach is taken with the built‐in automatic  ATs that are common in modern transmitters (most amateur radios contain built‐in auto  ATs, for example).    Modern  low‐power  ATs  use  relays  to  switch  lumped  elements  (inductors,  capacitors) in and out of the matching network until the desired match is achieved.  This  technology  is  highly  developed  and  readily  available  for  use  in  set‐top  TV  receive  antennas.  It therefore is not reviewed in this report.  Instead, the emphasis here is on  new,  developing  technologies  that  may  be  useful  for  antenna  impedance  matching.   Four broad categories have been identified.    (a)  Voltage controlled reactive elements are capacitors and inductors whose  values are controlled by an applied voltage.  Instead of switching discrete components
  • 38. 38 in and out of a matching network using relays, the same operation is accomplished by  varying  the  voltage  applied  to  the  reactive  element.    This  type  of  non‐mechanical  system provides faster response time and more continuous control in a less noisy and  probably smaller space than a relay‐based AT.    (b)  Integrated ATs are “antenna tuners on a chip,” a complete device that is  fabricated  on  a  single  chip  or  in  a  very  small  module  with  only  a  few  external  components.    Integrated  ATs  have  received  considerable  attention  for  cellular  applications, and they work quite well.  Chip‐level devices successfully match up to 10:1  VSWRs in the highly fluctuating cellular antenna environment with rapid response times  and high efficiency.  These devices are constantly improving, and it is likely that existing  technology can meet set‐top AT requirements.    (c)  Tunable tracking filters are already used across the VHF/UHF TV bands  for wideband DTV (digital television) tuners, and they work quite well, providing very  flat passbands, steep skirts, and harmonic suppression from the tuner’s local oscillator.   Extremely  small  devices  have  been  designed  and  computer‐simulated,  and  some  measured data are available confirming achievement of design objectives.  This is an  evolving technology that may be transferrable to set‐top AT requirements.    (d)  Software  defined  radio  (SDR)  is  a  new  concept  in  wireless  communications that seeks to move system properties from the hardware layer to a  high‐level  software  layer  by  developing  hardware  modules  that  are  fully  software‐ controllable  and  configurable.    SDR  radios  are  gaining  wide  acceptance  in  many  applications, and it is a developing technology.  SDR “smart antenna” technology, which  may be applicable to the set‐top environment, consequently is a candidate technology  for a television AT.  2.5.1.1 Voltage Controlled Reactive Elements    (a)  BZN  (pryrochlore  bismuth  zinc  niobate)  is  a  non‐ferroelectric  dielectric  material that shows great promise for a new class of voltage tunable thin film capacitors  [1].    When  it  was  introduced  in  2006,  BZN  exhibited  the  lowest  loss  of  any  room  temperature complex oxide film with a very high dielectric constant and high tunability  of (loss tangent ~0.0005, dielectric constant ~180, ~55% tuning range @ 1 MHz).  Losses  increase  in  the  microwave  range,  but  are  controllable  by  modifying  the  electrode  structure.
