ABSTRACT
En este trabajo se realizan mejoras sustanciales al
algoritmo de diseño de circuitos electrónicos basado en
mapeo espacial neural. Dichas mejoras incluyen la
regulación de la cantidad de no-linealidad utilizada por la
red neuronal durante el entrenamiento del neuromodelo
mapeado, así como una simplificación del proceso de
obtención del siguiente punto predicho por el algoritmo, y
la determinación automática de criterios de finalización del
mismo. Con las mejoras implementadas se obtiene un
algoritmo de diseño más eficiente y robusto. Para ilustrar
el desempeño de este nuevo algoritmo se diseñan dos
filtros en tecnología microcinta: un filtro rechaza-banda
con “stubs” abiertos resonantes de un cuarto de longitud
de onda, y un filtro notch de alta selectividad. Para ambos
circuitos se utilizan simuladores electromagnéticos de
onda completa.
1. INTRODUCCIÓN
El modelado y diseño de circuitos electrónicos mediante
redes neuronales artificiales (RNA) es una área que ha
experimentado un gran crecimiento en los últimos años
El método convencional para diseñar circuitos
mediante RNAs básicamente consiste de dos pasos:
a) primero se desarrolla un neuromodelo del circuito, es
decir, se entrena una RNA para que sus respuestas
aproximen a las del circuito en una cierta región de interés;
b) una vez desarrollado el neuromodelo, éste se utiliza
para hacer diseño por métodos clásicos de optimización.
Una desventaja del método anterior es que
generalmente se requieren muchos datos de entrenamiento
para generar un neuromodelo que cubra con suficiente
precisión la región de interés. Generar los datos de
entrenamiento puede resultar costoso cuando provienen de
mediciones de laboratorio, o bien cuando son producidos
por algún simulador que consuma muchos recursos
computacionales (especialmente tiempo de simulación),
como sucede con los simuladores electromagnéticos de
onda completa. A este tipo de modelos, de alta precisión
pero alto costo computacional, se les denomina “modelos
finos”.
El neuromodelado basado en mapeo espacial es una
técnica que reduce considerablemente la cantidad
requerida de datos de aprendizaje provenientes del modelo
fino, en comparación con el neuromodelado convencional
descrito anteriormente. Además, mejora notablemente la
habilidad de generalización del neuromodelo debido a que
se hace uso de un modelo burdo o empírico, el cual es una
aproximación del circuito a modelar. Los modelos burdos
son generalmente modelos de circuitos equivalentes, los
cuales son computacionalmente muy eficientes pero tienen
un rango de validez limitado para sus parámetros. De esta
manera, el modelo burdo es usado como fuente de
conocimiento previo que reduce la cantidad de puntos de
entrenamiento.
El algoritmo de diseño de circuitos electrónicos usando
mapeo espacial neural explota en cada iteración la
técnica de neuromodelado basado en mapeo espacial .
Teniendo el neuromodelo mapeado con un error de
entrenamiento suficientemente pequeño, se optimizan sus
parámetros de entrada en cada iteración, para así obtener el
siguiente punto en el algoritmo.
En el presente trabajo se realizan mejoras al algoritmo
de diseño de circuitos electrónicos usando mapeo espacial
neural , el cual es ahora implementado en MatLabMR
PARA MAS DATOS contacteme aldo_ba_mad@hotmail.com
0 comentarios:
Publicar un comentario