Novel Decomposition Technique on Rational-Based Neuro-Transfer Function for Modeling of Microwave Components
Notice bibliographique
Résumé
The rational-based neuro-transfer function (neuro-TF) method is a popular method for parametric modeling of electromagnetic (EM) behavior of microwave components. However, when the order in the neuro-TF becomes high, the sensitivities of the model response with respect to the coefficients of the transfer function become high. Due to this high-sensitivity issue, small training errors in the coefficients of the transfer function will result in large errors in the model output, leading to the difficulty in training of the neuro-TF model. This paper proposes a new decomposition technique to address this high-sensitivity issue. In the proposed technique, we decompose the original neuro-TF model with high order of transfer function into multiple sub-neuro-TF models with much lower order of transfer function. We then reformulate the overall model as the combination of the sub-neuro-TF models. New formulations are derived to determine the number of sub-models and the order of transfer function for each sub-model. Using the proposed decomposition technique, we can decrease the sensitivities of the overall model response with respect to the coefficients of the transfer function in each sub-model. Therefore, the modeling approach using the proposed decomposition technique can increase the modeling accuracy. Two EM parametric modeling examples are used to demonstrate the proposed decomposition 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 ».