Dual-Band SIW Antenna for mm-Wave IoT Applications with ML-Based Frequency Resonance Prediction
Notice bibliographique
Résumé
For fifth-generation (5G) wireless communication applications, an innovative design featuring a substrate-integrated waveguide (SIW) cavity, coupled with a machine learning (ML) optimized elliptical slot antenna, has been introduced. The configuration operates efficiently in the millimeter-wave (mmWave) spectrum, supporting dual-band functionality to meet the high-performance requirements of next-generation communication systems. The antenna features compact dimensions of 25×30×0.13mm3relative to the dual-band operation. It achieves an impressive maximum directivity of 10.8 dBi and a peak efficiency of 91%, while, without an elliptical slot, the peak efficiency is 86%, making it highly effective for advanced wireless communication applications. The resonance frequency, fr, of the antenna is predicted using various supervised regression ML techniques. Multiple regression models are assessed using a range of metrics, including the mean absolute error (MAE), mean squared error (MSE), root mean squared error (RMSE), and accuracy (R2). Various regression models, including Random Forest Regressor (RFR), K-Neighbors Regressor (K-NR), Extreme Gradient Boosting (XGBoost), and Decision Tree Regressor (DTR), achieve an accuracy of approximately 95%. Lastly, the SIW antenna is well-suited for the Internet of Things (IoT), which uses 5G, according to CST and HFSS modeling findings and projected ML results.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».