Notice bibliographique
Résumé
A powerful concept in neuromodeling of microwave circuits based on Space Mapping technology is described. The ability of Artificial Neural Networks (ANN) to model high-dimensional and highly nonlinear problems is exploited in the implementation of the Space Mapping concept. By taking advantage of the vast set of empirical models already available for many microwave structures, Space Mapping based neuromodels decrease the number of EM simulations for training, improve the generalization and extrapolation performance and reduce the complexity of the ANN topology with respect to the conventional neuromodeling approach. Five innovative techniques are proposed to create Space Mapping based neuromodels for microwave circuits: Space Mapped Neuromodeling (SMN), Frequency-Dependent Space Mapped Neuromodeling (FDSMN), Frequency Space Mapped Neuromodeling (FSMN), Frequency Mapped Neuromodeling (FMN) and Frequency Partial-Space Mapped Neuromodeling (FPSM). Excepting SMN, all these approaches establish a frequency-sensitive neuromapping to expand the frequency region of accuracy of the empirical models already available for microwave components that were developed using quasi-static analysis. We contrast our approach with the conventional neuromodeling approach employed in the microwave arena, as well as with other state-ofthe-art neuromodeling techniques. We use Huber optimization to efficiently train the simple ANN that implements the mapping in our SM-based neuromodels. The five space mapping based neuromodeling techniques are illustrated by two case studies: a microstrip right angle bend and a hightemperature superconducting (HTS) quarter-wave parallel coupled-line microstrip filter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».