  • 39. 39   Figure 1.  BZN capacitor high‐frequency measurements (reproduced from [1])    Measured data for different size BZN thin film capacitors at higher frequencies  appear in Figure 1.  For small devices (100 μm2 ) the Q‐factor exceeds 200 up to 20 GHz  (de‐embedded  data,  right  plot).    Through  about  3  GHz  Q  ~  1000.    In  addition,  self‐ resonance in the BZN thin film structure is well above 20 GHz. By comparison, the best  state‐of‐the‐art thin‐film BST (barium strontium titanate) devices in 2006 exhibited Qs  that decreased monotonically from about 100 at 1 GHz to around 20 at 20 GHz.  BZN is a  far superior tunable dielectric.  BZN and similar materials (see below) hold considerable  promise for the development of completely solid‐state ATs that can be used to tune set‐ top TV broadcast band antennas.    (b)  PZN (lead zinc niobate) thin film interdigital capacitors (IDC) have been  fabricated  to  increase  tunability  and  reduce  bias  voltage  compared  to  BZN  IDC  implementations.    Cubic  pyrochlore  PZN  thin  film  dielectrics  provide  superior  performance through the microwave range.  Figure 2 shows a typical configuration.  The  IDC  is  fabricated  on  a  silicon  substrate  in  the  usual  coplanar  waveguide  (CPW)  configuration.    Figure  3  plots  the  measured  low‐frequency  dielectric  constant  (blue)  which increases from just over 200 to about 230 at 10 MHz.  The tenability as a function  of applied bias voltage decreases from unity to about 0.75 with an applied electric field  of 2 mV/cm (bias voltage of 5.5 volts).  At 1 GHz the device Q falls to about 10 at all bias  voltages, but the tunability remains at 26% (compared to 25% at 1 MHz) for 5.5 volts  applied bias.  The PZN tunable capacitor thus is a strong candidate for voltage‐tunable
  • 40. 40 set‐top television antenna ATs, and its performance is comparable or better than that of  BZN devices.          Figure 2.  PZN IDC structure (reproduced from [2]).   Figure 3.  PZN IDC performance  (reproduced from [2]).  (c)  DuNE™ capacitors are a new patent‐pending technology developed by Peregrine  Semiconductor [3] for DTCs (Digitally Tunable Capacitors).  The manufacturing process is  based on Peregrine’s proprietary UltraCMOS™ technology supplemented by its HaRP™  design methodology.  UltraCMOS™ is a patented low‐power SOI (silicon on insulator)  variant  chip  architecture  that  reduces  transistor  capacitance  resulting  in  increased  switching speed.  HaRP™ is a design technology that produces significant improvements  in harmonic results, linearity and overall RF performance.    The company claims that its DTCs provide digitally controllable capacitances in  the range 0.5 to 10 pF with either 3:1 or 6:1 tuning ratios and 32 addressable states (5  bits).  Qs range from 40 to 80 between 1 and 2 GHz with device switching times below 5  μsec.    Power  handling  capability  is  quite  good  (+38  dBm  @  50  Ω),  while  power  consumption is low (100 μamps @ 2.4‐3.5 volts DC).  The manufacturer claims its DTCs  provide  better  performance  than  currently  available  MEMS  (microelectromechanical  system) or BST devices, and they are readily available as off‐the‐shelf components.    The  digitally  tuned  capacitor  schematic  diagram  and  its  “flip‐chip”  package  appear  in  Figure  4.    The  DTC  acts  as  a  series  capacitor  with  two  RF  terminals.    It  is  powered by a single DC line, and controlled by a three‐wire serial interface.  The control  word is five bits long.  The device is extremely small (1.26 mm x 0.81 mm) and thus well‐
  • 41. 41 suited  for  use  in  TV  set‐top  antennas.    Measured  performance  is  shown  in  Figure  5.   Capacitance variation is very linear with control state (32 increments), and the variation  ratio is 3:1, from 1.15  pF to 3.4 pF.  The DTC Q‐factor at 900 MHz, a representative  cellular frequency, varies from about 53 to about 72, which is quite good.    Figure 4.  Digitally Tuned Capacitor (reproduced from [4]).    Figure 5.  DTC measured performance (reproduced from [4]).    DTCs have been effectively applied in cellular phone ATs.  A typical configuration  is shown in Figure 6.  The transceiver, in this case a cellular handset, is connect to its  antenna through an AT comprising four main elements: (1) serial interface; (2) digital  mismatch  sensor;  (3)  tuning  algorithm;  and  (4)  DTC  core.    This  structure  is  representative of ATs based on other tuning technologies besides DTCs.  For example,  this same architecture would be used with MEMS‐based or tunable thin film capacitor  ATs.    Note  that  the  diagram  does  not  show  the  RF  path  between  the  antenna  and  transceiver, only the AT control data path.  The serial interface exchanges digital data  with  the  transceiver  on  the  AT  status.    The  mismatch  sensor  responds  to  reflected  power resulting from any impedance mismatch between the antenna and the system’s  characteristic  impedance.    Digital  mismatch  level  data  are  processed  by  the  tuning  algorithm  that  determines  which  DTCs  should  be  activated  and  at  what  capacitance  level.  Control words are sent to the DTCs in the matching network (DTC core) to effect  the impedance match between the antenna and transceiver.
