.png){kind=icon}
返回
Machine Learning-Driven Space Mapping for Microwave Filter Parameter Extraction With Small Datasets
.png){kind=icon}
OA
AI
DOI：10.1109/jmw.2026.3681924.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间映射是一种强大的优化技术，通过利用代理模型来减少计算工作量。然而，在空间映射框架内进行参数提取可能仍然计算量很大，尤其是在粗模型级别的复杂结构中。本研究提出了一种基于卷积神经网络的方法进行参数提取，该方法无缝集成到空间映射工作流程中。我们采用敏感性分析来识别对优化结果影响最大的参数，从而能够构建紧凑且信息丰富的训练数据集。所得模型能够很好地适应生成数据所代表的频率范围，并在有无交叉耦合的微带滤波器设计中得到验证。与传统电路级优化相比，所提出的方法可显著节省时间：对于单个设计，时间减少2.0至2.7倍；对于多个设计，时间减少8.0至10.7倍。这些结果表明，基于学习的参数提取可以缓解空间映射中的关键瓶颈，为更快、更具扩展性的微波滤波器设计铺平道路，同时保持粗模型和细模型级别的准确性。
Keyword:
Artificial intelligence
bandpass filter
convolutional neural network
machine learning
microwave filters
parameter extraction
space mapping
