Аннотация
В данной статье проведено теоретическое исследование возможности улучшения петли фазовой автоподстройки частоты с применением искусственных нейронных сетей. Проанализированы два основных варианта применения нейронной сети в петле ФАПЧ. Первый вариант – это ФАПЧ с нейросетевым частотным детектором, дополняющим фазочастотный детекторФАПЧ, но реагирующим только на разность частот входных сигналов. Второй вариант – это и ФАПЧ с дополнительным фильтром на основе нейронных сетей, стоящим последовательно с основным фильтром. Было рассмотрено влияние ИНС на переходные процессы в петле ФАПЧ, сравнивались результаты работы улучшенных схем с результатами работы схемы без улучшений. В результате чего было обнаружено, что данные варианты по-разному влияют на процессы, протекающие в ФАПЧ: обе схемы ускоряют переходный процесс, влияют на разные участки. Первая схема ускоряет процесс подстройки частоты, вторая схема ускоряет процесс подстройки фазы. На основе этих результатов был синтезирован третий вариант, в котором объединялись оба способа применения нейронный сети. В результате было обнаружено, что синтез различных применений НСв ФАПЧдает наиболее оптимальные результаты с точки зрения ускорения переходных процессов в петле ФАПЧ. В статье приведены временные диаграммы переходных процессов всех рассмотренных схем. В качестве базовой схемы была взята схема ФАПЧ с фазочастотным детектором и фильтром на основе изодромного звена. Времена переходных процессов в выбранной схеме малы, в реальной схеме переходные процессы будут более длительными, а значит, и более явными будут преимущества применений ИНС в ФАПЧ.
Ключевые слова: фазовая автоподстройка частоты, фильтр низких частот, искусственная нейронная сеть, фазочастотный детектор, переходный процесс, подстройка частоты, подстройка фазы; генератор, управляемый напряжением
Список литературы
1. Формирование прецизионных частот и сигналов: учебное пособие / Н.П. Ямпурин, В.В. Болотнев, Е.В. Сафонова, Е.Б. Жалнин. – Н. Новгород: Изд-во ННГТУ, 2003. – 187 с.
2. Magnier L., Haghighat F. Multiobjective optimization of building design using TRNSYS simulations, genetic algorithm, and artificial neural network // Building and Environment. – 2010. – Vol. 45, iss. 3. – P. 739–746.
3. Al-Shayea Q.K. Artificial neural networks in medical diagnosis // International Journal of Computer Science Issues. – 2011. – Vol. 8, iss. 2. – P. 150–154.
4. Belova I.A., Martinovich M.V. Neural network control algorithm for stand-alone solar cell electrical energy conversion system // Proceedings of the 16th International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices (EDM 2015), Altai, Erlagol, 29 June – 3 July 2015. – Novosibirsk, 2015. – P. 387–390.
5. Raoof M., Suratgar A.A. Adaptive control of PLL using neural network // Journal of the Franklin Institute. – 2009. – Vol. 346, iss. 1. – P. 81–93.
6. Mojtaba Saeedi moghadam M.D. Proposing a new phase locked loop using ADALINE neural network // Technical Journal of Engineering and Applied Sciences. – 2013. – Vol. 3 (21). – P. 2921–2927.
7. Menbari B., Suratgar A.A. A low-power low-voltage VCO with wide range tuning controlled by adaptive neural network // IEEE International Frequency Control Symposium and Exposition, Miami, Fl, 5–7 June 2006. – Piscataway, NJ: IEEE, 2006. – P. 567–574.
8. Dai W., Xie Y., Yang H. A PLL control based on algorithm of BP neural network // CIMSA 2009 – IEEE International Conference on Computational Intelligence for Measurement Systems and Applications, Hong Kong, China, 11–13 May 2009. – Hong Kong, 2009. – P. 97–101.
9. Liu W.-P., Chiang C.-K. Phase-locked loop with neurocontroller // SICE '98. Proceedings of the 37th SICE Annual Conference. International Session Papers, 29–31 July 1998. – Tokyo, Japan: Society of Instrument and Control Engineers, 1998. – P. 1133–1138.
10. Abrol S., Mahajan R. Implementation of single artificial neuron using various activation functions and XOR gate on FPGA chip // Second International Conference on Advances in Computing and Communication Engineering (ICACCE 2015), Dehradun, India, 1–2 May 2015. – Piscataway, NJ: IEEE, 2015. – P. 118–123.
11. Controlled accuracy approximation of sigmoid function for efficient FPGA-based implementation of artificial neurons / I. Del Campo, R. Finker, J. Echanobe, K. Basterretxea // Electronics Letters. – 2013. – Vol. 49, iss. 25. – P. 1598–1600.
12. Kwon T.M., Valdez M.E. Implementation of a programmable artificial neuron using discreet logic // Southeastcon '89. Proceedings. Energy and Information Technologies in the Southeast, 9–12 April 1989. – Columbia, SC: IEEE, 1989. – Vol. 1. – P. 181–186.
13. Varshavsky V. CMOS artificial neuron on the base of β-driven threshold element // IEEE International Conference on Systems, Man, and Cybernetics, San Diego, CA, 11–14 October 1998. – Piscataway, NJ: IEEE, 1998. – Vol. 2. – P. 1857–1861.
14. Hernandez E.D.M., Lee G., Farhat N.H. Analog realization of arbitrary one-dimensional maps // IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications. – 2003. – Vol. 50, iss. 12. – P. 1538–1547.
15. Milev M., Hristov M. Analog implementation of ANN with inherent quadratic nonlinearity of the synapses // IEEE Transactions on Neural Networks. – 2003. – Vol. 14, iss. 5. – P. 1187–1200.
