Opis
The dataset was generated using a machine learning procedure for cost-effective global optimization-based miniaturization of antennas. The technique included parameter space pre-screening and the iterative refinement of kriging surrogate models using the predicted merit function minimization as an infill criterion.
Numerical experiments conducted on four broadband antennas indicated that the proposed framework consistently yielded competitive miniaturization rates across multiple algorithm runs at low costs, compared to the benchmark.
Plik z danymi badawczymi
metadata_p2_complete.pdf
1.4 MB,
S3 ETag
f7004e55312ffa8f4490377ed2d28ee0-1,
pobrań: 0
Hash pliku liczony jest ze wzoru
Przykładowy skrypt do wyliczenia:
https://github.com/antespi/s3md5
hexmd5(md5(part1)+md5(part2)+...)-{parts_count}
gdzie pojedyncza część pliku jest wielkości 512 MBPrzykładowy skrypt do wyliczenia:
https://github.com/antespi/s3md5
Informacje szczegółowe o pliku
- Licencja:
-
otwiera się w nowej karcie
CC BYUznanie autorstwa
Informacje szczegółowe
- Rok publikacji:
- 2025
- Data zatwierdzenia:
- 2025-03-17
- Język danych badawczych:
- angielski
- DOI:
- Identyfikator DOI 10.34808/spvb-fq56 otwiera się w nowej karcie
- Finansowanie:
- Weryfikacja:
- Politechnika Gdańska
Słowa kluczowe
Powiązane zasoby
Cytuj jako
Autorzy
wyświetlono 8 razy