Скачать презентацию В Н Бирюков А М Пилипенко Адаптивный алгоритм Скачать презентацию В Н Бирюков А М Пилипенко Адаптивный алгоритм

a408d2e78b36110260ca1964f0649c98.ppt

  • Количество слайдов: 16

В. Н. Бирюков, А. М. Пилипенко Адаптивный алгоритм случайного поиска для задач параметрической идентификации В. Н. Бирюков, А. М. Пилипенко Адаптивный алгоритм случайного поиска для задач параметрической идентификации моделей электронных компонентов Южный федеральный университет, Институт радиотехнических систем и управления Таганрог, Россия http: //rtf. sfedu. ru

МЭС-2016 Add your company slogan Введение Задача параметрической идентификации модели электронного компонента состоит в МЭС-2016 Add your company slogan Введение Задача параметрической идентификации модели электронного компонента состоит в определении параметров математической модели компонента по заданной экспериментальной характеристике. Данная задача относится к «практическим задачам оптимизации» , решение которых с помощью стандартных программ оптимизации, основанных на применении метода наименьших квадратов, в ряде случаев приводит к недопустимой погрешности полученных результатов. http: //rtf. sfedu. ru 2 LOGO

МЭС-2016 Add your company slogan Цели и задачи Цель работы: повышение точности и скорости МЭС-2016 Add your company slogan Цели и задачи Цель работы: повышение точности и скорости параметрической идентификации моделей электронных компонентов. Для обеспечения указанной цели в работе решаются следующие задачи: – анализ точности стандартных методов оптимизации; – разработка адаптивного алгоритма параметрической оптимизации моделей на основе метода случайного поиска; – доказательство эффективности предложенного алгоритма оптимизации. http: //rtf. sfedu. ru 3 LOGO

Постановка задачи МЭС-2016 Add your company slogan Простейшая статическая модель диода (модель Шокли): Стандартная Постановка задачи МЭС-2016 Add your company slogan Простейшая статическая модель диода (модель Шокли): Стандартная SPICE-модель диода: IS – ток насыщения диода; φ = N φT; N –коэффициент эмиссии; φT ≈ 26 м. В – термический потенциал; RS – последовательное сопротивление. http: //rtf. sfedu. ru 4 LOGO

Оптимизируемая функция МЭС-2016 Add your company slogan Для идентификации параметров моделей диода по его Оптимизируемая функция МЭС-2016 Add your company slogan Для идентификации параметров моделей диода по его экспериментальной ВАХ используется метод наименьших квадратов. где {Ij , Vj}, j = 1, 2, . . . , n – экспериментальная ВАХ диода в табличной форме; n – число точек экспериментальной ВАХ. http: //rtf. sfedu. ru 5 LOGO

МЭС-2016 Add your company slogan Экспериментальная и расчетные ВАХ диода FR 102 Параметры диода МЭС-2016 Add your company slogan Экспериментальная и расчетные ВАХ диода FR 102 Параметры диода FR 102 Параметр Модель (1) Модель (2) Is (п. A) 285. 9187881 19. 35088 φ (м. В) 52. 03860619 38. 98451 Rs (Ом) − 120. 5380 σmin (%) 11. 4 4. 9 η 1280 1440 http: //rtf. sfedu. ru 6 LOGO

МЭС-2016 Add your company slogan Сечения минимизируемого функционала (а) – для модели (1) Жесткость МЭС-2016 Add your company slogan Сечения минимизируемого функционала (а) – для модели (1) Жесткость функционала S: η = (∂2 S/∂y 2)/(∂2 S/∂x 2), x и y – направления наименьшего и наибольшего изменений функционала S. (b) – для модели (2) http: //rtf. sfedu. ru 7 LOGO

МЭС-2016 Add your company slogan Стандартные методы нелинейной оптимизации ● Метод сопряженных градиентов – МЭС-2016 Add your company slogan Стандартные методы нелинейной оптимизации ● Метод сопряженных градиентов – метод определения минимума целевой функции на основе информации о ее градиенте; ● Квазиньютоновские методы – основаны на приближенном вычислении матрицы Гессе; ● Метод Левенберга – Марквардта – комбинация метода Ньютона и модифицированного метода градиентного спуска, учитывающего информацию о кривизне целевой функции с помощью вычисления диагональных элементов матрицы Гессе. http: //rtf. sfedu. ru 8 LOGO

