Crosstalk boleh menyebabkan masalah gangguan elektromagnet yang serius. Oleh itu, menjangkakan crosstalk dalam peringkat reka bentuk awal adalah penting. Beberapa kaedah pemodelan konvensional seperti RDSI dan SPICE telah dibentangkan untuk menganggarkan crosstalk dalam talian penghantaran. Walaubagaimanapun, kaedah ini memerlukan penggunaan memori CPU yang besar dan tempoh latihan yang panjang. DOE digunakan untuk memilih data latihan secara efisien dan mengurangkan bilangan simulasi EM dalam “Advanced Design System” (ADS). Momentum EM Simulator digunakan untuk mengekstrak S-parameter dari stripline dengan parameter reka bentuk yang berbeza dan menghasilkan dataset yang efisien. Matlab Neural Network Toolbox digunakan untuk mencipta model rangkaian neural. Model rangkaian neural dilatih untuk mempelajari pencirian data bagi menjangkakan crosstalk dalam stripline. Akhir sekali, model rangkaian neural disahkan dengan membandingkan keputusan simulasi dan hasil yang diramalkan dari ADS dan ANN. Penilaian prestasi menunjukkan bahawa anggaran crosstalk dalam stripline mencapai 99.9% dalam masa latihan 0.2810s. Kesimpulannya, hasil kajian ini mengesahkan bahawa ANN adalah berkesan dalam ramalan crosstalk stripline.
_______________________________________________________________________________________________________
Crosstalk can cause serious electromagnetic interference problem and crosstalk prediction in the early design stage is important. Several conventional modeling methods such as RDSI and SPICE have previously presented to predict crosstalk in non-uniform transmission lines and it needs large CPU memory consumption and long simulation time. DOE is applied to efficiently select training data and reduce the number of EM simulations in the Advanced Design System (ADS). Momentum EM Simulator is used to extract S-parameters from coupled stripline with different design parameters and generated an efficient dataset. Matlab Neural Network Toolbox is used to create neural network models. Neural network models are trained to learn the characterization and behavior of data for crosstalk estimation in stripline. Lastly, the neural model is validated by comparing the simulated results and predicted results from ADS and ANN. The performance evaluation shows that the crosstalk prediction in stripline achieved 99.9% with training time of 0.2810s. In conclusion, this verified that the ANN is effective in the stripline crosstalk prediction.
Artificial neural network for crosstalk prediction in stripline transmission lines / Kong Chun Lei