Delay Systems Synthesis using Multi-Layer Perceptron Network

Abstract

The aim of this paper is to accelerate development and investigation of the delay systems. The computational time for investigation of particular design of delay system may take from several minutes up to several days. To achieve the required constructional parameters of the system, the iterative calculations usually should be repeated many times. In this paper, an artificial neural network is proposed to be used as the universal approximator for solving mathematical problems of delay system investigation instead of usual analytical and numerical techniques. The application of a multi-layer perceptron is proposed for approximation of solution space with discrete estimates, which were initially received by application of numerical techniques. Different structures of the multi-layer perceptron were tested for approximation. The difference between delay systems synthesis, which was estimated using numerical techniques and trained multi-layer perceptron did not exceed 5% for any of the six design parameter values. The execution time for estimating single delay system was reduced from 240 s to 20 ms. Such fast estimation of design parameters enables performing delay system analysis and design in real time, preserving time for structure visualization in 3D or virtual reality environment.

Prediction of Meander Delay System Parameters for Internet-of-Things Devices Using Pareto-Optimal Artificial Neural Network and Multiple Linear Regression

“…Therefore, it is difficult to collect the correct data for the training of the neural network and to choose the optimal structure of the network. The synthesis of the meander delay system using multilayer perceptron (MLP) is presented in [24]. The synthesis of hybrid meander delay system also using MLP is presented in [25].…”

Daugiasluoksnių puslaidininkinių ir dielektrinių mikrobangų įtaisų tyrimas

“…Meandrinių mikrobangų įtaisų sintezė ir parametrų analizė taikant skaitinius metodus gali trukti nuo kelių minučių iki keliolikos valandų (Plonis et al, 2020;Plonis et al, 2018). Dažniausiai reikiamų parametrų nepavyksta gauti pirmojo modeliavimo metu, todėl sintezės procesas kartojamas, kol randami optimalūs įtaiso struktūros parametrai.…”

Hibridinių meandrinių struktūrų dažninių charakteristikų tyrimas

“…Tai ypač naudinga, sprendžiant sintezės uždavinį, kai tam, kad būtų pasirinkta tinkama struktūra, pirmiausia būtina patikrinti daug struktūrų su skirtingais geometriniais parametrais. Plonis et al (2018) pateikia planariosios meandrinės vėlinimo sistemos sintezės uždavinio sprendimą. Sintezės uždaviniui spręsti naudojamas Pareto optimalusis daugiasluoksnis perceptronų tinklas ir daugialypės tiesinės regresijos modelis su M5 deskriptoriumi.…”