  • 42. 42   Figure 6.  DTC‐based AT (reproduced from [4]).    (d)  Dual‐gap Tunable MEMS Capacitors are made using a novel fabrication process  that  creates  two  gap  device  that  has  an  extremely  wide  tuning  range  (as  much  as  a  factor of 15) with high Q [5].  Figure 1 shows the dual‐gap structure schematically and as  implemented using a “two hump” sacrificial layer which, when removed, creates two  MEMS  gaps  instead  of  one.    In  the  schematic,  the  two  moveable  electrodes  are  indicated by the double downward arrows.  As these suspended elements move closer  to the substrate electrodes the capacitance increases.  The structure is a MEMS device  designed for a linear capacitance variation with applied control voltage.    In the fabricated prototype, the central region (Ec) is 250μm x 80μm (LxW) with a  1.5μm fixed gap.  The two “beams” are 800μm long by 80μm wide creating a variable  gap because they are movable.  The “actuation area” patches (Ea) are 200μm long and  80 um wide with a gap of 4.5μm with the beams not deflected.  This structure produces  a  minimum  capacitance  of  0.12  pF  that  is  voltage  controllable  to  a  maximum  capacitance of 1.77 pF.  The resulting tuning range is  %1375 0 0max   C CC , which is quite  remarkable.  The required bias (“pull in”) voltage is less than 12 volts.  This device is not  commercially available, but it represents a class of tunable devices that should be very  useful  in  the  set‐top  AT  when  (and  if)  they  become  COTS  (commercial  off‐the‐shelf)  items.
  • 43. 43      Figure 7.  Dual‐gap tunable MEMS capacitor (reproduced from [5]).    (e)  MEMS  floating  dielectric  capacitors  (MFDCs)  are  a  recent  promising  development [6].  The movable dielectric is a new actuation principle in which a floating  movable  dielectric  is  electrostatically  maneuvered  to  vary  the  capacitance.    Figure  8  shows  the  new  concept  schematically.    A  mechanical  spring  returns  the  movable  dielectric to its undisturbed position when no force is applied by the electrostatic comb  drive.  When the dive is activated, the dielectric moves closer to the top and bottom  capacitor  plates  thereby  increasing  the  capacitance.    Preferentially  the  RF  path  is  through the plates, not through the dielectric and spring, which increases losses.    Figure 8.  MFDC concept (reproduced from [6]).    Figure  9  shows  schematic  RF  signal  path  superimposed  on  the  MFDC’s  actual  structure  as  fabricated.    In  the  left  pane  the  signal  flows  through  the  spring,  which  increases  the  capacitance  at  the  expense  of  increased  losses.    In  the  right  pane  the  signal flows between the top and bottom plates through the movable dielectric.  This  configuration results in lower losses, but lower capacitance as well.  Of course, either  configuration can be used, depending upon the specific application.
  • 44. 44   Figure 9.  MFDC as fabricated and measured data (reproduced from [6]).       Figure 10.  MFDC as fabricated and measured data (reproduced from [6]).    Figure 10 provides a scanning electron (SEM) microscope image of a fabricated  MFDC  (the  area  outlined  in  orange,  lower  pane)  and  measured  performance  data.   Comparing Figs. 9 and 10, the features in the schematic are readily identifiable in the  SEM photo.  The actuator pads are labeled D+ and D‐ in the photo, while the spring is  attached to pad C.  Pads A and B are the connections for their associated comb plates.
