A new hybrid neural network for the parameter identification of lumped models

• Autorzy: Luchetta A. , Manetti S. , Pellegrini L.

Warianty tytułu

PL

Nowa hybrydowa sieć neuronowa do identyfikacji parametrów modeli skupionych

• Języki publikacji: EN

Abstrakty

EN

A novel identification technique for lumped models of general distributed circuits (i.e. microwave transmission lines, monolithic integrated circuits and filters) is presented. The approach is based on a hybrid neural network having a supplementary layer and a particular learning process, whose convergence allows the validation of the circuit approximated lumped model. The supplementary layer is generated by symbolic analysis of the model. The inputs of the network are the geometrical parameters and the neural network output represents the lumped circuit parameter estimation.

PL

Zaprezentowano nowoczesną technikę identyfikacji modeli skupionych obwodów o parametrach rozłożonych (np. kanały transmisji mikrofali, jednolite zintegrowane obwody i filtry). Rozwiązanie oparte jest na hybrydowej sieci neuronowej, która ma dodatkową warstwę i specjalny algorytm uczenia. Jej zbieżność pozwala na weryfikację przybliżonego obwodowego modelu skupionego. Dodatkowa warstwa jest tworzona na podstawia analizy symbolicznej modelu. Wejście do sieci neuronowej stanowią parametru geometryczne, a wyjście estymowane parametry obwodu skupionego.

Słowa kluczowe

EN

neural networks; lumped parameter systems

PL

sieci neuronowe; obwody skupione; obwody rozłożone

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2003
• Tom: R. 79, nr 10
• Strony: 714--717
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Luchetta A.

• Department of Electronics and Telecommunications, University of Florence, Via S.Marta 39, 50139 Florence, Italy

autor

Manetti S.

• Department of Electronics and Telecommunications, University of Florence, Via S.Marta 39, 50139 Florence, Italy

autor

Pellegrini L.

• Department of Electronics and Telecommunications, University of Florence, Via S.Marta 39, 50139 Florence, Italy

Bibliografia

• [1] F. Wang, Q. J. Zhang "Knowledge based neural models for microwave design", IEEE Trans. Microwave Theory Tech, Vol.45, pp. 2333-2343, December 1997.
• [2] Milor L. S , "A tutorial introduction to research on analog and mixed-signal circuit testing" IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing, Vol.45, pages 1389-1407, October 1998.
• [3] Sotoodeh M., Sozzi L., Vinay A., Khalid A.H., Hu Z., Rezazadeh A., Menozzi R., "Stepping toward standard methods of small-signal parameter extraction for HBT's", IEEE Trans. On Electron Devices, Vol.47, No.6, pages 1139-1151, June 2000.
• [4] G. Avitabile, B. Chellini, G. Fedi, A. Luchetta, S. Manetti, A neural architecture for the parameter extraction of high frequency devices, Proc. 2001 IEEE Int. Symposium on Circuits and Systems (ISCAS2001), Sidney, Australia, May 2001.
• [5] Wang F., Zhang Q. J., "Knowledge based neural models for microwave design", IEEE Trans. Microwave Theory Tech, Vol.45, pages 2333-2343, December 1997.
• [6] G. L. Creech, B. J. Paul, C. D. Lesniak, T. J. Jenkins and M. C. Calcaterra, "Artificial neural networks for fast and accurate EM-CAD of microwave circuits" IEEE Trans. Microwave Theory Tech, Vol. 45, pp.794-802, May 1997.
• [7] G. Fedi, A. Gaggelli, S. Manetti, G. Pelosi, “Direct-coupled cavity filters design using a hybrid feedforward neural networkfinite elements procedure”, International Journal of RF and Microwave Computer Aided Engineering, Wiley, May 1999.
• [8] G. Fedi, A. Luchetta, S. Manetti, M.C. Piccirilli, “A New Symbolic Method For Analog Circuit Testability Evaluation”, IEEE Transactions on Instrumentation and Measurement, Vol. 47 N° 2 - April 1998, pp. 554-565.
• [9] G.Fedi, S. Manetti, M.C. Piccirilli, J. Starzyk “Determination of an optimum set of testable components in analog circuits fault diagnosis”, IEEE Transactions on Circuits and Systems, part I, July 1999.
• [10] K. Hornik, M. Stinchcombe, H. White, “Multilayer feedforward networks are universal approximators”, Neural Networks, Elsevier Science, Vol. 2, pp.359-366, 1989.