Презентация 4 - Томский политехнический университет

реклама
Информационная система анализа
электронных компонентов на базе
нейронечетких моделей
Рауерова Яна
Томский политехнический университет
1
Актуальность, цель и задачи
Актуальность Необходимость разработки надёжных электронных
компонентов и устройств с заданными характеристиками
передачи и рассеивания сигнала
Цель Повысить эффективность процесса разработки электронных
компонентов за автоматизации вычисления характеристик
передачи и рассеивания сигнала
Задачи
1.
Спроектировать нейросетевую модель, позволяющую находить
характеристики передачи и рассеивания сигнала в
зависимости от типа электронного компонента и обучающей
выборки
2.
Разработать алгоритм настройки нейросетевой модели,
позволяющий вычислять характеристики передачи и
рассеивания с точностью не выше 5%
3.
Написать программу нейросетевого моделирования
4.
Произвести тестирование приложения на наборе выборок
характеристик
нескольких
электронных
Информационная
система анализа
электронныхкомпонентов
компонентов
на базе нейронечетких моделей Рауерова Яна
2
S-параметры электронных компонентов
Каждый электронный компонент обладает матрицей Sпараметров, значения в которой характеризуют константы в
функциях передачи и отражения сигнала внутри этого
компонента.
Пример: Параметры, влияющие
на S-параметры транзистора
1.Напряжение затвора
2.Напряжение стока
3.Количество пальцев
4.Ширина запирающего слоя
5.Частота подаваемого тока
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
3
Нейронечеткая сетевая система вывода
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
4
Кластеризация входных данных
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
5
Функция ошибки нейросетевой модели
1 N k
E ( pi , Z j )    (o  d k ) 2  min, i  1..FN , j  1.. RN
N k 1
ok
dk
N
- Реальный выход модели
- Желаемый выход модели
- Количество обучающих примеров
FN - Количество функций принадлежности
RN
- Количество правил вывода
pi , Z j , i  1..FN , j  1.. RN
- Оптимизируемые параметры
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
6
Математическое описание настройки
Изменение параметров модели на каждой итерации настройки
Z j ( t  1)  Z j ( t )  Z j
i  1..FN , j  1.. RN
pi ( t  1)  pi ( t )  pi
Z j    (o  d ) 
rk - Выход правила k
m j - Значение функ. принадлежности j
rj
M
r
j 1
j
 - Скорость настройки
 

  M   M





  m k  Z k     r j     r j  Z j     m k 
 k
  j 1   j 1
 m i
  k
pi    (o  d ) 

2
pi
 M 
  rj 


 j 1 
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
7
Алгоритм и функция ошибки в процессе
обучения
6
Значение ошибки
5
4
3
2
1
1 3
5 7
9
11
13
15
17
19
21
23
25
ReS11
ImS12
ReS12
ImS11
0
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
8
Практическая реализация: использование
возможностей нескольких вычислительных ядер
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
9
Выводы
1.Спроектирована
нейронечеткая
сеть,
анализа
характеристик
электронных
компонентов
для
получения S-параметров.
2.Разработан алгоритм функционирования и настройки
нейронечеткой сети.
3.Написана программа, которая производит отмеченные
ранее вычисления.
4.Ошибка модели на реальных данных при построении
моделей электронных компонентов составила 2%.
Информационная система анализа электронных компонентов
на базе нейронечетких моделей Рауерова Яна
10
Скачать