دانلود ترجمه مقاله نویز در ترانزیستور الکترونهای پر تحرک با تابع شعاعی تعمیم یافته – مجله IEEE

فهرست مطالب:

چکیده
۱ مقدمه
۲ پارامترهای نویز ترانزیستور
۳ شبکه GRBF
۴ نتایج شبیه سازی
۵ نتایج

بخشی از ترجمه:

 شبکه GRBF
در مدل سازی نویز ترانزیستور میکروویو، بسته به شرایط بایاس و فرکانس، از شبکه های عصبی ادراک چند لایه (MLP) استفاده شده است. در این مقاله، ابتدا تابع پایه شعاعی (RBF) را توصیف نموده و سپس بر کاربرد شبکه های GRBF تمرکز می کنیم. شبکه تابع پایه شعاعی نام یک نوع شبکه عصبی می باشد که به طراحی به عنوان یک مسئله انطباق منحنی (تقریب) در فضای ابعادی بالا می نگرد. یادگیری معادل یافتن تابع چند بعدی است که با داده های آموزشی به بهترین شکل ممکن انطباق داشته باشد، در این مسئله معیار بهترین انطباق به روش آماری اندازه گیری می شود.
استراتژیهای یادگیری متفاوتی در طراحی شبکه RBF بسته به نحوه تعیین مراکز RBF شبکه بکار گرفته شده است. سه شیوه اصلی تعیین مراکز عبارتنداز:
۱- مراکز ثابت انتخاب شده به صورت تصادفی: در این شیوه، مکان مراکز از میان داده های آموزشی به صورت تصادفی انتخاب می شود.
۲- انتخاب خودسازمان ده مراکز: در شیوه دوم، توابع پایه شعاعی می توانند مکان مراکز را به شیوه ای خودسازمان ده جابجا نمایند.
۳- انتخاب نظارت شده مراکز: در شیوه سوم، برای دستیابی به محتوای تابع پایه شعاعی و کلیه پارامترهای آزاد شبکه از فرایند یادگیری نظارت شده استفاده شده است. به عبارت دیگر، شبکه RBF به شکل تعمیم یافته دیده می شود. یکی از گزینه های عادی برای این فرایند، یادگیری تصحیح خطا می باشد که با استفاده از روش کاهش گرادیان عمل کرده و تعمیم الگوریتم LMS را نشان می دهد.  مخصوصاً، شبکه RBF بسط داده می شود ، با این کار می توان واریانس هر بعد ورودی را تعیین نمود. کاهش محدودیت شعاعی هسته های استاندارد گاوسی با تقارن مدور را به هسته هایی با پایه یا بنیان بیضی تبدیل می کند که می توانند ابعادی بودن فضای ورودی را کاهش دهند. این طرح به صورت شبکه GRBF نشان داده شده است.  الگوریتم یادگیری به منظور کاهش خطای خروجی، مراکز GRBF را به صورت یک به یک انتخاب می کند. بعد از انتخاب هر مرکز جدید از میان مجموعه آموزشی، مراکز و واریانس کل شبکه با استفاده از تکنیک های کاهش گرادیان به صورت بهینه درمی آید.

بخشی از مقاله انگلیسی:

INTRODUCTION

Accurate and reliable noise models of microwavetransistors are necessary for analyses and designof microwave active circuits that are parts ofmodern communication systems, where it is veryimportant to keep the noise at a low level. Modeldevelopment is basically an optimization processand can be time-consuming. Furthermore,measured signal and noise data for each newoperating point are necessary for modeldevelopment, which could take much effort andtime, since these measurements require complexequipment and procedures [1, 2].In many of these cases, neural modeling couldbe a good alternative to the classical modeling.Neural models are simpler and retain the similaraccuracy. They require less time for providingresponse, therefore, application of neural modelcan make simulation and optimization processesless time-consuming, shifting much computationfrom on-line optimization to off-line training.Neural networks have been applied inmodeling of either active devices or passivecomponents, in microwave circuit analysis and design, etc. It has been proposed in microwaveMESFET and HEMT transistor signal and noiseperformance modeling [3- 5].In this paper, a Generalized Radial BasisFunction (GRBF) network for HEMT transistornoise modeling is proposed. This networkreceives bias such as dc drain-to-source voltage,dc drain-to-source current, frequency and Sparametersas inputs and produces transistornoise parameters at its output. Therefore, biasconditions and frequency are inputs andminimum noise figures, magnitude of optimumreflection coefficient, angle of optimumreflection coefficient and normalized equivalentnoise resistance are outputs of the neuralnetwork. A simplified overview of proposedANN model is shown in Fig. 1. The GRBF network is a generalization ofthe RBF network, which allows to differentvariances for each dimension of the inputspaces by replacing the radial Gaussiankernels with elliptical basis functions. The number of nodes in the hidden layer of thegeneralized RBF network is M, where M isordinarily smaller than the number of neurons inthe hidden layer of RBF network. In GRBFnetwork, the linear weights associated with theoutput layer, and the positions of the centers ofthe radial basis functions and the norm weightingmatrix associated with the hidden layer, are allunknown parameters that have to be learned[6].