  • 45. 45 The applied bias voltage ranged from ‐120 VDC to +120VDC, resulting in capacitance  ranges of about 760 fF (femtoFarad) to 2100 fF for RF signals passing through the spring  element (pink curve).  The initial capacitance (no bias voltage) was 830 fF, leading to a tuning  range of approximately 170%.  The 1 GHz Q‐factor was 0.35, which is low by comparison to  other technologies.  When the RF path is through the movable dielectric (blue curve),  capacitance ranged from just over 100 fF to about 550 fF yielding a tuning range of  approximately 370% with an initial capacitance of 135 fF.  As expected, the reduced loss  resulting from routing the signal away from the spring results is a much better Q‐factor of 56 at  1 GHz.  Overall, this performance is not as good as that provided by other technologies, but  MFDCs are a new concept that requires further development.  The MFDC approach certainly  merits consideration as a potentially useful future technology for the set‐top AT.  (f)  The  voltage  controlled  semiconductor  inductor  (VCSI)  is  another  reactive  component that should be useful in set‐top ATs.  Inductor values are usually fixed, so  that  obtaining  specific  value  of  inductance  in  an  AT  is  usually  accomplished  by  mechanically switching small inductors in and out of the matching circuit using relays or  MEMS RF switches.  Recently disclosed VCSI devices [7] should be particularly useful at  broadcast TV frequencies.  The device addresses the problem of limited tuning range  provided by voltage tunable capacitors by varying the inductance instead.    Generally  is  comprises  regular  coil  turns  of  wire  interconnected  by  semiconductor  diodes  that  can  connect  individual  turn  to  create  a  VCSI.    Including  a  resistor and capacitor creates a complete tunable RLC circuit.  Figure 11 illustrates this  patented  technology.    The  left  pane  shows  a  perspective  view  of  the  device,  which  includes conductive loops (205) connected to a semiconductor bar comprising P‐ and N‐ type regions at each end (208 and 210, respectively) connected by a depletion region  (212).  Applying a voltage across terminals LA and LB varies the length of the depletion  region which acts as an insulator.  Because its size is proportional to the applied bias  voltage, individual coil turns are either connected or disconnected in proportion to the  voltage, thereby creating a voltage‐variable inductor.
  • 46. 46   Figure 11.  Voltage controlled semiconductor inductor (reproduced from [7]).    A helical‐turn implementation of the VCSI is shown in the right pane of Figure 11.   The  same  semiconductor  diode  structure  comprising  P‐  and  N‐type  end  regions  connected to a central depletion layer (DL) whose length is voltage‐variable.  The figure  provides a schematic representation of how the three regions’ lengths vary with bias  voltage compared to the “off” state shown in the left pane.  In the diagram, coil turns C  through F are electrically short‐circuited because they are outside the insulating DL.  In  this case, only turns A and B are active elements in the inductor.    The VCSI may become an important element in set‐top ATs because it provides a  complete RLC tuning in a single chip‐level device.  A bank of VCSIs, for example, could  comprise the switchable reactive elements in a set‐top AT that are completely voltage‐ controllable,  thereby  eliminating  the  need  for  mechanical  switching  relays.    VCSI  therefore is an attractive emerging technology that merits watching.  2.5.1.2 Fully Integrated ATs    In addition to the emerging component‐level technologies described in §1, fully  integrated ATs have been developed that also merit consideration for set‐top tuners.   This section examines developments in that area.  (a)  A  reconfigurable  RF‐MEMS‐based  matching  network  is  described  in  [8].    The  chip‐level device’s circuit diagram is shown in Figure 12.  It comprises two stages, the  first  of  which  is  a  Pi‐match  section  with  four  shunt  capacitor‐series  inductor  (CL)  sections.  A total of eight RF‐MEMS switches are employed yielding 28  impedances.  The  shunt capacitors are formed from bi‐valued MEMS varactors.  The variable capacitor in  series with each fixed inductor, also a MEMS varactor, has the effect of adjusting the  series inductance.  The second section is a phase‐shifter comprising a 3‐dB 90‐degree  coupler  connected  to  a  reflective  load.    MEMS  varactors  adjust  the  load  reflection
