Compact MOR-Based Neuro-TF Parametric Modeling Incorporating In-Band Approximation and Out-of-Band Conversion Technique
Notice bibliographique
Résumé
This article proposes a compact model order reduction (MOR)-based neuro-transfer function (neuro-TF) parametric modeling method incorporating in-band approximation and out-of-band conversion techniques for passive microwave components. This method uses complex exponent-pole–zero TF to represent the EM response of microwave devices. The TF based on pole-zero gain format from MOR is used to represent the EM response at first. Then, the poles/zeros are classified to divide the TF into the in-band pole-zero function and the out-of-band complex exponential function. The frequency linear approximation (FLA) is used to guide the classification of poles/zeros and the sorting of in-band poles/zeros. The conversion of complex exponential functions is used to solve the mismatch and nonlinear issue of out-of-band poles and zeros. This method avoids the complex mismatch issue of all poles and zeros. Neural networks are employed to capture the relationship between geometrical parameters and the coefficients of complex exponential functions, poles, and zeros. In comparison to traditional MOR-based neuro-TF parametric modeling techniques, the proposed approach demonstrates superior accuracy and robustness, particularly when dealing with substantial variations in geometrical parameters. The effectiveness of this method is confirmed through three examples involving microwave filters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».