Mikrodalga transistörlerinin yapay sinir ağı eşdeğerlikleri
Artificial neural network equivalencies of active microwave devices
- Tez No: 67708
- Danışmanlar: PROF. DR. FİLİZ GÜNEŞ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1997
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 312
Özet
ÖZET Bu tezde bir mikrodalga transistorunun sinyal ve gürültü davranışları,frekans,kutuplama ve konfigürasyon tipi cinsinden bütün bir çalışma bölgesinde,bir yapay sinir ağı ile modellenebilmiştir.Böyle bir yaklaşımda,transistör.sinyal ve gürültü performans parametreleri, bir yapay sinir ağıyla hesaplanabilen bir“kara kutu”ile modellenmiştir.Öyle ki bu hesaplama çoklu kutup ve konfigürasyon için bütün çalışma frekans bandında hedef uzayına uydurulmaya dayandırılmıştır. Önerilen yapay sinir ağı yaklaşımı,optimizasyon prosedürü esnasında elemanın fizik denklemlerinin tekrar tekrar çözülmesini gerektirmez ve ayrıca bir çok klasik optimizasyon teknikleri ile parametre kestiriminde büyük bir sorun olan başlangıç değer problemi yoktur. Yapay sinir ağının nispeten optimum sürede eğitilmesinden sonra istenilen konfigürasyon tipi (CT),kutuplama koşulu (VdsJds) ve çalışma frekansı (f)'in ağa girilmesiyle, sekiz adet işaret parametresi ki mikrodalga transistoru için saçılma (S) parametreleri seçilmiştir,dört adet gürültü parametresi F^,,ropt=ropt +jropt., RN ağ çıkışından hedef uzayıyla oldukça iyi bir uyum içersinde hemen elde edilir. Çalışmada eğitim süresi,hedef uzayı ve yapay sinir ağı mimarisi, bir karesel ortalama objektif fonksiyonu kullanılarak optimize edilmiştir. Sonuçta dört düğümden oluşan bir girişi,çıkış düğümü kadar ki bizim devremiz için oniki düğüme sahip bir gizli katmandan ve çıkış katmanından oluşan yapay sinir ağı transistorun bütün bir çalışma bölgesinde eşdeğer devresi olarak kullanılabilir bulunmuştur. Yapay sinir ağı uygulamaları açısından,bu çalışmada ağ ile sekizi sinyal, dördü gürültü parametresi olmak üzere toplam oniki parametrenin konfigürasyon tipine,kutup koşuluna ve frekansa bağlılığına eş zamanlı yaklaşıklık yapılmıştır.Bu yaklaşıklıkta baz olarak,hedef uzayım gerçekleştirme ölçüsü kriteri olan objektif fonksiyonunun miminize edilmesi alınmıştır. Eşdeğer sinyal ve gürültü yapay sinir ağı iki tip genelleştirme yapabilmektedir: (i) Tek frekans genelleştirmesi: Oniki performans parametresinin,seçilen konfigürasyon tipinin, bir kutuplama koşulunun bir çalışma frekansında kestirimidir.(ii) Çalışma Frekans Bandı Genelleştirmesi :Oniki adet performans parametresinin, seçilen konfigürasyon tipinin, bir kutuplama koşulunun bütün çalışma bandı boyunca kestirimidir.Ayrıca işaret ve gürültü yapay sinir ağı modeli başarım ölçütleri tanımlanmıştır.Model çok sayıda transistöre uygulanmış,her bir örnek için başarım ölçütü hesaplanarak genellikle makul değerler elde edilmiştir. Sonuç olarak,böyle bir modelin mikrodalga devre,özellikle tümleşik mikrodalga devre tasarımında kullanılabileceği sonucuna varılmıştır.
Özet (Çeviri)
SUMMARY Signal and noise behaviours of microwave transistors are modeled through the neural network approach for the whole operating ranges including frequency, bias and configuration types. Here, the device is modeled by a black box whose small-signal and noise parameters are evaluated through a neural network, based upon the fitting of both of these parameters for multiple bias and configuration with the target space. The concurrent modeling procedure does not require to solve any equation of the physics of the device during the optimization procedure. After having trained the network in an optimum time interval compared with the other modelling techniques »inputting the required configuration type (CT),bias condition (VDs,Ids) and operating frequency,one can obtain the corresponding eight signal patrameters which are the scattering parameters in our study,and four noise parameters which are Fan,, ropt = ropt + jropt. and RN,from the output of the network in good agreement with the target space.In the work, training time.elements of the target space and the network architecture are optimised by means of the objective function which is chosen as a mean square error function and finally a simple neural network is resulted so that it has four processing nodes at the input layer and twelve nodes seperately at the hidden and output layers From this point of view of the applications of the neural networks,dependences of the twelve performance parameter functions upon the configuration type,bias condition and operation frequency are approximated simultaneously through a simple neural networks is a good agreement with the target space.This approximation is based upon minimisation of the mean square error function which is formed by differences of the predicted and target space. Signal-Noise Neural Network can achieve two types of generalisations:^) Single Frequency Generalisation:This can be defined as prediction of the performance parameters at a single operation frequency of the trained bias condition, (ii) Whole Frequency Band Generalisation:This can be defined as prediction of the unknown multidimensional performance function for the whole operation frequency band,which has eight signal dimensions and four noise dimensions,at an untrained bias condition. Besides,performance measures of the signal-noise neural network are defined and applied to many transistors;evaluating performance measures of the for each example,one concludes that this type of modelling can be used succesfully in the design of microwave integrated circuits. VI
Benzer Tezler
- Yapay sinir ağları ile mikrodalga transistörünün indirgenmiş veri ile modellenmesi
Yapay sinir ağlari ile mikrodalga transistörünün indirgenmiş veri ile modellenmesi
AHMET ULUSLU
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. FİLİZ GÜNEŞ
- Mikrodalga transistorların yapay sinir ağları modellemeleri için optimum eğitim veri mimarisi
The optimum training data structure for modelling of microwave transistors using artificial neural networks
HAKAN KALAYCI
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. FİLİZ GÜNEŞ
DR. PEYMAN MAHOUTİ
- Geniş çalışma bölgeli transistörlerin tek bir çok katmanlı algılayıcı ile modellenmesi
Design of wide operation range microwave transistors with a single multilayer perceptron network
EREN DEMİR
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. FİLİZ GÜNEŞ
- Mikrodalga transistörlerinin performans eğrilerinin bilgisayarla simülasyonu
Başlık çevirisi yok
MEHMET FİDAN
- Mikrodalga transistörlerin yapay zeka tabanlı gürültü modellemesi
Artificial intelligence based noise modeling of microwave transistor
SÜLEYMAN ÇETİN
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. UFUK ÖZKAYA