Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more ➡
Download
Standard view
Full view
of .
Add note
Save to My Library
Sync to mobile
Look up keyword
Like this
3Activity
×
0 of .
Results for:
No results containing your search query
P. 1
069 DiseÑo de Circuitos de Alta Frecuencia Usando Mapeo Espacial Neural

069 DiseÑo de Circuitos de Alta Frecuencia Usando Mapeo Espacial Neural

Ratings: (0)|Views: 1,660|Likes:
Published by api-3695723

More info:

Published by: api-3695723 on Oct 17, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See More
See less

03/18/2014

pdf

text

original

1
DISE\u00d1O DE CIRCUITOS DE ALTA FRECUENCIA USANDO MAPEO
ESPACIAL NEURAL CON NO-LINEALIDAD REGULADA
Vladimir Guti\u00e9rrez-Ayala y Jos\u00e9 Ernesto Rayas-S\u00e1nchez

Grupo de Investigaci\u00f3n en Ingenier\u00eda Asistida por Computadora de Circuitos y Sistemas
Departamento de Electr\u00f3nica, Sistemas e Inform\u00e1tica
Instituto Tecnol\u00f3gico y de Estudios Superiores de Occidente (ITESO)
Tlaquepaque, Jalisco, M\u00e9xico, 45090

E-mail:vladimirga@iteso.mx yerayas@iteso.mx
ABSTRACT

En este trabajo se realizan mejoras sustanciales al algoritmo de dise\u00f1o de circuitos electr\u00f3nicos basado en mapeo espacial neural. Dichas mejoras incluyen la regulaci\u00f3n de la cantidad de no-linealidad utilizada por la red neuronal durante el entrenamiento del neuromodelo mapeado, as\u00ed como una simplificaci\u00f3n del proceso de obtenci\u00f3n del siguiente punto predicho por el algoritmo, y la determinaci\u00f3n autom\u00e1tica de criterios de finalizaci\u00f3n del mismo. Con las mejoras implementadas se obtiene un algoritmo de dise\u00f1o m\u00e1s eficiente y robusto. Para ilustrar el desempe\u00f1o de este nuevo algoritmo se dise\u00f1an dos filtros en tecnolog\u00eda microcinta: un filtro rechaza-banda con \u201cstubs\u201d abiertos resonantes de un cuarto de longitud de onda, y un filtro notch de alta selectividad. Para ambos circuitos se utilizan simuladores electromagn\u00e9ticos de onda completa.

1. INTRODUCCI\u00d3N

El modelado y dise\u00f1o de circuitos electr\u00f3nicos mediante redes neuronales artificiales (RNA) es una \u00e1rea que ha experimentado un gran crecimiento en los \u00faltimos a\u00f1os [1]-[3]. El m\u00e9todo convencional para dise\u00f1ar circuitos mediante RNAs b\u00e1sicamente 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 regi\u00f3n de inter\u00e9s; b) una vez desarrollado el neuromodelo, \u00e9ste se utiliza para hacer dise\u00f1o por m\u00e9todos cl\u00e1sicos de optimizaci\u00f3n.

Este trabajo fue financiado en parte por CONACYT (Consejo Nacional de Ciencia y Tecnolog\u00eda, Gobierno Mexicano) bajo los proyectos I39341A y C02-42930A-1. Vladimir Guti\u00e9rrez-Ayala fue apoyado mediante beca CONACYT 182533.

Una desventaja del m\u00e9todo anterior es que generalmente se requieren muchos datos de entrenamiento para generar un neuromodelo que cubra con suficiente precisi\u00f3n la regi\u00f3n de inter\u00e9s. Generar los datos de entrenamiento puede resultar costoso cuando provienen de mediciones de laboratorio, o bien cuando son producidos por alg\u00fan simulador que consuma muchos recursos computacionales (especialmente tiempo de simulaci\u00f3n), como sucede con los simuladores electromagn\u00e9ticos de onda completa. A este tipo de modelos, de alta precisi\u00f3n pero alto costo computacional, se les denomina \u201cmodelos finos\u201d.

El neuromodelado basado en mapeo espacial [4] es una t\u00e9cnica que reduce considerablemente la cantidad requerida de datos de aprendizaje provenientes del modelo fino, en comparaci\u00f3n con el neuromodelado convencional descrito anteriormente. Adem\u00e1s, mejora notablemente la habilidad de generalizaci\u00f3n del neuromodelo debido a que se hace uso de un modelo burdo o emp\u00edrico, el cual es una aproximaci\u00f3n 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 par\u00e1metros. De esta manera, el modelo burdo es usado como fuente de conocimiento previo que reduce la cantidad de puntos de entrenamiento.

El algoritmo de dise\u00f1o de circuitos electr\u00f3nicos usando mapeo espacial neural [5] explota en cada iteraci\u00f3n la t\u00e9cnica de neuromodelado basado en mapeo espacial [4]. Teniendo el neuromodelo mapeado con un error de entrenamiento suficientemente peque\u00f1o, se optimizan sus par\u00e1metros de entrada en cada iteraci\u00f3n, para as\u00ed obtener el siguiente punto en el algoritmo.

