Parametric Modeling of EM Behavior of Microwave Components Using Combined Neural Networks and Hybrid-Based Transfer Functions
Notice bibliographique
Résumé
Neuro-transfer function (neuro-TF) approaches have become more and more popular in parametric modeling for electromagnetic (EM) behavior of microwave components. Existing pole-residue-based neuro-TF approach has better capability of dealing with high-order problem than the rational-based neuro-TF approach, but has the discontinuity issue and the associated non-smoothness issue of the poles/residues when the geometrical variations become large while the rational-based neuro-TF approach does not have. This paper addresses this situation and presents a novel hybrid-based neuro-TF technique which systematically combines both pole-residue and rational formats of the transfer functions. Starting with the pole-residue-based transfer functions, we propose a novel technique to automatically identify the poles/residues that are smooth-continuous and the poles/residues that have the discontinuity and non-smoothness issues. The proposed technique converts the poles/residues that have those issues into the coefficients of the rational-based transfer function to solve the discontinuity and non-smoothness issues in the existing pole-residue-based neuro-TF approach. The proposed technique remains the smooth-continuous poles/residues in the pole-residue format of the transfer function to maintain the capability of handling high-order problem. Compared with the existing neuro-TF modeling methods, the proposed technique can obtain better accuracy in challenging applications of large geometrical variations and high order. The proposed technique is illustrated by two examples of parametric modeling of microwave components.
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) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».