Advanced Space Mapping and Artificial Neural Network-Based Techniques for Microwave Device Modeling
Notice bibliographique
Résumé
Microwave device modeling is an important topic in microwave area.This thesis focuses on developing advanced space mapping and articial neural network (ANN)based techniques for challenging microwave device modeling, addressing both microwave active and passive component modelings.Specically, this thesis develops an advanced space mapping-based technique in combination with knowledge-based neural network (KBNN) for modeling gallium nitride (GaN) high-electron-mobility transistor (HEMT) devices.This thesis also develops advanced ANN-based transfer function mapping techniques for parametric modeling of microwave passive components.GaN HEMTs are important for next-generation wireless communication systems and microwave power device applications.However, GaN HEMT model development can be time-consuming as the devices exhibit strong trapping eects, which often require very sophisticated model.As a consequence, a fast modeling approach for GaN HEMT devices with trapping eects is of signicance for high-reliability microwave circuit design.In the rst part of this thesis, we propose a novel space mapping modeling technique for GaN HEMTs with trapping eects.The proposed space mapping technique develops separate mappings for dierent branches inside the existing device model, such that dierent behaviors (i.e., trapping eects and frequency dispersion) in GaN HEMTs can be mapped separately.Through supervised learning methods, each mapping module is systematically developed to overcome the gap between each internal branch and each set of target data, accelerating the process of model development.The KBNN model is proposed for characterizing drain i My deepest appreciation goes to my supervisor, Prof. Q.J. Zhang for his constant support, profound expertise, and technical discussions during the course of my research work.This thesis would not have been possible without his professional guidance, unwavering enthusiasm, innovative insights, great encouragement, and unfailing patience.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».