En el presente trabajo se realizan mejoras al algoritmo de dise\u00f1o de circuitos electr\u00f3nicos usando mapeo espacial neural [5], el cual es ahora implementado en MatLabMR [6], [7]. Las mejoras consisten en tres cambios principales:

2

a) regulando la cantidad de no-linealidad del perceptr\u00f3n de tres capas durante todo el entrenamiento, mejorando as\u00ed la habilidad de generalizaci\u00f3n de la RNA; b) modificando la manera mediante la cual se predice el siguiente punto en el algoritmo, lo cual lo hace ahora de manera m\u00e1s eficiente; y (c) haciendo que el perceptr\u00f3n de dos capas prediga el valor de error m\u00e1ximo permitido para la finalizaci\u00f3n del entrenamiento del neuromodelo mapeado, y el m\u00e1ximo error relativo permitido entre la respuesta deseada y la respuesta del modelo fino evaluado en el punto predicho por el algoritmo. Estos tres cambios han dado lugar a un algoritmo m\u00e1s robusto.

Para mostrar el desempe\u00f1o del nuevo algoritmo se dise\u00f1an dos filtros de tipo microcinta: un filtro rechaza banda con \u201cstubs\u201d abiertos resonantes de un cuarto de longitud de onda, y un filtro notch de alta selectividad de rechazo. Para ambos circuitos se utilizan simuladores electromagn\u00e9ticos de onda completa.

2. MAPEO ESPACIAL

El mapeo espacial [8] es una t\u00e9cnica que combina la eficiencia computacional de un modelo burdo, con la exactitud de un modelo fino. El m\u00e9todo de mapeo espacial establece una liga matem\u00e1tica entre ambos modelos, dejando el trabajo intensivo al modelo burdo, mientras se

mantiene la exactitud y precisi\u00f3n que caracteriza al modelo
fino.Los par\u00e1metros de dise\u00f1o del modelo burdo y modelo
fino est\u00e1n enxcyxf\u2208 \u211cn, respectivamente, mientras que
Rc(xc) yRf(xf) son sus respectivas respuestas (c por la
inicial de burdo en ingl\u00e9s \u201ccoarse\u201d). La estrategia del
mapeo espacial consiste en encontrar un mapa apropiado
Mdel espacio de entrada del modelo fino hacia el espacio
de entrada del modelo burdo
)
(f
c
x
M
x=
(1)
de manera que,
)
(
))
(
(
f
f
f
c
x
R
x
M
R
\u2248
(2)

Una vez que el mapaM es encontrado en la regi\u00f3n de inter\u00e9s, el modelo burdo mapeado,Rc(M(xf)), puede ser usado para simulaciones eficientes y de alta precisi\u00f3n en esa regi\u00f3n.

3. DISE\u00d1O BASADO EN MAPEO ESPACIAL
NEURAL
3.1. Descripci\u00f3n del Algoritmo

En la Fig. 1 se muestra el diagrama de flujo simplificado del algoritmo de dise\u00f1o usando mapeo espacial neural [5]. Se inicia optimizando el modelo burdo para encontrar los par\u00e1metros \u00f3ptimos de dise\u00f1oxc

* que hacen que su
Se entrena un neuromapaM de
forma que:
no
si
Fin
Elegirxf(i) =xc*
Calcular la respuesta del
modelo fino
Rf(xf(i))
i= 1
Se optimiza el neuromodelo basado en
mapeo espacial
i= i+ 1
Se optimiza el modelo burdo
Inicio
))
),
,
(
(
(
min
arg
1)
(
\u03c8
w
x
M
R
x
x
*
f
c
f
i
f
U
=
+
))
,
(
(
min
arg
\u03c8
x
R
x
x
c
c
c
*c
U
=
.
1
2
,.....,
1
)
),
(
(
)
,
(
)
(
)
(
)
(
+
=
\u2248
n
l
l
f
cs
l
f
l
fs
\u03c8
x
M
R
\u03c8
x
R
*
)
()
(
R
x
R
\u2248
i
f
f
Se seleccionan 2n puntos adicionales
alrededor dexc*
Fig. 1 Diagrama de flujo simplificado del algoritmo de dise\u00f1o usando mapeo especial neural.
3

respuesta cumpla con las especificaciones de dise\u00f1o. Como se muestra en la Fig. 2, se seleccionan 2n puntos adicionales siguiendo una distribuci\u00f3n de estrella, como en [4] y [9], centrados en los par\u00e1metros \u00f3ptimos del modelo burdoxc

*, donden es el n\u00famero de par\u00e1metros de dise\u00f1o.
El porcentaje de desviaci\u00f3n desdexc
* para cada uno de los

par\u00e1metros de dise\u00f1o se puede determinar de acuerdo a las sensibilidades del modelo burdo, asumiendo que \u00e9stas son similares a las del modelo fino. En este trabajo, \u00e9ste porcentaje de desviaci\u00f3n se determina arbitrariamente.

