Dissertação

{en_GB=Machine Learning Techniques for System Modeling} {} EVALUATED

{pt=Em eletrónica, qualquer unidade (dispositivos simples, conjunto de dispositivos, subcircuitos) pode potencialmente ser representada por um simples macromodelo. O interesse desta ideia prende-se com o facto estes modelos poderem ser gerados sem preocupação com questões relativas a tecnologia e sem conhecimento da estrutura fisica da unidade. Além disso, evitando uma modelação detalhada dos nós interiores do circuito, é expectável uma redução no tempo de simulação em computador. Este trabalho pretende investigar e analisar a utilização de métodos de aprendizagem, regressores de vetores de suporte (SV) e redes neuronais, numa estrutura de modelação. Tal estrutura foi desenvolvida tendo em conta robustez e capacidade de gerar um modelo caixa-preta tão simples e tão preciso quanto possível para uma dada unidade de circuito. A estrutura inclui também um procedimento que permite criar um componente SPICE a partir do modelo e um mecanismo para avaliação da performance do mesmo. Esse componente pode ser mais tarde utilizado (tantas vezes quantas as desejadas) para, por exemplo, análise e verificação do sistema que lhe está associado. Quatro regressores SV diferentes (três deles multi-output) e redes neuronais do tipo feed-forward são considerados e comparados na estrutura de modelação, testada em vários circuitos de crescente complexidade. Para todos os circuitos encontrou-se um modelo com um erro médio relativo inferior a 5\% em cada output de um conjunto de teste escolhido apropriadamente. Mostra-se, por via de um exemplo, que macromodelos têm a capacidade de reduzir o tempo de simulação de uma unidade., en=In electronics, any unit (simple devices, groups of devices, sub-circuits) can potentially be represented by a simple macromodel. This idea is interesting since these models can be generated without any concern about technology issues and without knowledge of the unit's physical structure. Also, by avoiding having to conduct detailed modeling of the inner nodes inside a sub-circuit one can expect a reduction in computer simulation time. The purpose of this work is to research and analyze the use of learning methods as a general modelling framework, whereby a model as simple and as accurate as possible can be generated. Support vectors regressors (SVR) and neural networks were explored in depth and used to develop a robust modelling framework that can generate a black-box model for a given circuit's unit. The framework also includes a procedure for creating a SPICE-like component from such a model, together with an engine for model evaluation that was also developed. Such a component can later be used (as many times as desired) for system analysis and verification. Four different SVR algorithms (3 being multi-output) and feedforward neural networks are considered and compared in the modelling framework which was tested in multiple circuits of increasing complexity. For all the circuits it was possible to find a model that had a mean relative error below 5\% in each output of the test set. It was also shown, by means of an example, that black-box models are able to reduce a unit's evaluation time.}
{pt=Simulação Analógica, Regressão usando SVMs, Redes Neuronais, Aprendizagem Supervisionada, Estrutura para Modelação e Simulação, en=Analog Simulation, Support Vector Regressors, Neural Networks, Supervised Learning, Modeling and Simulation Framework}

Junho 8, 2018, 17:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Luís Miguel Teixeira D'Avila Pinto da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático