Multivalued Neural Network Inverse Modeling and Applications to Microwave Filters
Notice bibliographique
Résumé
This paper presents a new technique for artificial neural network (ANN) inverse modeling and applications to microwave filters. In inverse modeling of a microwave component, the inputs to the model are electrical parameters such as S-parameters, and the outputs of the model are geometrical or physical parameters. Since the analytical formula of the inverse input-output relationship does not exist, the ANN becomes a logical choice, because it can be trained to learn from the data in inverse modeling. The main challenge of inverse modeling is the nonuniqueness problem. This problem in the ANN inverse modeling is that different training samples with the same or very similar input values have quite different (contradictory) output values (multivalued solutions). In this paper, we propose a multivalued neural network inverse modeling technique to associate a single set of electrical parameters with multiple sets of geometrical or physical parameters. One set of geometrical or physical parameters is called one value of our proposed inverse model. Our proposed multivalued neural network is structured to accommodate multiple values for the model output. We also propose a new training error function to focus on matching each training sample using only one value of our proposed inverse model, while other values are free and can be trained to match other contradictory samples. In this way, our proposed multivalued neural network can learn all the training data by automatically redirecting contradictory information into different values of the proposed inverse model. Therefore, our proposed technique can solve the nonuniqueness problem in a simpler and more automated way compared with the existing ANN inverse modeling techniques. This technique is illustrated by inverse modeling and parameter extraction of four microwave filter examples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».