Parallel Decomposition Approach to Wide-Range Parametric Modeling With Applications to Microwave Filters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article proposes a novel decomposition technique to address the challenges of electromagnetic (EM) parametric modeling, where the values of geometrical parameters change in a large range. In this method, a systematic and automated algorithm based on second-order derivative information is proposed to decompose the overall geometrical range into a set of subranges. Using the proposed technique, a smooth region is decomposed into a few large subregions, while a highly nonlinear region is decomposed into many small subregions. The proposed technique provides an efficient mathematical methodology to perform the decomposition in a systematic and automated process. An artificial neural network (ANN) model with a simple structure, hereby referred to as a submodel, is developed with geometrical parameters as variables in each subregion. When the values of geometrical parameters change from the region of one submodel to another submodel, the discontinuity of the EM responses is observed at the boundary between the adjacent submodels. There are many submodel boundaries in the overall model resulting in the complex multidimensional discontinuity problem. A submodel modification process is proposed to solve this multidimensional discontinuity problem to obtain a continuous model over the entire region. Parallel data generation, parallel submodel training, and parallel submodel modification are proposed to speed up the modeling development process. Compared with standard modeling methods using a single model to cover the entire wide geometrical range, the proposed method can obtain better model accuracy with short model-development time. Two microwave filter examples are used to illustrate the validity of the proposed 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.
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 | 0,001 |
| 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 découle