.png){kind=icon}
返回
Transfer Learning for Accelerating Microwave Filter Design
.png){kind=icon}
PRE
AI
DOI：10.1109/NEMO59437.2024.11395790.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过卷积神经网络（CNN）模型的迁移学习，提出了一种微波滤波器设计的创新方法。该方法从大型粗略数据集的训练开始，逐步过渡到详细精细数据集，以提升设计参数（DP）值，优化微波滤波器设计。通过将该方法应用于5极发夹型微带滤波器，验证了其有效性，突显了CNN模型在适应性和高效提取关键参数方面的能力。该研究方法能快速、准确地提供适用于不同中心频率和百分比带宽规格的同一滤波器结构的设计参数值，同时展示了显著的计算节省潜力。这一方法在可调滤波器的发展中取得了显著进展，有效地将速度与精度相结合，应用于实际场景。
Keyword:
Bandpass filter
convolutional neural network
machine learning
microwave filters
optimization
space mapping
期刊
机构
引用论文
A Novel Deep Neural Network Topology for Parametric Modeling of Passive Microwave Components一种用于无源微波元件参数化建模的新型深度神经网络拓扑.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
没有更多内容
没有更多内容