<![CDATA[Untuk memastikan akurasi dan mencegah perilaku machine learning yang tidak diinginkan terjadi ketika model machine learning memberikan prediksi akurat untuk data pelatihan tetapi tidak untuk data baru yang biasa disebut Overfitting, teknik machine learning yang efektif biasanya dilatih pada kumpulan data besar. Namun, ketika pengumpulan data rumit, kumpulan data yang besar menghambat penyebaran teknik machine learning. Algoritma K-Nearest Neighbors (KNN) ditingkatkan dalam penelitian ini untuk mengatasi masalah dan menyajikan pendekatan machine learning yang unik sehingga dapat mengekstraksi lebih banyak fitur dari kumpulan data yang besar. Metode ini bekerja 5 hingga 30 kali lebih cepat daripada teknik machine learning konvensional seperti jaringan syaraf tiruan (ANN) dan pengoptimalan Bayesian. Parameter antena digunakan untuk mengoptimalkan kemudian dioptimalkan menggunakan metode yang disarankan, dan cabang terpisah dibuat untuk menjalankan alat simulasi (seperti HFSS) dan memperbarui dataset saat pelatihan daripada membuatnya sebelumnya. Empat contoh antena lainnya, serta machine learning tambahan dan teknik berbasis gradien, digunakan untuk mendukung validitas dan efektivitas pendekatan yang disarankan. Kesimpulannya, metode ini disarankan dapat menghasilkan desain antena ideal dan harga terjangkau.]]>
Copyrights © 2024
