دانلود ترجمه مقاله کاربرد شبکه های عصبی در الگوی نویز حرارت حقیقی ترانزیستورهای مایکروویو – مجله IEEE

ieee2

 

 عنوان فارسی مقاله: مدلهای نویز وابسته به دمای واقعی ترانزیستورهای میکروویو بر اساس شبکه های عصبی
 عنوان انگلیسی مقاله: Accurate Temperature Dependent Noise Models of Microwave Transistors Based on Neural Networks
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید

 

سال انتشار ۲۰۰۵
تعداد صفحات مقاله انگلیسی  ۴ صفحه
تعداد صفحات ترجمه مقاله  ۹ صفحه
مجله  –
دانشگاه دانشکده مهندسی الکترونیک دانشگاه نیس صربستان
کلمات کلیدی  –
نشریه IEEE

 

 


فهرست مطالب:

 

چکیده
۱ مقدمه
۲ شبکه عصبی MLP
۳ ویژگیهای نویز و سیگنال ترانزیستور
۴ مدل نویز عصبی
۵ مدل نویز عصبی ارتقاء یافته
۶ نتایج مدل سازی
نتیجه گیری


بخشی از ترجمه:

 

 مقدمه
در طول دهه گذشته، شبکه های عصبی در مدل سازی میکروویو کاربردهای زیادی داشته اند. از آنجایی که آنها قابلیت یادگیری از داده های مطرح شده را دارا می باشند، در نتیجه در مسائل غیر خطی و مسائلی که از لحاظ ریاضی کاملاً شرح داده نشده اند، از آنها زیاد استفاده می شود. اگر به آنها به عنوان ابزار انطباقی بنگریم، می بینیم که در مقایسه با چند جمله ای ها، با وابستگی غیر خطی انطباق بهتری از خود نشان        می دهند. در صورت آموزش کافی، شبکه های عصبی قابلیت پیش بینی خروجی نه تنها مقادیر ورودی مطرح شده در طول فرایند آموزش( قابلیت بیاد سپردن) بلکه سایر مقادیر ورودی (قابلیت تعمیم) را دارا می باشد. شبکه های عصبی در مدل سازی دستگاههای فعال یا قطعات غیر فعال ، در تحلیل و طراحی مدار میکروویو و … کاربرد داشته اند. در این راستا پیشنهاد شده است که آنها در مدل سازی عملکرد نویز و سیگنال ترانزیستور   و   میکروویو نیز کاربرد داشته اند. برای تحلیل و طراحی مدارات فعال میکروویو که جزئی از سیستم های ارتباطی مدرن به شمار می روند، به مدلهای نویز معتبر و درست ترانزیستورهای میکروویو نیاز می باشد، در این وضعیت لازم است، نویز در سطح پائینی نگه داشته شود. عملکرد نویز و سیگنال ترانزیستور به دما بستگی دارد، اما بخش عظیمی از سیگنال فعلی ترانزیستور، و به ویژه مدلهای نویز به یک نقطه دمایی (معمولاً دمای ظاهری یا اسمی) اشاره می کند. بنابراین، برای تحلیل بیشتر تحت شرایط دمایی مختلف، لازم است مدلهایی برای هر نقطه دمای عملیاتی مورد نیاز ارائه گردد. توسعه مدل اصولاً یک فرایند بهینه سازی به شمار رفته و به همین خاطر وقت گیر می باشد. به علاوه، برای توسعه مدل به داده های مربوط به نویز و سیگنال اندازه گیری شده برای هر نقطه عملیاتی جدید، نیاز    می باشد که نیازمند تلاش و وقت قابل توجهی می باشد، زیرا این قبیل اندازه گیریها نیازمند تجهیزات و روشهای پیچیده ای می باشند. اخیراً، برای مدل سازی وابستگی دمایی عناصر و پارامترهای مدار معادل سیگنال کوچک ترانزیستور میکروویو از جمله نویز، گزینه شبکه های عصبی پیشنهاد شده است، که امکان پیش بینی پارامترهای نویز در شبیه ساز مدار در کل محدوده دمای عملیاتی را فراهم می آورد. اما، صحت مدل عصبی به خاطر صحت مدل نویز انتخاب شده، محدود شده است. در این مقاله، ارتقاء درستی مدل و غلبه بر محدودیت مذکور پیشنهاد و مد نظر قرار گرفته است.


بخشی از مقاله انگلیسی:

 

INTRODUCTION

During the last decade, neural networks have foundmany applications in modelling in the microwave area,[?]-[6]. Since they have the ability to learn from thepresented data, they are especially interesting for nonlinearproblems and for the problems not fullymathematically described. Considered as a fitting tool,they fit non-linear dependencies better than polynomialsdo. Once trained, neural networks are able to predictoutputs not only for the input values presented duringtraining process (memorizing capability) but also forother input values (generalization capability). Neuralnetworks have been applied in modelling of either activedevices or passive components, in microwave circuitanalysis and design, etc. It has have been proposed thatthey are applied in microwave MESFET and HEMTtransistor signal and noise performance modelling, aswell, [3]-[6].Accurate and reliable noise models of microwavetransistors are necessary for analyses and design ofmicrowave active circuits that are parts of moderncommunication systems, where it is very important tokeep the noise at a low level. Transistor signal and noiseperformances depend on the temperature, but most of theexisting transistor signal, and especially noise modelsrefer to a single temperature point (usually, nominaltemperature). Therefore, for further analyses undervarious temperature conditions, it is necessary to develop models for each required operating temperature point.Model development is basically an optimisation processand can be time-consuming. Furthermore, measuredsignal and noise data for each new operating point arenecessary for model development, which could take mucheffort and time, since these measurements requirecomplex equipment and procedures.Recently, neural networks have been proposed formodelling of the temperature dependences of elementsand parameters of microwave transistor small-signalequivalent circuit including noise, [6], enabling predictionof the noise parameters in a circuit simulator in the wholeoperating temperature range. However, the accuracy of the neural model is limited by the accuracy of the chosennoise model. In this paper, improving the exactness of themodel and overcoming the mentioned limitation areproposed and considered.II. MLP NEURAL NETWORKAn MLP (Multilyer Perceptron Network) consists ofneurons grouped into one input layer, several hiddenlayers and one output layer. Each neuron from a layer isconnected with all of the neurons from the next layer butthere are no connections between the same layer neurons.An MLP network with one hidden layer (Fig.?) is suitablefor the problems considered in this paper.


 

 عنوان فارسی مقاله: کاربرد شبکه های عصبی در الگوی نویز حرارت حقیقی ترانزیستورهای مایکروویو
 عنوان انگلیسی مقاله: Accurate Temperature Dependent Noise Models of Microwave Transistors Based on Neural Networks

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.