Machine-Learning Approach for Design of Nanomagnetic-Based Antennas

Gianfagna, Carmine; Yu, Huan; Swaminathan, Madhavan; Pulugurtha, Raj; Tummala, Rao; Antonini, Giulio

doi:10.1007/s11664-017-5487-8

Cited by 20 publications

(9 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Working with the same antenna, the algorithm used in Reference 147 has been further optimized in 148 for the same input and output parameters. In addition, a reverse technique has been also addressed using ML, for which the corresponding design space of possible material parameters can be generated based on given antenna parameters.…”

Section: Predicting Antenna Parameters With Machine Learning Modelsmentioning

confidence: 99%

A review on the design and optimization of antennas using machine learning algorithms and techniques

Misilmani

Naous

Khatib

2020

Int J RF Microw Comput Aided Eng

View full text Add to dashboard Cite

This paper presents a focused and comprehensive literature survey on the use of machine learning (ML) in antenna design and optimization. An overview of the conventional computational electromagnetics and numerical methods used to gain physical insight into the design of the antennas is first presented. The major aspects of ML are then presented, with a study of its different learning categories and frameworks. An overview and mathematical briefing of regression models built with ML algorithms is then illustrated, with a focus on those applied in antenna synthesis and analysis. An in‐depth overview on the different research papers discussing the design and optimization of antennas using ML is then reported, covering the different techniques and algorithms applied to generate antenna parameters based on desired radiation characteristics and other antenna specifications. Various investigated antennas are sorted based on antenna type and configuration to assist the readers who wish to work with a specific type of antennas using ML.

show abstract

Section: Predicting Antenna Parameters With Machine Learning Modelsmentioning

confidence: 99%

A review on the design and optimization of antennas using machine learning algorithms and techniques

Misilmani

Naous

Khatib

2020

Int J RF Microw Comput Aided Eng

View full text Add to dashboard Cite

show abstract

“…Так завдяки технікам машинного навчання з високою точністю розраховуються такі параметри антен, як підсилення, смуга пропускання, ефективність випромінювання, резонансна частота [2].…”

Section: вступunclassified

Estimation of Imaginary Movements Quality Based on Machine Learning for Brain Computer Interface Applications

Avilov¹,

Попов²,

Timofieiev³

et al. 2018

Mìkrosist. elektron. akust.

View full text Add to dashboard Cite

Реферат-У роботі представлено застосування машинного навчання для виявлення «викидів» (випадкових відхилень) у даних та підвищення точності класифікації уявних рухів нейрокомп'ютерними інтерфейсами. Використана база даних сигналів електроенцефалограм 29 суб'єктів, що виконували уявні рухи правою та лівою рукою (NIRx GmbH, Берлін). Представлений підхід на основі методів машинного навчання без вчителя, за допомогою яких відбувається детектування викидів у даних. В результаті отримується співвідношення параметру насичення даних викидами до точності класифікації. Обраний параметр насичення даних викидами фактично є показником якості вхідних даних і використовується для очищення даних перед тренуванням нейрокомп'ютерного інтерфейсу. У результаті використання запропонованого підходу точність класифікації уявних рухів збільшилась в середньому на 14.9% для восьми суб'єктів. Для інших суб'єктів точність лишилась незмінною, або зменшилась. В результаті виявлено, що запропонований підхід є суб'єкто-специфічним і потребує налаштування для окремого користувача та вдосконалення для широкого застосування, проте вже зараз дозволяє суттєво підвищити точність класифікації уявних рухів окремих суб'єктів. Бібл. 28, рис. 2, табл. 2. Ключові словамашинне навчання; нейрокомп'ютерний інтерфейс; штучний інтелект; виявлення аномалій.

show abstract

“…In addition to scintillation prediction, there are a few ML studies on antenna design parameter prediction [8], [9]. Tak et al used a neural network based on the Multi-layer perception (MLP) model to learn the design parameters (orientation angles and length of coupling slots) [8].…”

Section: Introductionmentioning

confidence: 99%

“…(e-mails: {m.khalily, t.brown, r.tafazolli@surrey.ac.uk}). for design space prediction in [9]. In their work, ML was used to map the parameters of the nano-magnetic material to antenna characteristics.…”

Section: Introductionmentioning

confidence: 99%

Machine-Learning-Based Approach for Diffraction Loss Variation Prediction by the Human Body

Khalily

Brown

Tafazolli

2019

Antennas Wirel. Propag. Lett.

View full text Add to dashboard Cite

This paper presents a machine learning (ML) based model to predict the diffraction loss around the human body. Practically, it is not reasonable to measure the diffraction loss changes for all possible body rotation angles, builds and line of sight (LoS) elevation angles. A diffraction loss variation prediction model based on a non-parametric learning technique called Gaussian process (GP) is introduced. Analysed results state that 86% correlation and normalised mean square error (NMSE) of 0.3 on the test data is achieved using only 40% of measured data. This allows a 60% reduction in required measurements in order to achieve a well-fitted ML loss prediction model. It also confirms the model generalizability for non-measured rotation angles.Index Terms-Diffraction loss, guassian process (GP), machine learning (ML), network planning tool.

show abstract

Machine-Learning Approach for Design of Nanomagnetic-Based Antennas

Cited by 20 publications

References 16 publications

A review on the design and optimization of antennas using machine learning algorithms and techniques

A review on the design and optimization of antennas using machine learning algorithms and techniques

Estimation of Imaginary Movements Quality Based on Machine Learning for Brain Computer Interface Applications

Machine-Learning-Based Approach for Diffraction Loss Variation Prediction by the Human Body

Contact Info

Product

Resources

About