Applications of Deep Learning in Electromagnetics: Teaching Maxwell's Equations to Machines
A mélytanulást számos elektromágneses probléma megoldására kezdték alkalmazni, beleértve a gyors modellezési megoldók, pontos képalkotó algoritmusok, hatékony antennatervező eszközök, valamint a vezeték nélküli kapcsolatok/csatornák jellemzésére szolgáló eszközök fejlesztését. E könyv tartalma a mélytanulási technikák úttörő alkalmazásait képviseli az elektromágneses mérnöki tudományokban, ahol a Maxwell-egyenletek által leírt fizikai elvek dominálnak. A mélytanulási technikák fejlődésével a tanulási kapacitás és az általánosítási képesség javulása lehetővé teheti, hogy a gépek megfelelően gyűjtött adatokból "tanuljanak", és bizonyos ellenőrzött peremfeltételek mellett "elsajátítsák" a fizikai törvényszerűségeket. Hosszú távon az alapvető fizikai elvek és a képzési adatokból származó ismeretek hibridizációja számos olyan lehetőséget szabadíthat fel az elektromágneses elmélet és a mérnöki tudományok területén, amelyek korábban az adatinformáció és a számítási képesség korlátai miatt lehetetlenek voltak.
A könyvben tárgyalt elektromágneses mélytanulási alkalmazások közé tartozik az elektromágneses előremenő modellezés, a szabad tér inverz szórás, a roncsolásmentes vizsgálat és értékelés, a felszín alatti képalkotás, az orvosbiológiai képalkotás, az érkezési irány becslése, a távérzékelés, a digitális műholdas kommunikáció, a képalkotás és gesztusfelismerés, a metaanyagok és metafelületek tervezése, valamint a mikrohullámú áramkörök modellezése.
A Mélytanulás alkalmazásai az elektromágnesességben című könyv értékes információkat tartalmaz a Maxwell-egyenletek megoldásához új eszközöket kereső kutatók, az elektromágneses elméletet tanuló diákok, valamint a mélytanulás területén dolgozó, újszerű alkalmazások iránt érdeklődő kutatók számára.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)