Show simple item record

dc.contributor.authorPascual García, Juan 
dc.date.accessioned2010-07-13T07:28:32Z
dc.date.available2010-07-13T07:28:32Z
dc.date.issued2009-10-28
dc.description.abstract[SPA] En la presente tesis se ha Desarrollado un método de análisis de circuitos apantallados multicapa basado en redes neuronales. Una de las técnicas más utilizadas y exitosas en el análisis de este tipo de circuitos es la Ecuación Integral (IE) resuelta mediante el Método de los Momentos (MoM). La mayor carga computacional en la resolución de la IE proviene de la evaluación numérica de las funciones de Green de los potenciales relevantes del medio. En este trabajo se ha conseguido acelerar drásticamente el análisis circuital gracias a la aproximación de las funciones de Green mediante redes neuronales. Una vez entrenadas, las redes neuronales sustituyen a las funciones de Green en la IE. Se han utilizado dos tipos de redes neuronales: las Redes neuronales de funciones de base radial (RBFNN) y las Redes neuronales de Chebychev. Gracias principalmente a dos operaciones ha sido posible la correcta aproximación de las funciones de Green. Por un lado, se ha desarrollado un método de división del espacio de entrada muy efectivo. Por otro lado, la eliminación de la singularidad posibilita la aproximación de funciones de variación lenta. Se han aplicado dos estrategias de eliminación de la singularidad de las funciones de Green. La primera está basada en la multiplicación por la distancia (ρ) entre punto fuente y observación. La segunda técnica supera con creces a la anterior y consiste en la extracción de dos capas de imágenes espaciales del sumatorio total de imágenes. Respecto a las Redes neuronales de Chebychev se ha aplicado de modo novedoso el algoritmo de entrenamiento OLS. Este método permite el diseño óptimo de este tipo de redes, de modo que el rendimiento de estas redes ha superado en gran medida al de las RBFNNs. En ambas redes neuronales, la ganancia conseguida en el tiempo de análisis convierte en rentable al método neuronal. El tiempo invertido en la división del espacio de entrada y en el entrenamiento del conjunto de redes neuronales llega a ser despreciable con tan solo unos pocos análisis circuitales. Como demostración práctica de la habilidad de losmétodos neuronales de análisis programados se han desarrollado dos nuevos procedimientos de diseño de filtros encapsulados. El primer método utiliza los Algoritmos genéticos para optimizar un filtro inicial que no cumple las especificaciones prefijadas. Con el objetivo de asegurar la convergencia del proceso de optimización se ha definido una nueva función de rendimiento epecialmente adecuada para el diseño de filtros. Esta nueva función mide el grado de cumplimiento de las especificaciones e impide la aparición del problema de la convergencia prematura. El segundo método se basa en la aproximación con redes neuronales de las relaciones entre los parámetros eléctricos, que definen la respuesta de un filtro, y las dimensiones físicas que sintetizan dichos parámetros. Las redes neuronales entrenadas con estos datos pueden ser usadas en el diseño de muchos filtros en una estructura dada. Ambos métodos han demostrado su validez en el diseño de filtros prácticos.es
dc.description.abstract[ENG] In this PhD thesis one method of shielded multilayer circuit neural network based analysis has been developed. One of themost successful analysis procedures of these kind of structures is the Integral Equation technique (IE) solved by theMethod ofMoments (MoM). In order to solve the IE, in the version which uses the media relevant potentials, it is necessary to have a formulation of the Green’s functions associated to the mentioned potentials. The main computational burden in the IE resolution lies on the numerical evaluation of the Green’s functions. In this work, the circuit analysis has been drastically accelerated thanks to the approximation of the Green’s functions by means of neural networks. Once trained, the neural networks substitute the Green’s functions in the IE. Two different types of neural networks have been used: the Radial basis function neural networks (RBFNN) and the Chebyshev neural networks. Thanks mainly to two distinct operations the correct approximation of the Green’s functions has been possible. On the one hand, a very effective input space division has been developed. On the other hand, the elimination of the singularity makes feasible the approximation of slow variation functions. Two different singularity elimination strategies have been developed. The first one is based on the multiplication by the source-observation points distance (ρ). The second one outperforms the first one. It consists of the extraction of two layers of spatial images from the whole summation of images.With regard to the Chebyshev neural networks, the OLS training algorithm has been applied in a novel fashion. This method allows the optimum design in this kind of neural networks. In this way, the performance of these neural networks outperforms greatly the RBFNNs one. In both networks, the time gain reached makes the neural method profitable. The time invested in the input space division and in the neural training is negligible with only few circuit analysis. To show, in a practical way, the ability of the neural based analysis method, two new design procedures have been developed. The first method uses the Genetic Algorithms to optimize an initial filter which does not fulfill the established specifications. A new fitness function, specially well suited to design filters, has been defined in order to assure the correct convergence of the optimization process. This new function measures the fulfillment of the specifications and it also prevents the appearance of the premature convergence problem. The second method is found on the approximation, by means of neural networks, of the relations between the electrical parameters, which defined the circuit response, and the physical dimensions that synthesize the aforementioned parameters. The neural networks trained with these data can be used in the design of many circuits in a given structure. Both methods han been show their ability in the design of practical filters.en
dc.formatapplication/pdf
dc.language.isospaes
dc.publisherJuan Pascual Garcíaes
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.titleNuevas técnicas basadas en redes neuronales para el diseño de filtros de microondas multicapa apantalladoses
dc.typeinfo:eu-repo/semantics/doctoralThesises
dc.contributor.advisorQuesada Pereira, Fernando Daniel 
dc.contributor.advisorÁlvarez Melcón , Alejandro 
dc.date.submitted2010-02-05
dc.subjectAnálisis de circuitoses
dc.subjectRedes neuronaleses
dc.subjectFunciones de Greenes
dc.subjectRedes neuronales de Chebycheves
dc.subjectFiltros apantalladoses
dc.subjectCircuit neural networkes
dc.subjectCircuit analysises
dc.subjectChebyshev neural networkses
dc.subjectGreen's functions
dc.identifier.urihttp://hdl.handle.net/10317/1313
dc.contributor.departmentTecnologías de la Información y las Comunicacioneses
dc.identifier.doi10.31428/10317/1313
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses
dc.description.universityUniversidad Politécnica de Cartagenaes_ES
dc.description.programadoctoradoPrograma de doctorado en Tecnologías de la Información y Comunicacioneses_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 3.0 España
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 3.0 España