| عنوان فارسی مقاله: | مدل شبکه عصبی نویز سیگنال چند بعدی |
| عنوان انگلیسی مقاله: | Multidimensional signal noise neural network model |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 1998 |
| تعداد صفحات مقاله انگلیسی | 7 صفحه |
| تعداد صفحات ترجمه مقاله | 12 صفحه |
| مجله | سری مقالات مدار و سیستم ها و دستگاه ها |
| دانشگاه | دانشکده مهندسی برق دانشگاه استانبول کشور ترکیه |
| کلمات کلیدی | – |
| نشریه | IEEE |
فهرست مطالب:
چکیده
۱ توصیف کار
۲ شبکه عصبی نویز – سیگنال پیکره بندی و بایاس متعدد
۱ ۲ ساختار شبکه
۲ ۲دترمینان ماتریس شبکه P
۳ مثالهای کار شده و نتایج
۱ ۳ تعمیم فرکانس واحد (SFG)
بخشی از ترجمه:
توصیف کار
در کار حاضر، شبکه عصبی نویز- سیگنال در بخش، شرایط بایاس و تیپ پیکره بندی (CT) را در برمی گیرد به گونه ای که پارامترهای عملکردی دستگاه نه تنها در شرایط فرکانس عملیاتی واحد حول شرایط بایاس آموزش دیده که تعمیم فرکانس واحد (SFG) نامیده شده است، بلکه در کل باند فرکانس عملیاتی حول شرایط بایاس آموزش ندیده تعمیم داده می شود، این یکی تعمیم کل باند فرکانس (WFBG) نامیده می شود. در این مدل ، از اندازه گیری عملکرد نیز استفاده شده است. متون مربوط به مدل سازی ترانزیستور در بخش مطرح شده است. کاربردهای شبکه های عصبی در مدارهای میکروویو عبارتنداز انطباق خودکار امپدانس، طراحی مدار با روکش نازک، تحلیل و بهینه سازی مدار میکروویو و اخیراً مدل سازی عناصر انفعالی مدار مجتمع میکروویو مونولیتی (MMIC) و شبیه سازی و بهینه سازی اتصالات مدارات پرسرعت VLSI . در بخش ۲ راجع به شبکه عصبی تک نویز پیکره بندی بایاس متعدد توضیح داده شده و در بخش آخر نمونه های کار شده و نتایج بدست آمده ارائه شده است.
بخشی از مقاله انگلیسی:
Description of the work
In this work the signal-noise neural network in [l] isextended to include bias condition (VDs, IDS) and configurationtype (CT) so that performance parameters ofthe device can be generalised not only at a single operationfrequency around the trained bias condition,which may be named single frequency generalisation(SFG), but at the same time in the whole operation frequencyband around an untrained bias condition,which may be named as whole frequency band generalisation(WFBG). The same performance measures as[l] are also utilised for this model. The literature forthe transistor modelling is given extensively in [l].Applications of the neural networks in the microwavecircuits reported in literature include automatic impedancematching [2], microstrip circuit design [3], microwavecircuit analysis and optimisation [4] and, mostrecently, modelling of monolithic microwave integratedcircuit (MMIC) passive elements [5] and simulation andoptimisation of interconnects in high-speed VLSIcircuits. The multide bias-configuration signal-noise neural network is described in the second Section indetail, and worked examples and conclusion are givenin the last Section.2neural network2.1 Structure of the networkA neural network is a simplified mathematical modelof a biological neural network. It consists of a collectionof interconnected neurons. Let:Multiple bias and configuration signal-noise2=[21 2 2 ‘ . ‘ 2,It (1)Y = [Yl Yz . . . YPlt (2)respectively, be input and output vectors of n and pdimensions, in the signal-noise neural network, x is a 4-dimensional vector containing frequency f k , bias condition(VDs, IDS) and configuration type (CT), y is a 12-dimensional vector which gives S- and N-parameters.The relationship between x and y is multidimensionaland nonlinear. To model such a multidimensional nonlinearrelationship, a three-layer neural network isemployed, which has n processing nodes (PN) in theinput layer, p PNs in the output layer, and q PNs in thehidden layer, as shown in Fig. 1. Let be vectors representing the kth sample of the input andoutput, respectively, k = 1, 2, …, N, where N,9 is thetotal number of the data samples.
| عنوان فارسی مقاله: | مدل شبکه عصبی نویز سیگنال چند بعدی |
| عنوان انگلیسی مقاله: | Multidimensional signal noise neural network model |
خرید ترجمه فارسی مقاله با فرمت ورد
خرید نسخه پاورپوینت این مقاله جهت ارائه