Descripción
En
este trabajo se propone una nueva técnica para el transistor de efecto de campo
(FET) de pequeña señal de modelado con redes neuronales. Esta técnica se basa
en la combinación de los coeficientes de frecuencia Mel Cepstral (MFCC) con las
diferentes transformaciones discretas, tales como la transformada discreta del
coseno (DCT), la transformada discreta del seno (DST), y la transformada
discreta wavelet (DWT) de la entrada a las redes neuronales. Los datos de
entrada a los sistemas tradicionales conjuntos neuronales para el FET de
pequeña señal de modelado son los parámetros de dispersión y las frecuencias
correspondientes en una determinada banda, y las salidas son los elementos del
circuito. En el enfoque propuesto, este conjunto de datos son considerados como
constitutivos de señales aleatorias. El MFCC de las señales aleatorias se
utiliza para generar un pequeño número de rasgos que caracterizan las señales.
Además, otros vectores se calculan a partir de la DCT, de DST, o la DWT de la
señal al azar y se añade a los vectores MFCC calculados a partir de las
señales. Los vectores de características nuevas se utilizan para entrenar las
redes neuronales. El objetivo de la utilización de estos nuevos vectores es la
caracterización de las secuencias de entrada al azar con características mucho
más para ser robustos frente a errores de medición. Hay dos ventajas de estos
enfoques, una reducción en el número de entradas de las redes neuronales y, por
lo tanto, una convergencia más rápida del algoritmo de entrenamiento neural y
robustez frente a errores de medición en la fase de pruebas. Los resultados
experimentales muestran que las técnicas basadas en las transformaciones discretas
son menos sensibles a los errores de medición que el uso de los métodos
tradicionales y MFCC.
Elsharkawy, R. R. et al. (2011). A New Trend for FET Small Signal Modeling
Using Cepstral Analysis. Científica: La Revista Mexicana de
Ingeniería Electromecánica, 15(3),
pp. 131-138.
Comentarios