SLL Reduction in Linear Antenna Arrays by Genetic Algorithm, Flower Pollination Algorithm, and Grey Wolf Optimization with Iteration and Population Parameters
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
The combination of antenna arrays with optimization algorithms aims to minimize SLL, Linear antenna arrays are an extensively used electromagnetic system in modern wireless communication.The improvement algorithms are the genetic algorithm GA, the flower pollination algorithm FPA, and the grey wolf optimization GWO.This has been implemented to reduce SLL and communicate the signal to the right place and the highest efficiency with the greatest amount of energy and by reaching the best solution.antenna arrays engineering was arranged in linearity and implemented in different numbers of elements, i.e.8,16,32,64,128, and 256 elements, Each algorithm has criteria that affect the reduction of SLL, In GA when considering the influential parameters represented by iteration, population size, and max stall iteration, the best effect is iteration where SLL is reduced to -32.9523dB and at 16-element at iteration 50.FPA has many influential parameters representing iteration, population size, probability, and flower attraction rate.The best of these effects is iteration.SLL reduced to -35.0696dB at iteration 300 and at 64element.In GWO the influential parameters are iteration and population size the best effect, it was concluded, is iteration as well, which has reduced SLL to -32.8479dB at 8-element in iteration 140.
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 | 0,001 |
| 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