  • 47. 47 coefficient to control the overall phase shift.  A total of 23  phase rotations are possible in  the phase shifter, resulting in as much as 340 degrees of total phase shift that can be  applied to the impedances at the output of the Pi‐match.  The network is designed to  work at a 50 Ω impedance level.    Figure 12.  Reconfigurable RF‐MEMS‐based matching network circuit (reproduced from  [8]).    The  chip  layout  and  fabricated  device  are  shown  in  Figure  13  with  the  major  sections being labeled on the layout diagram.  The chip area is extremely small, only 40  mm2  (slightly larger than 3x12 mm).  The published report indicates that the chip has  been  fabricated  and  was  undergoing  testing,  but  no  actual  measured  data  were  reported.    Instead  simulated  performance  at  a  single  frequency  (620  MHz)  was  calculated  at  each  of  the  possible  2,048  impedance  combinations  and  plotted  on  a  Smith chart as shown in Figure 14.  The circles are impedance values computed for the  first stage alone, while the dots represent the show the performance of the complete  reconfigurable matching circuit.  The fairly uniform distribution of dots throughout the  Smith chart suggest that the matching circuit will effectively match an extremely wide  range of impedances to 50 Ω.  This technology is directly applicable to the set‐top AT  and  appears  to  be  on  the  verge  of  realization.    Future  published  results  for  reconfigurable RF‐MEMS‐based matching networks clearly bear watching.
  • 48. 48   Figure 13.  Reconfigurable RF‐MEMS‐based matching network layout & fabrication  (reproduced from [8]).    Figure 14.  Reconfigurable RF‐MEMS‐based matching network performance (reproduced  from [8]).  (b)  The AT using only RF signal amplitudes described in [9] may be useful for the set‐ top  application  because  it  specifically  addresses  the  issue  of  highly  variable,  unpredictable and uncontrollable environments.  This new technology was developed  for  mobile  applications  such  as  cellular  transceivers  because  their  fluctuating  environment  often  causes  VSWR  spikes  approaching  10:1  in  nominal  50  Ω  systems.   These fluctuations are frequently transient on time scales in the millisecond range.  The  new  AT  design  accommodates  this  environment,  and  it  may  be  useful  in  the  highly  variable TV set‐top antenna environment as well.
  • 49. 49   The  architecture  appears  in  Figure  15,  which  includes  schematic  Smith  chart  representations  of  the  impedance  at  various  points.    ATs  generally  comprise  an  impedance sensor, a tunable matching network, and control circuitry that changes the  network parameters in order to achieve an acceptable VSWR (usually relative to 50 Ω  with VSWR < 2‐3:1).  The general approach shown in Figure 15 therefore is applicable to  any matching network.  The new matching concept involves a two‐step process: (1) the  reactance is essentially tuned out using a series or shunt reactance; and (2) a tunable  “transformer”  changes  the  remaining  resistive  component  to  the  desired  value  of  impedance.      Figure 15.  New AT architecture for fluctuating environment (reproduced from [9]).      In  the  new  AT,  the  antenna  impedance  sensor  makes  a  quasi‐DC  log‐peak  measurement of the RF signal amplitude at three points in the signal chain (V1, V2, V3 in  Figure 16).  Details of the log‐peak detector circuit are shown in Figure 17.  These data  combined with the known transfer functions of the reactive elements (jXext) permit a  calculation  of  the  impedance’s  imaginary  part.    The  real  part  of  the  impedance  is  determined from the signal level VΔR and an offset voltage that brings this level to a  target  value  corresponding  to  1:1  VSWR.    The  tunable  transformer  comprises  a  T‐ network lumped transmission line made of two adjustable inductors and an adjustable  capacitor.  Any appropriate device can be used to implement these elements.
