Multiphysics Parametric Modeling of Microwave Components Using Combined Neural Networks and Transfer Function
Notice bibliographique
Résumé
This paper proposes a new technique to develop an accurate multiphysics parametric model for microwave components to speed up the multiphysics modeling process. In the proposed technique, the artificial neural networks (ANNs) and pole/residue based transfer function are incorporated to represent the highly non-linear relationships between electromagnetic centric (EM-centric) multiphysics behaviors and multiphysics geometrical/non-geometrical design parameters. Vector fitting technique is utilized to obtain the poles/residues of the transfer function for each multiphysics sample. Since the relationship between multiphysics design parameters and the pole/residues of the transfer function is non-linear and unknown, two mapping functions are proposed to establish the mathematical links between the multiphysics design parameters and poles/residues. Parallel multiphysics data generation is proposed to generate the training and testing data for establishing the proposed multiphysics parametric model. A two stage training algorithm is proposed to guide the multiphysics training process. Once an accurate overall model is developed, it can be used to provide accurate and fast prediction of the multiphysics behavior of microwave components with geometrical and non-geometrical parameters as variables, and further can be used in the high level design. Compared with the existing multiphysics modeling methods, the proposed technique can achieve better model accuracy with high efficiency. The proposed technique provides an accurate and efficient methodology even when the coarse model or empirical model is unavailable. Two microwave examples are used to illustrate the validity of the proposed multiphysics parametric modeling technique.
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 | 0,000 |
| 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 ».