Primena veštačkih neuronskih mreža u modelovanju ... - Telfor 2009

Parameters) od struje napajanja. Na taj način omogućenaje predikcija parametara šuma za proizvoljne uslovenapajanja iz radnog opsega komponente. U radu su dati inumerički rezultati modelovanja pakovanog GaAs FETtranzistora ATF21186 i izvedeni odgovarajući zaključci.II. EMPIRIJSKI MODEL ŠUMA TRANZISTORAEkvivalentno kolo MESFET / HEMT tranzistora kojeuključuje i parazitne efekte pakovanja, prikazano je naSl.1. Standardno unutrašnje ekvivalentno kolo, koje jezajedničko za većinu modela mikrotalasnih FETtranzistora, označeno je isprekidanom linijom.Sl. 1. Ekvivalentno kolo pakovanog MESFET-a / HEMTasa uključenim izvorima šumaPrema pristupu predloženom u [3], parametri šumaunutrašnjeg ekvivalentnog kola tranzistora - minimalnifaktor šuma, F min , normalizovana ekvivalentna otpornostšuma, r n , i optimalni koeficijent refleksije, opt ,izračunavaju se u funkciji elemenata ekvivalentnog kola iekvivalentnih temperatura šuma. Ovako određeniparametri šuma u određenoj meri odstupaju od referentnih(merenih) vrednosti parametara šuma. Da bi seminimiziralo odstupanje koje postoji između merenih imodelovanih vrednosti parametara šuma, u radovima [4] i[5] je predložen novi model koji uvodi funkcije korekcijegreške. Najpre se, za frekvencije za koje postoje mereniparametri šuma, određuje količnik vrednosti merenog iodgovarajućeg modelovanog parametra šuma. Dobijenevrednosti zatim se fituju pogodnim frekvencijski zavisnimkrivama. Funkcije korekcije greške, koje predstavljajumatematičku prezentaciju dobijenih krivih, određuju seposebno za svaki od parametara šuma. Tako određenimfunkcijama korekcije greške množi set jednačina dat u [3]i na taj način dobijaju nove jednačine kojima za proračunparametara šuma unutrašnjeg kola tranzistora. Jednomodređene funkcije korekcije greške važe za celitemperaturni i/ili opseg napajanja komponente.III. VEŠTAČKE NEURONSKE MREŽEPostupak modelovanja šuma koji je predložen u ovomradu podrazumeva ekstrakciju parametara modela šumatranzistora za svaku novu kombinaciju uslova napajanja.Kako to zahteva kompletan postupak pribavljanja merenihpodataka, a zatim i optimizaciju, u cilju povećanjaefikasnosti ovog pristupa predloženo je korišćenjeveštačkih neuronskih mreža za ekstrakciju parametaramodela. U tu svrhu se može iskoristiti standardna slojevitaveštačka neuronska mreža (MLP – Multilayer PerceptronNetwork ), [5].Ova mreža se sastoji od neurona grupisanih u slojeve.Izlazi svih neurona iz jednog sloja se vode na ulazeneurona iz narednog sloja. Pobudni signali iz okruženja sedovode na ulaze neurona u prvom, ulaznom sloju. Izlazineurona iz poslednjeg (izlaznog) sloja su izlazi cele mreže.Neuroni koji nisu u direktnom kontaktu sa okruženjempripadaju tzv. skrivenim slojevima. Svakom neuronu jedodeljena aktivaciona funkcija, a svakoj vezi težina.Pragovi aktivacionih funkcija i težine veza predstavljajuparametre neuronskog modela. U postupku učenja mrežetreba odrediti parametre mreže tako da razlika izmeđuželjenog i stvarnog odziva mreže bude minimalna.Postupak učenja se vrši po backpropagation algoritmu ilinekoj od njegovih modikacija, kao što je Levenberg-Marquardt-ov algoritam, koji je korišćen za obučavanjemodela prikazanih u ovom radu.U ovom radu je, u cilju modelovanja zavisnostiparametra modela šuma tranzistora (ECP) u funkcijiuslova napajanja, predložena neuronska mreža prikazanana Sl. 2. Obzirom da smo modelovali tranzistor kod kogaje jednosmerni napon između drejna i sorsa V ds =const, toneuronska mreža ima jedan neuron na ulazu koji odgovarastruji izmađu drejna i sorsa, I. Broj izlaznih neuronajednak je broju parametara modela šuma, ECP. Mrežamože imati jedan ili dva skrivena sloja.Neuroni iz ulaznog i izlaznog sloja imaju linearnu, aneuroni iz skrivenih slojeva sigmoidalnu aktivacionuufunkciju ( F(u) 1/(1 e ) ), pa se vrednosti ECPodređuju na osnovu izrazaECP W * F W * I B , (1) 1 1 22 Bgde su W 1 i W2- težinske matrice između ulaznog iskrivenog, odnosno, između skrivenog i izlaznog sloja, aB 1 i B 2 - matrice biasa za skriveni i izlazni sloj,respektivno.Predložena neuronska mreža je obučavana na osnovuekstrahovanih vrednosti ECP-a za nekoliko različitihstruja napajanja iz radnog opsega komponente. Nakonobučavanja se vrednosti ECP-a za proizvoljne strujenapajanja tranzistora određuju jednostavnim nalaženjemodziva mreže, čime je izbegnuta potreba za pribavljanjemmerenih podataka, kao i optimizacija u okviru simulatoramikrotalasnih kola.402