A Novel Neuro-TF Modeling Technique Incorporating Parametric Sanathanan–Koerner Iteration of Continuous Pole/Residue Extraction
Notice bibliographique
Résumé
This article proposes a novel neurotransfer function (neuro-TF) modeling technique incorporating parametric Sanathanan–Koerner iteration (S–K) of continuous pole/residue extraction for electromagnetic (EM) parametric modeling of microwave components. For the first time, parametric S–K iteration is applied to extract the coefficients of the transfer function instead of vector fitting for neuro-TF modeling. In the process, S–K iteration is introduced to construct and derive the novel and systematic formulation for continuous pole/residue extractions with respect to geometrical parameter variations. Since the coefficients follow the geometrical basic function within our limits, they can remain smooth when being extracted. Due to the robustness issue for the neuro-TF modeling, those extracted coefficients need to be converted to poles and residues. The continuity of poles/residues in the conversion process is rigorously proven. Compared with the existing quadratic approximation vector fitting method of poles/residues extraction and standard vector fitting method, the parametric S–K iteration can provide better coefficient continuity and smoothness with strong robustness. The developed models using the proposed method can achieve better modeling accuracy in a larger range of geometrical parameters. Three microwave filters are employed as examples to verify the effectiveness of 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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».