Utilization of neural networks for the design of microstrip lines with given S-parameter values

see the original item page
in the repository's web site and access all digital files if the item*

2008 (EN)
Χρήση νευρωνικών δικτύων για τη σχεδίαση μικροταινιακών γραμμών με δεδομένες S-παραμέτρους
Utilization of neural networks for the design of microstrip lines with given S-parameter values

Αποστολίδης, Χρήστος Μιλτιάδη

Recently, high data transmission rates and circuit density are the trends in the design of a digital printed circuit board. In such systems, crosstalk between coupled transmission lines causes the distortion of the signal and limits interconnect performance. Hence, the reduction of crosstalk becomes an important aspect of circuit design. In this work, the aim is to minimize crosstalk between two microstrip transmission lines on a multilayer PCB. It is attempted to determine the physical and geometrical parameters of the PCB, for given values of the near end and far end crosstalk, by the use of Artificial Neural Networks. The NN’s used, were based on a Radial Basis Function architecture with two hidden layers. The learning procedure was hybrid, consisting of an unsupervised and a supervised part. The K-means algorithm was used in the unsupervised part to group the training data, and the back-propagation algorithm was used in the supervised part of the learning procedure. The training and test data were obtained through simulation. The results are satisfactory for five out of six PCB parameters, as the relative errors do not exceed 10%.
Τα τελευταία χρόνια τα τυπωμένα κυκλώματα γίνονται όλο και πιο πυκνά δομημένα και οι ταχύτητες μετάδοσης των δεδομένων όλο και υψηλότερες. Σε τέτοιες διατάξεις η αλληλοπαρεμβολή μεταξύ των μικροταινιακών γραμμών έχει ως αποτέλεσμα την παραμόρφωση του μεταδιδόμενου σήματος και περιορίζει την απόδοση των διασυνδέσεων. Επομένως η μείωση αυτής της αλληλοπαρεμβολής αποτελεί ένα σημαντικό παράγοντα στην σχεδίαση των τυπωμένων κυκλωμάτων. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ελαχιστοποίηση της αλληλοπαρεμβολής μεταξύ δύο τυπωμένων μικροταινιακών γραμμών σε μια πολυστρωματική δομή. Αυτό επιχειρείται να επιτευχθεί προσδιορίζοντας τις φυσικές και γεωμετρικές παραμέτρους της διάταξης για δεδομένες τιμές της αλληλοπαρεμβολής με τη χρήση νευρωνικών δικτύων. Για την ανάπτυξη των νευρωνικών δικτύων επιλέχθηκε η αρχιτεκτονική ακτινικής συνάρτησης βάσης (RBF) με δύο κρυφά στρώματα καθώς και υβριδική διαδικασία εκπαίδευσης. Στην εκπαίδευση χωρίς επίβλεψη με την οποία έγινε η ομαδοποίηση των δεδομένων χρησιμοποιήθηκε ο αλγόριθμος K-means, ενώ στην εκπαίδευση με επίβλεψη χρησιμοποιήθηκε ο αλγόριθμος back-propagation. Τα δεδομένα με τα οποία πραγματοποιήθηκε η εκπαίδευση και ο έλεγχος των νευρωνικών δικτύων προέκυψαν από προσομοιώσεις. Από τα αποτελέσματα προκύπτει ότι προσδιορισμός των πέντε από τις έξι παραμέτρους της διάταξης γίνεται με ικανοποιητική ακρίβεια καθώς τα σχετικά σφάλματα δεν ξεπερνούν το 10%.

Postgraduate Thesis / Μεταπτυχιακή Εργασία

Νευρωνικά δίκτυα
Neural networks
Microstrip transmission lines
Μικροταινιακές γραμμές

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (EL)
Aristotle University of Thessaloniki (EN)



Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Σχολή Θετικών Επιστημών, Τμήμα Φυσικής

This record is part of 'IKEE', the Institutional Repository of Aristotle University of Thessaloniki's Library and Information Centre found at http://ikee.lib.auth.gr. Unless otherwise stated above, the record metadata were created by and belong to Aristotle University of Thessaloniki Library, Greece and are made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). Unless otherwise stated in the record, the content and copyright of files and fulltext documents belong to their respective authors. Out-of-copyright content that was digitized, converted, processed, modified, etc by AUTh Library, is made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). You are kindly requested to make a reference to AUTh Library and the URL of the record containing the resource whenever you make use of this material.

*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)