Swarm Intelligence-Homotopy Hybrid Optimization-Based ANN Model for Tunable Bandpass Filter
Notice bibliographique
Résumé
High-performance tunable radio frequency (RF)/ microwave and millimeter-wave filter design is a challenging task due to the lack of a basic theory. The filtering characteristics are highly sensitive to the variation of tuning elements that are commonly modeled and achieved by optimization algorithms. However, those optimizations only provide satisfactory results with a good set of initial parameters. Such range-limited optimization algorithms generally have issues of falling into local optima, slow convergence, and cumbersome implementation. To mitigate this problem, for the first time, a topology-based local optimizer is integrated with metaheuristic global optimization algorithms in this work. We have hybridized the homotopy method with an improved whale optimization algorithm (WOA) and a gray wolf optimization (GWO) algorithm. In this work, an artificial neural network (ANN) is formulated and studied, which has twofold applications. First, ANN is used as a surrogate model to represent the time-consuming electromagnetic (EM) model in expediting the hybrid optimization process of tunable filters. Second, an ANN model is developed on data generated by the proposed optimization algorithm for predicting tunable circuit parameters at different tuning stages. The proposed ANN model-based algorithm is then applied to a fifth-order lumped-element tunable circuit and two fourth-order full-wave EM simulation models of two tunable bandpass filters (tBPFs). The calculated results out of the ANN model demonstrate a good agreement with simulation and measurement counterparts.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».