萨拉·卡坎纽;亚历山德拉·范尼;奥古斯托·蒙蒂西 优化问题的神经近似模型的构造算法。 (英文) Zbl 1177.78063号 COMPEL公司 28,第5期,1276-1289(2009). 摘要:目的-本文的目的是提出一种构造性算法来设计多层感知器神经网络,用于电磁器件的近似模型。设计/方法学/方法-所提议的程序允许自动确定神经元数量和具有单个隐藏层的网络的突触权重。近似模型用于设计优化问题。神经网络的输入对应于设计参数,而输出对应于优化问题的目标函数。然后反转神经模型,以确定哪个输入与前缀输出相关联。结果-算法的性能已经在分析函数和TEAM车间问题25上进行了测试。原创性/价值-由于最佳解决方案的可靠性受到神经近似模型准确性的强烈影响,因此近似误差尽可能保持在较低的水平,尤其是在最大值/最小值点。 引用于三文件 MSC公司: 78M50型 光学和电磁理论中的优化问题 78立方米 神经和启发式方法在光学和电磁理论问题中的应用 90立方厘米 涉及图形或网络的编程 关键词:电磁装置;功能分析;神经网络;优化设计 PDF格式BibTeX公司 XML格式引用 \textit{S.Carcangiu}等人,COMPEL 28,No.5,1276--1289(2009;Zbl 1177.78063) 全文: 内政部 参考文献: [1] DOI:10.1002/1097-0207(20010210)50:4<847::AID-NME54>3.0.CO;第2季度·Zbl 0986.65059号 ·doi:10.1002/1097-0207(20010210)50:4<847::AID-NME54>3.0.CO;第2季度 [2] 内政部:10.1109/20.582657·数字对象标识代码:10.1109/20.582657 [3] Baria Perdiz,F.A.和Lebensztajn,L.(2007),“应用于电磁设备的多目标优化”,《微波与光电杂志》,第6卷第1期,第167-77页。 [4] 内政部:10.1364/JOSAA.19.001334·doi:10.1364/JOSAA.19.001334 [5] DOI:10.1009/20.952667·数字对象标识代码:10.1109/20.952667 [6] 内政部:10.1109/TMAG.2003.817076·doi:10.1109/TMAG.2003.817076 [7] 内政部:10.1109/TMAG.2005.845987·doi:10.1109/TMAG.2005.845987 [8] 内政部:10.1007/BF02551274·Zbl 0679.94019号 ·doi:10.1007/BF02551274文件 [9] DOI:10.1016/j.neucom.2007.02.006·doi:10.1016/j.neucom.2007.02.006 [10] 内政部:10.1073/pnas.0606359104·Zbl 1160.90495号 ·doi:10.1073/pnas.0606359104 [11] 内政部:10.1109/TMAG.2003.810541·doi:10.1109/TMAG.2003.810541 [12] 内政部:10.1364/AO.21.002758·doi:10.1364/AO.21.002758 [13] Hacib,T.、Mekideche,M.R.和Ferkha,N.(2007),“在参数识别的逆电磁问题中使用FEM和RBF神经网络的计算研究”,IAENG国际计算机科学杂志,第33卷第2期,第18-24页。 [14] 内政部:10.1109/72.363432·数字对象标识代码:10.1109/72.363432 [15] Kolmogorov,A.N.(1957),“关于通过一个变量的连续函数和加法的叠加来表示多个变量的持续函数”,Doklady Akademii Nauk SSSR,第114卷第5期,第953-6页·Zbl 0090.27103号 [16] 内政部:10.1109/TMAG.2004.824542·doi:10.1109/TMAG.2004.824542 [17] DOI:10.1016/s098-1354(00)00599-8·doi:10.1016/S0098-1354(00)00599-8 [18] Takahashi,N.(1996),“模压模型的优化”,《团队研讨会论文集》,日本冈山,3月20日至21日,第61-9页。 [19] 内政部:10.1109/TMAG.2006.871954·doi:10.1109/TMAG.2006.871954 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。