Resumen

Para el diseño óptimo de dispositivos electromagnéticos, resulta más tiempo consumidor obtener las muestras de entrenamiento de software de simulación electromagnética de onda completa, incluyendo HFSS, CST y IE3D. Los métodos tradicionales de aprendizaje automático suelen utilizar solo muestras etiquetadas o muestras no etiquetadas, pero en problemas prácticos, las muestras etiquetadas y no etiquetadas coexisten, y el costo de adquisición de muestras etiquetadas es relativamente alto. Este artículo propone un Proceso Gaussiano (GP) de aprendizaje semisupervisado, que combina muestras no etiquetadas para mejorar la precisión del modelo GP y reducir el número de muestras de entrenamiento etiquetadas requeridas. El modelo GP propuesto consta de dos partes: entrenamiento inicial y autoentrenamiento. En el proceso de entrenamiento inicial, se utilizan unas pocas muestras etiquetadas obtenidas por simulación electromagnética de onda completa para entrenar el modelo GP inicial. Posteriormente, el modelo GP entrenado se copia a otro modelo GP en el proceso

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Dispositivos electromagnéticos; Muestras de entrenamiento; Métodos de aprendizaje automático; Aprendizaje semisupervisado; Proceso Gaussiano; Antenas de microcinta
• Keywords:Electromagnetic devices; Training samples; Machine learning methods; Semisupervised learning; Gaussian Process; Microstrip antennas