Surrogate-Assisted Multistate Tuning-Driven EM Optimization for Microwave Tunable Filter
Notice bibliographique
Résumé
This article proposes a novel surrogate-assisted multistate tuning-driven electromagnetic (EM) optimization technique to address the challenges of microwave tunable filter design with multiple tuning states. The desired multiple tuning states are satisfied simultaneously using the proposed surrogate-assisted technique. The proposed surrogate model is composed of several subsurrogate models. Each subsurrogate model is developed to perform the optimization for each tuning state. The subsurrogate models share the same values of nontunable parameters and possess different values of tunable parameters. The overall surrogate model is developed to find a single set of optimal solutions for nontunable parameters and multiple sets of optimal solutions for tuning parameters simultaneously. Parallel computation scheme is exploited to generate the training samples for establishing the proposed surrogate model. Furthermore, a new trust-region updating formulation specifically for multistate tuning is proposed to improve the convergence of the proposed optimization algorithm. Using the proposed optimization technique, different tuning states are considered together and optimized simultaneously. The values of nontunable design parameters are constrained by all tuning states and consequently there is a higher chance that more suitable solutions can be found to satisfy all the desired tuning states simultaneously. The proposed technique for the tunable filter design with multiple tuning states has a better capability of avoiding local minima and can reach the optimal solution more effectively in comparison with the existing optimization method. Two microwave examples are used to validate 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.
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 ».