Artificial Neural Networks for Microwave Computer-Aided Design: The State of the Art
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 presents an overview of artificial neural network (ANN) techniques for a microwave computer-aided design (CAD). ANN-based techniques are becoming useful for performing forward/inverse modeling for active/passive components to enhance a circuit design. With measured or simulated data of microwave devices, ANNs can be trained to learn relevant microwave relationships, which are, otherwise, computationally expensive or for which efficient analytical formulas are not available. Fundamental concepts of the ANN structure and training, such as feedforward neural networks (FFNNs), recurrent neural networks (RNNs)/dynamic neural networks (DNNs)/time-delay neural networks (TDNNs), deep neural networks, and neural network training and extrapolation, are described. Knowledge-based neural networks (KBNNs) are described for improving the accuracy and reliability of modeling and design optimization. Various advanced ANN techniques, such as neuro-transfer function (neuro-TF) modeling, neural network inverse modeling, and deep neural network modeling, are discussed. The existing and emerging applications of ANN in microwave CAD are identified, such as electromagnetic (EM)/multiphysics modeling, modeling of nonlinear circuits and transistors, filter design, very large-scale integration (VLSI) interconnects, oscillator, transmitter and receiver modeling, and CAD applications in such as gallium nitride (GaN) high electron-mobility transistor (HEMT), wireless power transfer (WPT), microelectromechanical system (MEMS), and substrate-integrated waveguide (SIW).
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 | 0,001 | 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