Rangkai neural atau Rangkaian neural buatan (ANNs) telah digunakan untuk pemodelan litar gelombang mikro dan RF peranti selama bertahun-tahun. Untuk kaedah konventional, parameter-S untuk rekabentuk gelombang mikro/RF digunakan sebagai input dalam model rangkaian neural untuk meramalkan sifat elektrik rekabentuk. Walau bagaimanapun, kaedah konvensional boleh diperbaiki untuk mempercepatkan proses latihan dan mengurangkan penggunaan memori. Sehubungan itu, satu kaedah baru telah dicadangkan dalam tesis ini, yang akan memecahkan parameter-S kepada baki dan kutub. Kemudian, baki dan kutub tersebut akan digunakan sebagai input untuk pasangan input-sasaran daripada data semasa konfigurasi dan latihan rangkaian neural. Dalam tesis ini, cadangan kaedah diuji tentang 3 kes, di mana kes 1 ialah pemodelan talian penghantaran 2-terminal ideal (TLIN), kes 2 ialah permodelan talian penghantaran 2-terminal fizikal (TLINP), dan kes 3 ialah pemodelan sambungan siri 2 TLINP. “Advanced Design System” (ADS) telah digunakan untuk selaku parameter-S dan mata-tinggi/lebar talian penghantaran. Cara pemasangan-vektor digunakan untuk mengeluarkan baki dan kutub dari parameter-S untuk digunakan dalam latihan rangkaian neural bagi ramalan mata-tinggi/lebar. MATLAB Neural Network Toolbox digunakan dalam kerja-kerja ini untuk mencipta model rangkaian neural. Bagi kes 1, kaedah konvensional juga digunakan untuk melatih rangkaian neural model bagi ramalan mata-tinggi/lebar. Bagi kedua-dua kaedah, teknik cari kasar dan halus digunakan untuk menentukan bilangan optimum neuron yang tersembunyi. Kedua-dua kaedah dibandingkan dari segi kelajuan latihan dan penggunaan memori. Hasil kajian menunjukkan bahawa rangkaian neural yang dicipta dengan menggunakan kaedah cadangan mempunyai prestasi yang memuaskan. Selain itu, kaedah yang dicadangkan juga boleh mempercepatkan proses latihan dan mengurangkan penggunaan memori berbanding dengan kaedah konvensional.
_______________________________________________________________________________________________________
Neural networks or artificial neural networks (ANNs) have been used to model microwave and RF devices over the years. Conventionally, S-parameters of microwave/RF designs are used as the inputs of neural network models to predict the electrical properties of the designs. However, the conventional method can be improved to speed up the training process and reduce memory consumption. In relation to that, a new method is proposed in this thesis to dissemble the S-parameters into residues and poles, and then the residues and poles are used as the inputs of input-target pairs of data during configuration and training of neural networks. In this work, the proposed method is tested on 3 cases, where case 1 is the modeling of ideal 2-terminal transmission line (TLIN), case 2 is the modeling of physical 2-terminal transmission line (TLINP), and case 3 is the modeling connections of 2 TLINPs in series. Advanced Design System (ADS) is used to simulate S-parameters and the corresponding eye-heights and eye-widths of the transmission lines. Vector fitting is used to extract residues and poles from S-parameters to be used in training of neural networks for eye-height/width prediction. MATLAB Neural Network Toolbox is used in this work to create the neural network models. For case 1, the conventional method is also used to train neural network models for eye-height/width prediction. For both methods, coarse and fine search techniques are used to decide the optimal number of hidden neurons. Both methods are compared in terms of training speed and memory consumption. The results show that the neural networks created using proposed method have satisfactory performance. Other than that, the proposed method can also speed up the training process and reduce memory consumption as compared to conventional method.
Artificial intelligence for circuit simulations / Goay Chan Hong