时间域反射测量的机器学习去皮和损失建模
摘要：微波计量的基本追求是确定微波系统的特征阻抗剖面。在其他方法中，这可以通过时域反射计(TDR)实际达到，该方法通过测量由于施加的刺激而从设备中产生的反射。传统的TDR允许测量包含单个阻抗的系统。然而，实际系统通常具有阻抗变化，这使得确定在第一个阻抗之后的所有阻抗变得模糊。这个问题之前已经研究过，通常称为散射反演，或者在微波计量的背景下称为时域"剥离"。在本文中，我们展示了一种时空高效的剥离算法的实现，它可以修正非均匀损耗传输线中之前阻抗不匹配的影响，而不管刺激的性质如何。我们通过引入两个工具来推广TDR测量分析：一种随机机器学习聚类工具和一种任意有损传输线建模工具。前者减轻了许多通常困扰TDR测量的缺陷(除了色散)，并且可以对大规模数据集进行高效处理；后者允许完整的传输线特性描述，包括导体和介质损耗。
作者：J.R. Rinehart, J.H. B''ejanin, T.C. Fraser, and M. Mariantoni
论文ID：1804.04756
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2018-04-16