对YouTube上关于Sora的讨论中情感和主题的计算分析 Ayse Ocal

宽频带雷达散射截面（RCS）预测深度神经网络模型WBRCS-Net，通过最小化均方误差损失直接逼近矩量法（MoM）解，避免迭代不稳定。输入仅需频率和入射角，简化网络结构，在PEC球体和立方体实验中，RCS计算误差低于10^-14，推理速度显著提升。

　　>

摘要

在本文中，我们提出了一种基于深度神经网络的方法，用于计算宽频带和广泛入射角范围内的雷达截面积（RCS）。所提出的网络称为WBRCS-Net，它通过最小化均方残差损失来收敛到矩方法（MoM）的解，而无需显式求解MoM线性系统，从而避免了传统迭代求解器中常见的数值不稳定问题。此外，WBRCS-Net仅使用频率和入射角作为输入，能够在广泛的入射角范围内实现宽带RCS预测，同时大幅简化了网络架构。我们在完美导电（PEC）球体和立方体上评估了WBRCS-Net的性能，并将其与基于切比雪夫多项式的Maehly近似方法进行了比较。比较范围是2–12 GHz的频率范围和0 °～90 °的入射角范围内，单站RCS。实验结果表明，经过训练后，WBRCS-Net能够在广泛的入射角范围内实现稳定的宽带RCS计算，并具有即时推理速度，其最小均方误差（MSE）相对于参考MoM解而言，达到了1?14的数量级。