  • 50. 50   Figure 16.  AT functional block diagram (reproduced from [9]).      Two demonstration versions of this new AT design was built and tested at  900 MHz.  Measurements confirmed that they could reliably and quickly automatically  tune  antennas  with   ]1588.15[]5005[ jZin   (10:1  VSWR).    Although  the  sizes  were  not  reported,  these  demonstration  units  were  intended  for  use  in  cellular  handsets, so that the size is certainly consistent with use in a set‐top television AT.    Figure 17.  Details of log‐peak detector circuit in Figure 16 (reproduced from [9]).  2.5.1.3 On‐Chip Tracking Filters    While tracking filters are not AT’s, their technology likely is applicable to antenna  tuners ATs, and consequently should be monitored for application in set‐top devices.   This section describes three different types of tracking filter.    A  device  developed  specifically  for  DTV  tuners  is  described  in  [10].  A  new  architecture is proposed that includes two separate filters, a harmonic rejection tracking  filter (HRTF) and an RF tracking filter (RFTF) that are controlled by complementary digital  switches.  The new architecture is shown in Figure 18.  The entire device is fabricated as  a single integrated circuit (IC) chip.  The filter stage is shown in blue located between the  low noise amplifier (LNA) connected to the antenna and the DTV tuner.
  • 51. 51   Unlike narrowband RF receivers, wideband DTV tuners are prone to interference  from local oscillator odd harmonics mixing with signals at the lower television channels  (48‐287 MHz).  This problem is addressed by the HRTF that provides a high‐order band‐ pass tracking filter with 3rd ‐order harmonic rejection greater than 60 dB.  On the UHF  television channels the RFTF tunes 287‐860 MHz with narrow band response (20 MHz at  ‐3  dB).    This  stage  is  implemented  using  a  cascade  of  tunable  2nd ‐order  bandpass  tracking filters.    Computer simulation of the new architecture’s performance predict 48‐860 MHz  operation  with  tunable  adjustable  bandwidth  of  8‐20  MHz,  5‐15  dB  N+2  channel  rejection (16 MHz offset), and 3rd ‐order harmonic rejection of 60 dB from the HRTF.  The  RFTF stage provides 4.2 dB of N+2 channel rejection above 287 MHz.  This device can be  fabricated  on‐chip  using  0.13  μm  CMOS  technology  with  1.2  VDC  supply  voltage  and  19.8 mA current draw (total of 24 mW power consumption).    Figure 18.  New DTV tracking filter architecture (reproduced from [10]).    Another  potentially  important  emerging  filter  technology  is  the  use  of  low‐ temperature co‐fired ceramic (LTCC) technology to fabricate fully integrated multi‐layer  tunable filters for RF and microwave use.  A typical device is shown in Figure 18.  Passive
  • 52. 52   Figure 18.  LTCC filter structure (reproduced from [11]).  Elements (resistors, inductors, capacitors) are integrated on the surface or embedded in  a  multilayer  substrate.    Various  configurations  have  been  demonstrated,  including  bandpass filters (380 MHz‐2.4 GHz), 3‐stage Butterworth bandpass filters (1.2 GHz), and  an electronically tunable microstrip combline filter.  These prototype devices point to  LTCC  technology’s  utility  for  RF  and  microwave  applications.    At  this  point  the  new  multilayer  architecture  proposed  in  [11]  that  involves  switching  between  layers  for  tuning is being computer‐modeled, but working devices based on that approach have  not been fabricated.  LTCC technology may be very attractive in the television frequency  range  because  of  its  potential  for  very  high  levels  of  integration  resulting  from  the  multilayer design.    A  third  example  of  an  on‐chip  tracking  filter  is  provided  by  [12].    A  complete  tunable structure was fabricated and tested.  This chip occupied an area of only 2.8 mm2   (fabricated with 0.18 μm CMOS) requiring 34‐120 mA at 1.8 VDC.  A photomicrograph of  the chip appears in Figure 19, and its architecture in Figure 20.  The device comprises  cascaded RLC sections as shown in Figure 20, each containing a digitally programmable  on‐chip capacitor and resistor, and an off‐chip fixed inductor.  The resistor is adjusted  with 8‐bit resolution, while the capacitor uses a 10‐bit control signal.
