Electromagnetic Parametric Modeling Using Combined Neural Networks and RLGC-Based Eigenfunctions for Two-Port Microstrip Structures
Notice bibliographique
Résumé
This article proposes a novel electromagnetic (EM) parametric modeling technique using combined neural networks and resistance, inductance, conductance, and capacitance (RLGC)-based eigenfunctions (neuro-EF) for microwave components with two-port microstrip structures. In the proposed technique, neural networks are used to learn the unknown relationship between the parameters of RLGC of the eigenfunction and geometrical parameters. The generation of training data depends on obtaining the correct eigenvalues of different modes. However, for different geometrical parameter samples, there is no uniform correspondence between the calculated eigenvalues and the modes. The incorrect correspondence may cause the two modes to be swapped, defined as the mode-swap issue. We propose a mode-matching method based on eigenvectors to solve this mode-swap issue. After the training data of eigenfunction parameters is obtained, a preliminary training of the neural networks and a two-step refinement training of the neuro-EF model are proposed to develop the overall EM parametric model. By the proposed modeling technique, the trained model can provide a fast and accurate prediction of EM responses for two-port microstrip structures as geometrical parameters change. For the parametric modeling of microwave components with microstrip structures, the proposed technique can obtain better accuracy in larger geometrical variations compared with the existing methods. Two examples of microstrip structures are used to illustrate 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 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 | 0,000 | 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) | 0,001 | 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 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 ».