Exploring the Potential of Deep-Learning and Machine-Learning in Dual-Band Antenna Design
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 in-depth exploration of machine learning (ML) and deep learning (DL) for the optimization and design of dual-band antennas in Internet of Things (IoT) applications. Dual-band antennas, which are essential for the functionality of current and forthcoming flexible wireless communication systems, face increasing complexity and design challenges as demands and requirements for IoT-connected devices become more challenging. The study demonstrates how artificial intelligence (AI) can streamline the antenna design process, enabling customization for specific frequency ranges or performance characteristics without exhaustive manual tuning. By utilizing ML and DL tools, this research not only enhances the efficiency of the design process but also achieves optimal antenna performance with significant time savings. The integration of AI in antenna design marks a notable advancement over traditional methods, offering a systematic approach to achieving dual-band functionality tailored to modern communication needs. We approached the antenna design as a regression problem, using the reflection coefficient, operating frequency, bandwidth, and voltage standing wave ratio as input parameters. The ML and DL models then are used to predict the corresponding design parameters for the antenna by using 1,000 samples, from which 700 are allocated for training and 300 for testing. This effectiveness of this approach is demonstrated through the successful application of various ML techniques, including Fine Gaussian Support Vector Machines (SVM), as well as Regressor and Residual Neural Networks (ResNet) with different activation functions, to optimize the design of a dual-band T-shaped monopole antenna, thereby substantiating AI's transformative potential in antenna design.
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 | 0,001 |
| 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