En seguida se eval\u00faa el modelo fino en la soluci\u00f3n
\u00f3ptima del modelo burdoxc
*, y se obtiene su respuestaRf.
SiRf es aproximadamente igual a la respuesta deseadaR*
=Rc(xc
*,\u03c8), el algoritmo termina, de no ser as\u00ed, se
desarrolla un neuromodelo basado en mapeo espacial (ver
Fig. 3), sobre los 2n +1 puntos iniciales del modelo fino.

Una vez que se obtiene el neuromodelo mapeado con un error de entrenamiento lo suficientemente peque\u00f1o, se utiliza a \u00e9ste como un modelo burdo mejorado optimizando sus par\u00e1metros de dise\u00f1oxf, para obtener la respuesta deseada. La soluci\u00f3n a este problema de optimizaci\u00f3n se convierte en el siguiente punto del algoritmo, el cual se incluye en el conjunto de puntos de entrenamiento del modelo fino para la siguiente iteraci\u00f3n.

Con el punto predicho, se eval\u00faa nuevamente el modelo finoRf y se compara su respuesta con la respuesta deseadaR*. Si siguen siendo a\u00fan muy diferentes, se vuelve a entrenar el neuromodelo basado en mapeo espacial sobre el conjunto extendido de puntos de aprendizaje, y se contin\u00faa con el algoritmo. Si las respuestas son lo suficientemente parecidas, el algoritmo termina.

3.2. Optimizaci\u00f3n del Modelo Burdo
El primer paso del algoritmo es encontrar los par\u00e1metros
\u00f3ptimos de dise\u00f1oxc
*, los cuales hacen que el modelo

burdo genere la respuesta o respuestas deseadasR* cumpliendo con las especificaciones de dise\u00f1o, sobre un rango de inter\u00e9s para las variables independientes contenidas en el vector\u03c8.

Para problemas en el dominio de la frecuencia, el vector
\u03c8contiene todos los puntos en frecuencia,PF, sobre los

cuales est\u00e1n muestreadas las respuestas del circuito. El vector de respuestas optimizables del modelo burdo, se puede denotar de la siguiente manera,

[
]T
T
c
m
c
T
c
c
c
c
)
(
...
)
(
)
(
1
x
R
x
R
x
R
=
(3)
donde,
[
]T
P
c
r
c
c
r
c
c
r
c
F
\u03c8
R
\u03c8
R
)
,
(
)
,
(
)
(
1
x
x
x
R
K
=
r= 1,...m(4)
yr, es el n\u00famero de respuestas de inter\u00e9s.

La formulaci\u00f3n del problema de optimizaci\u00f3n del modelo burdo se puede plantear de la siguiente manera, como en [10],

))
,
(
(
min
arg
*
\u03c8
x
R
x
x
c
c
c
c
U
=
(5)

dondeU es la funci\u00f3n objetivo, usualmente minimax, la cual est\u00e1 expresada en t\u00e9rminos de las especificaciones de dise\u00f1o para cada respuesta y rango de frecuencia.

3.3. Entrenamiento del Neuromodelo basado en Mapeo
Espacial
Durante el entrenamiento del neuromodelo mapeado a
cada iteraci\u00f3ni del algoritmo, queremos encontrar el mapa
M(i) m\u00e1s simple posible, que haga que las respuestas del

modelo burdo mapeado se aproximen a las respuestas del modelo fino en todos los puntos de entrenamiento (ver Fig. 3). Para poder llevar a cabo la aproximaci\u00f3n del mapaM de una manera m\u00e1s confiable y eficiente, en vez de usar las respuestas optimizables de cada modeloRcyRf, se toman en cuenta todo el conjunto de respuestas caracter\u00edsticas disponibles en ambos modelos,RcsyRfs, como en [11], y se resuelve el siguiente problema de optimizaci\u00f3n:

[
]2
*
min
arg
T
T
lK
Ke
w
w=
(6)
))
,
(
(
-
)
(
)
(
)
(
w
x
M
R
x
R
e
l
f
cs
l
f
fs
l=
l = 1,\u20262n+ i(7)
dondel es el contador de puntos de entrenamiento, siendo
2n +1 los puntos de entrenamiento iniciales.

Se puede notar que durante este proceso siempre se busca obtener un vector de par\u00e1metros de entrada del modelo burdo que hagan que sus respuestas est\u00e9n lo m\u00e1s cercanas posible a las respuestas del modelo fino. El vector respecto del cual se va a llevar a cabo la optimizaci\u00f3n esw, el cual contiene los par\u00e1metros internos

xf1
xf2
xf3
xc
*
Fig. 2 Distribuci\u00f3n de puntos en forma de estrella para un
problema con tres par\u00e1metros de dise\u00f1o.
RNAModelo
Fino
Rf
xf
Rc\u2248 Rf
w
Modelo
Burdo
xc
\u03c8
Fig. 3 Entrenamiento del neuromodelo basado
en mapeo espacial.

Activity (3)

You've already reviewed this. Edit your review.
1 thousand reads
1 hundred reads
Washo Herrera liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->