مدلسازی ترانزیستورهای توان بالا و فرکانس بالای ldmos با استفاده از شبکه عصبی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه رازی - دانشکده فنی و مهندسی
- نویسنده رسول موحدی
- استاد راهنما محسن حیاتی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1388
چکیده
در این پایان نامه کاربرد شبکه های عصبی پرسپترون چند لایه و تابع بنیادی شعاعی برای مدل کردن ترانزیستورهای توان بالا و فرکانس بالای ldmos ارائه شده است. اخیرا علاقه به ترانزیستور ldmos به خاطر کاربردهایش در تقویت کننده های توان rf در سیستم های ارتباطی بی سیم افزایش یافته است. اما غیر خطی بودن قطعه مسئله مهمی در این تقویت کننده هاست چون به هنگام اعمال سیگنال های با فرکانس نزدیک به هم در ورودی منجر به تولید اعوجاج بین مدولاسیونی می شود که مطلوب نیست. بنابراین نیاز به مدلی داریم که بتواند به دقت اعو جاج های ناشی از خواص غیر خطی قطعه را پیش بینی کند. به همین دلیل در این پایان نامه به مدلسازی عملکرد dc، عملکرد rf و عملکرد نویز فرکانس بالای ترانزیستور ldmos با در نظر گرفتن اثر دما که در این ادوات بسیار تاثیرگذار است می پردازیم. از شبیه ساز ads برای بدست آوردن داده های مورد نیاز برای شبکه عصبی استفاده شده است و آموزش و تست ساختارهای شبکه عصبی با استفاده از این داده ها صورت گرفته است. در نهایت مقایسه نتایج بدست آمده نشان می دهد که در هر سه مدل، شبکه عصبی پرسپترون چند لایه دارای دقت بیشتری در مقایسه با مدل تابع بنیادی شعاعی است و به عنوان روشی موثر برای مدلسازی کامل این ادوات با حداقل خطا معرفی می شود.
منابع مشابه
مدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی
مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلا...
متن کاملمدلسازی و شبیه سازی ترانزیستورهای فرکانس بالای hbt sige:c با تکنولوژی ihp bicmos در مقیاس ?m0.13 با استفاده از شبکه های عصبی
اصطلاح مدل قطعه در استخراج اتوماتیک پارامترهای مدار معادل سیگنال کوچک، برای طراحان ic های مدرن بسیار حائز اهمیت است. ihp در سپتامبر سال 2009 با انجام یک سری شبیه سازی در فرکانس بالا بر روی ترانزیستورها، به مشخصاتی برای sige:c bicmos ها دست یافتند که فرکانس قطع و فرکانس ماکزیمم بالا( >ghz 120) از آن دسته مشخصات اند. hbt های sige:c امروزه به عنوان مهمترین ترانزیستورها در تکنولوژی bicmos استفاد...
15 صفحه اولمدلسازی و شبیه‌سازی بیوسنسور آنزیمی برای تشخیص آفلاتوکسین B1 با استفاده از شبکه عصبی مصنوعی
افلاتوکسین B1 (AFB1) سمی ترین گروه آفلاتوکسین‌هاست که باعث آلودگی محصولات کشاورزی شده و اثرات مرگ باری بر سلامت انسان دارد. تشخیص AFB1 در مواد غذایی و خوراکی توسط بیوسنسورها سریع، کم هزینه و دقیق است. در این مقاله به مدلسازی و شبیه‌سازی واکنش‌های شیمیایی در بیوسنسور پتانسیومتری AFB1 جهت تعیین ثابت‌های بهینه نرخ واکنش پرداخته شده است. شبیه‌سازی واکنش‌های شیمیایی توسط نرم افزار COMSOL...
متن کاملیک فشرده ساز 4:2 مافوق ولتاژ پایین و توان پایین با استفاده از ترانزیستورهای FinFET
یک فشرده ساز، بلوک سازنده بسیاری از مدارات محاسباتی می‌باشد. طراحی یک فشرده ساز که مساحت کوچکتر، توان مصرفی کم و سرعت بالا دارد همواره مورد تقاضا می‌باشد. از آنجاییکه طول کانال به سمت مقیاس نانو میل می‌کند استفاده از MOSFET به عنوان افزاره پایه در فشرده‌ساز اکنون به محدودیت های عملکردی خود از قبیل اتلاف توان میانگین و سرعت نائل می‌شود. در این مقاله، یک سلول تمام جمع کننده یک بیتی با استفاده از ...
متن کاملشبیه سازی و طبقه بندی وقایع کیفیت توان با استفاده از شبکه عصبی
امروزه استفاده ی روز افزون از تجهیزات الکترونیکی و بارهای غیر خطی در سیستم قدرت، مسئله کیفیت توان را به یک موضوع مهم تبدیل کرده است. در این مقاله برای شبیه سازی وقایع کیفیت توان به طور همزمان از دو روش مدل سازی ریاضی و داده های حاصل از شبیه سازی با نرم افزار Pscad استفاده شده است. با توجه به عملکرد بسیار خوب شبکه های عصبی در کارهای تشخیص الگو و طبقه بندی، شبکه عصبی چند لایه برای طبقه بندی وقایع...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه رازی - دانشکده فنی و مهندسی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023