fa پیاده‌سازی شبکه عصبی رزنت-101 و الگوریتم بهینه‌ساز ازدحام ذرات در مدل‌سازی سطوح انتخابگر فرکانس با اشکال پیچیده از نوع مثلث سیرپنسکی مخابرات Communication پژوهشي Research <span style="font-size:13pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Roman&quot;,serif"><span style="font-weight:bold"><span lang="AR-SA" style="font-size:11.0pt"><span style="font-family:&quot;B Nazanin&quot;"><span style="color:black">مدل‌سازی سطوح انتخابگر فرکانس فراکتالی یکی از چالش‌های اصلی در طراحی جاذب‌ها و ساختارهای الکترومغناطیسی مبتنی بر این سطوح است، که به دلیل پیچیدگی‌های هندسی و نیاز به شبیه‌سازی‌های دقیق، زمان و هزینه‌های بسیاری می‌طلبد. در این پروژه، هدف اصلی استفاده از شبکه عصبی هم‌گشتی رزنت است تا با دریافت تصاویر سطوح فراکتالی، ضریب بازتاب متناظر با آن‌ها را پیش‌بینی کند. یکی از ویژگی‌های برجسته این تحقیق، استفاده از داده‌های استخراج‌شده از الگوریتم بهینه‌سازی ازدحام ذرات در کنار داده‌های تصادفی برای آموزش شبکه است؛ این رویکرد نه‌تنها منجر به افزایش دقت پیش‌بینی شبکه عصبی شده، بلکه کیفیت مجموعه‌داده تولیدشده را نیز بهبود بخشیده است.&nbsp; همچنین، ترکیب الگوریتم بهینه‌سازی ازدحام ذرات با شبکه رزنت منجر به بهبود عملکرد مدل در پیش‌بینی دقیق‌تر و سریع‌تر ضریب بازتاب شده است. استفاده از این روش می‌تواند زمان و هزینه‌های مدل‌سازی سطوح انتخابگر فرکانس فراکتالی را کاهش داده و در نهایت، بهینه‌سازی طراحی این سطوح را تسهیل کند.</span></span></span></span></span></span></span></span><br> &nbsp; <span style="font-size:10pt"><span style="font-family:&quot;Times New Roman&quot;,serif"><span style="color:black">Modeling fractal frequency selective surfaces (FSS) is one of the primary challenges in designing absorbers and electromagnetic structures based on such surfaces, primarily due to their geometric complexity and the demand for precise simulations, which require significant time and resources. In this project, the main objective is to utilize the ResNet convolutional neural network to predict the reflection coefficient of fractal surfaces based on their images. A notable feature of this study is the incorporation of data extracted from the particle swarm optimization (PSO) algorithm alongside random data for training the network. This approach has not only enhanced the prediction accuracy of the neural network but also improved the quality of the generated dataset. Furthermore, the integration of the PSO algorithm with the ResNet network has resulted in improved model performance in terms of more accurate and faster reflection coefficient predictions. The proposed methodology has the potential to significantly reduce the time and costs associated with modeling fractal frequency selective surfaces, ultimately facilitating the optimization of their design process.</span></span></span> شبکه عصبی, شبکه عصبی رزنت, سطوح انتخابگر فرکانس فراکتالی, شبکه عصبی هم‌گشتی, الگوریتم بهینه‌ساز ازدحام ذرات Neural network, ResNet neural network, fractal frequency selective surfaces, convolutional neural network, particle swarm optimization algorithm 31 37 http://jiaeee.com/browse.php?a_code=A-10-3080-1&slc_lang=fa&sid=1 Amin Mazroei Abkenar امین مزروعی آبکنار aminmazroeiabkenar@gmail.com 100319475328460013361 100319475328460013361 No Department of Electrical and Electromagnetic Engineering, Malek Ashtar University of Technology مجتمع الکترومغناطیس- دانشگاه صنعتی مالک‌اشتر Mojtaba Maddah Ali مجتبی مداح علی maddahali@mut-es.ac.ir 100319475328460013362 100319475328460013362 Yes Department of Electrical and Electromagnetic Engineering, Malek Ashtar University of Technology مجتمع الکترومغناطیس- دانشگاه صنعتی مالک‌اشتر Marzieh Nasirian مرضیه نصیریان mz.nasirian@gmail.com 100319475328460013363 100319475328460013363 No Department of Electrical and Electromagnetic Engineering, Malek Ashtar University of Technology مجتمع الکترومغناطیس- دانشگاه صنعتی مالک‌اشتر