  • 53. 53   Figure 19.  Tunable LC‐Tracking filter as fabricated (reproduced from [12]).    Figure 20.  Tunable LC‐Tracking filter architecture (reproduced from [12]).    Figure 21 shows the tracking filter’s measured performance data from 125 MHz  to 1.06 GHz.  Its response in the 5.6 MHz passband is very flat with a ripple less than 0.2  dB.  The noise figure in this device appears to be somewhat high (16.8‐19.5 dB), but the  third‐order  intercept  points  are  good  (~128/167  dBμV,  in/out  of  band).    Frequency  selectivity  is  good  at  >  36  dB,  and  the  power  consumption  quite  low  (<~0.2  W  maximum).  This example shows that very effective single‐chip RF tracking filters with  minimal  off‐chip  components  (in  this  case  two  inductors)  can  be  designed  and  fabricated for set‐top use using currently available technologies.
  • 54. 54   Figure 21.  Measured performance of tunable LC‐Tracking filter (reproduced from [12]).    2.5.1.4 Software Defined Radios    A  software  defined  radio  (SDR)  is  an  element  of  a  wireless  communication  network whose operational modes and parameters can be changed or augmented post‐ manufacture  via  software.    The  essential  idea  is  that  a  flexible  hardware  layer  exists  whose  function  can  be  controlled  and  modified  entirely  by  a  computer  program,  as  opposed to requiring hardware modifications of any kind.  The SDR concept spans many  radio  network  technologies  including  cellular  systems,  personal  communications  services  (PCS),  3rd   and  4th   generation  wireless  (3G  and  4G),  mobile  data,  emergency  services, paging, messaging, and military/government communications, and any future  modifications  to  these  existing  services  or  entirely  new  ones.    The  FCC  (Federal  Communications Commission) definition is more restrictive in that it applies only to the  transmitter side of an SDR.  But, as a practical matter, the SDR concept applies to any  wireless  device  whose  characteristics  are  software‐controllable,  whether  it  be  the  transmitter, receiver, both, or some other element such as a modem.    SDR  technology  is  relevant  to  the  television  set‐top  AT  because  there  is  a  developing standard that specifically addresses the issue of “smart antennas” (SAs) in  the context of SDR.  This type of antenna and its associated AT may be useful for the set‐ top application and consequently should be monitored as an emerging technology.  The  high‐level SDR smart antenna architecture appears in Figure 22.  The hardware layer  comprises  M  transmit  antennas  and  N  receive  antennas  because  SDR  in  general  supports  two‐way  communication  (in  the  step‐top  TV  receive  application,  of  course,  there are no transmit antennas).  Each antenna is has a separate RF/IF processing chain  with the smart antenna signal processing (“waveform application”) being applied to the
  • 55. 55 baseband signal.  Device drivers in the middleware layer control various programmable  hardware  devices,  such  as  ASSPs  (application‐specific  standard  processors),  FPGAs  (field‐programmable  gate  arrays),  DSPs  (digital  signal  processors),  and  GPPs  (general  purpose processors).    Figure 22.  SDR smart antenna high‐level architecture (reproduced from [13]).    Figure  23  illustrates  a  typical  deployment  of  an  SA  API  (application  program  interface).  The SA control device (for example, an antenna tuner, tracking filter, MEMS‐ based controller, fluidic element controller, and so on) is operated by a GPP controlled  by a CORBA interface (common object request broker architecture).  The high‐level SA  algorithm controls appropriate CORBA‐compatible drivers for DSP baseband processing,  antenna  control,  and  other  functions  such  as  synchronization  and  other  SDR  devices  that may be controlled by the SA algorithm.  The basic concept in this structure is that  any  hardware  module  involved  in  controlling  the  SA  or  processing  its  signal  is  controllable by the API with variable parameters.    Figure 23.  SDR Smart Antenna API deployment (reproduced from [13]).

Related Documents