文献

J-GLOBAL ID：202002217933356854   整理番号：20A1886591

マイクロ波フィルタパラメータ抽出のための微分進化ベース多様体Gaussプロセス機械学習【JST・京大機械翻訳】

Differential Evolution Based Manifold Gaussian Process Machine Learning for Microwave Filter’s Parameter Extraction

著者 (4件)： Chen Xuezhi (School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Tian Yubo (School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Zhang Tianliang (School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang, China) ,  Gao Jing (School of Electronics and Information, Jiangsu University of Science and Technology, Zhenjiang, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 146450-146462  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Gaussプロセス(GP)は近年急速に発展した教師つき機械学習(ML)法であり,それは電磁界の分野における代理モデルの確立に広く使用されている。しかしながら,高次元データを処理するとき,それは大きなサンプル需要,高い計算複雑性,および低い精度の問題がある。この問題を解決するために,微分進化(DE)アルゴリズムに基づく多様体Gauss過程(MGP)ML法を,本研究で提案した。提案方法のために,DEアルゴリズムを次元縮小パラメータを得るために用いて,その方法は最適化パラメータによって非常に良く機能することができた。従来のGPモデルと比較して,Isomapに基づく次元縮小法を採用して,データペア間のマッピング関係を簡素化した。したがって,モデルは不十分なサンプルと高いデータ次元の問題により好適である。本研究では,提案したDEベースMGP(DE-MGP)を4次および6次結合フィルタの結合係数の抽出に適用し,その中で4次結合フィルタ代理モデルの試験誤差を0.84%に低減でき,6次結合フィルタの試験誤差を1.53%に低減でき,提案した方法が非常に効果的であることを証明した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *多様体 ,  電磁場 ,  フィルタ ,  簡素化 ,  *Gauss過程 ,  計算量 ,  結合係数 ,  次元縮小 ,  *機械学習
準シソーラス用語： *パラメータ抽出 ,  *マイクロ波フィルタ ,  *微分進化 ,  高次元データ , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  ディジタルフィルタ  (NC04022Z)

タイトルに関連する用語 (6件)： マイクロ波フィルタ ,  パラメータ抽出 ,  微分進化 ,  多様体 ,  Gaussプロセス ,  機械学習