Automated time domain modeling of linear and nonlinear microwave circuits using recurrent neural networks
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
In this article, a recurrent neural network (RNN) method is employed for dynamic time-domain modeling of both linear and nonlinear microwave circuits. An automated RNN modeling technique is proposed to efficiently determine the training waveform distribution and internal RNN structure during the offline training process. This technique extends a recent automatic model generation (AMG) algorithm from frequency-domain model generation to dynamic time-domain model generation. Two types of applications of the algorithm are presented, transient electromagnetic (EM) behavior modeling of microwave structures, and time-domain envelope modeling of power amplifiers (PA). For transient EM modeling, we consider EM structures with varying material and geometrical parameters. AMG automatically varies the EM structural parameters during training and drives time-domain EM simulators to generate necessary amount of data for RNN to learn. AMG aims to model the transient behavior with minimum RNN order while satisfying accuracy requirements. In modeling PA behavior, an envelope formulation is used to specifically learn the AM/AM and AM/PM distortions due to third-generation (3G) digital modulation input. The RNN PA model is able to model these time domain distortions after training and can accurately model the amplifier behavior in both time (AM/AM, AM/PM) and frequency (spectral re-growth). © 2008 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2008.
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 | 0,000 |
| 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 découle