概括
本研究引入了一种系统的极零分类方法,以提高电磁波器的神经传递函数 (neuro-TF) 建模精度. 新方法确保了连续,更顺的数据,克服了现有方法的问题.
科学领域:
- 电磁学 电磁学 电磁学 电磁学
- 计算方法 计算方法
- 信号处理 信号处理
背景情况:
- 神经传递函数 (neuro-TF) 非常受欢迎,用于电磁 (EM) 波器响应的参数建模.
- 用于提取极零数据的矢量拟合方法可能会导致几何参数变化的不连续性,阻碍神经TF的准确性.
- 现有的神经-TF方法因数据点小而难以处理正负值的混乱.
研究的目的:
- 为神经TF参数建模提出一种新的系统极-零排序方法.
- 为了解决极点零数据提取中的不连续性问题,以提高神经TF的准确性.
- 在电磁过器设计中提高神经TF模型的建模精度和稳定性.
主要方法:
- 专门为神经TF参数建模开发了一个系统的极点零分类算法.
- 确保了连续和更顺的极点-零数据转换与几何参数变化.
- 实施了分类方法来管理和纠正数据中的正值和负值中出现的障碍.
主要成果:
- 拟议的方法产生连续的极点零数据,与几何参数相比,表现出更平稳的变化.
- 与缺乏系统分类的现有神经TF方法相比,显著提高了建模准确性.
- 成功解决了与提取数据中正值和负值的失序相关的问题.
结论:
- 新的系统极零分类方法大大提高了EM过器神经TF参数建模的准确性.
- 这种方法克服了现有方法的局限性,通过提供连续和稳定的极点零数据.
- 拟议的技术为建立和训练神经TF模型提供了更强大,更可靠的解决方案.