МЭС-2016 Add your company slogan Результаты параметрической идентификации стандартными методами оптимизации ; Метод δIS МЭС-2016 Add your company slogan Результаты параметрической идентификации стандартными методами оптимизации ; Метод δIS (%) δφ (%) δRS (%) σ (%) Модель (1) Сопряженных градиентов Квазиньютоновский Левенберга. Марквардта 30 23 − 400 27 2. 3 − 20 Модель (2) Сопряженных градиентов Квазиньютоновский Левенберга. Марквардта 63 23 34 160 33 19 29 12 http: //rtf. sfedu. ru 9 LOGO

МЭС-2016 Add your company slogan Алгоритм случайного поиска Значение параметра на k-й итерации: Начальное МЭС-2016 Add your company slogan Алгоритм случайного поиска Значение параметра на k-й итерации: Начальное значение параметра: Размер области генерации параметров: rnd – случайное число с равномерной плотностью вероятности на интервале [− 1; 1]; l – номер успешной итерации. http: //rtf. sfedu. ru 10 LOGO

МЭС-2016 Add your company slogan Модифицированный алгоритм случайного поиска Плотности распределения u = rnd МЭС-2016 Add your company slogan Модифицированный алгоритм случайного поиска Плотности распределения u = rnd и v = rnd 3 Определяемый параметр: rnd 3 - случайная величина с неравномерной плотностью распределения p 2(v) - бесконечно велика в центре интервала вариации параметров и минимальна – на краях интервала. http: //rtf. sfedu. ru 11 LOGO

МЭС-2016 Add your company slogan Адаптивный алгоритм случайного поиска ● использование неравномерного распределения определяемых МЭС-2016 Add your company slogan Адаптивный алгоритм случайного поиска ● использование неравномерного распределения определяемых параметров; ● уменьшение размера области генерации параметров при каждой успешной попытке, используя информацию об изменениях параметров на предыдущих итерациях. al – значение определяемого параметра, полученное на успешной итерации c номером l; K – число предыдущих успешных итераций (K = 4… 8); ε – предельнодопустимая относительная погрешность идентификации параметра. http: //rtf. sfedu. ru 12 LOGO

МЭС-2016 Add your company slogan Относительные погрешности идентификации параметров модели (1) кривая 1 – МЭС-2016 Add your company slogan Относительные погрешности идентификации параметров модели (1) кривая 1 – известный алгоритм; кривая 2 – модифицированный алгоритм; кривая 3 – адаптивный алгоритм. http: //rtf. sfedu. ru 13 LOGO

МЭС-2016 Add your company slogan Относительные погрешности идентификации параметров модели (2) Применение модифицированного алгоритма МЭС-2016 Add your company slogan Относительные погрешности идентификации параметров модели (2) Применение модифицированного алгоритма случайного поиска позволяет повысить точность параметрической идентификации на один-два порядка по сравнению с известным алгоритмом; Применение адаптивного алгоритма – приводит к дополнительному увеличению точности параметрической идентификации еще на один-два порядка по сравнению с модифицированным алгоритмом. http: //rtf. sfedu. ru 14 LOGO

МЭС-2016 Add your company slogan Выводы • наиболее надежными алгоритмами оптимизации для задач параметрической МЭС-2016 Add your company slogan Выводы • наиболее надежными алгоритмами оптимизации для задач параметрической идентификации моделей электронных компонентов являются алгоритмы, основанные на применении случайного поиска; • скорость определения параметров с помощью предлагаемого алгоритма оказывается в 2 -20 выше по сравнению с известным алгоритмом случайного поиска; • предлагаемый алгоритм относится к классу «обучающихся» и имеет практическую значимость для решения задач проектирования интегральных балансных и мостовых цепей, в которых требуется обеспечить высокую точность определения параметров элементов. http: //rtf. sfedu. ru 15 LOGO

Спасибо за внимание! Южный федеральный университет, Институт радиотехнических систем и управления Таганрог, Россия http: Спасибо за внимание! Южный федеральный университет, Институт радиотехнических систем и управления Таганрог, Россия http: //rtf. sfedu. ru LOGO