Electrical circuit design based on neural networks

Artificial Neural Networks (ANNs) have gained significant attention due to their fast and accurate performance estimation capabilities, particularly in applications requiring strong learning and generalization. In this thesis, a comprehensive study is presented on the use of neural networks for the design and analysis of analog electronic circuits, focusing on both passive and active filter topologies. A feedforward neural network architecture is employed to reduce unwanted noise in measurement signals and to accurately infer component values from frequency response characteristics. For each circuit type, a dedicated neural network is trained to learn the relationship between circuit parameters and their corresponding magnitude responses. The study includes a variety of analog filters—such as low-pass and band-pass filters—implemented using passive elements as well as active devices including operational amplifiers and operational transconductance amplifiers (OTAs). Two training methodologies are introduced and evaluated: Element Spreading Training (EST) and Element Randomization Training (ERT). These approaches enhance dataset diversity and improve the neural network’s ability to generalize across a wider range of circuit behaviors, resulting in more reliable and robust predictions. The overall framework demonstrates the potential of integrating neural networks into classical analog circuit design, offering insights into performance, advantages, and limitations. All analyses and simulations are conducted and validated using MATLAB. The proposed methods have been tested under different frequency ranges and component tolerances.

Yapay Sinir Ağları (YSA), güçlü öğrenme ve genelleme yetenekleri sayesinde hızlı ve doğru performans tahmini gerektiren uygulamalarda önemli ölçüde ilgi görmektedir. Bu tezde, hem pasif hem de aktif filtre topolojilerini içeren analog elektronik devrelerin tasarım ve analizinde sinir ağlarının kullanımına yönelik kapsamlı bir çalışma sunulmaktadır. Ölçüm sinyallerindeki istenmeyen gürültüyü azaltmak ve frekans tepki özelliklerinden devre bileşen değerlerini doğru bir şekilde çıkarmak amacıyla ileri beslemeli bir sinir ağı mimarisi kullanılmaktadır. Her devre tipi için, devre parametreleri ile karşılık gelen genlik tepki özellikleri arasındaki ilişkiyi öğrenmek üzere özel bir sinir ağı eğitilmiştir. Çalışma, pasif elemanların yanı sıra işlem yükselteçleri ve işlemsel transkonduktans yükselteçleri (OTA’lar) gibi aktif aygıtlar kullanılarak gerçeklenen alçak geçiren ve bant geçiren filtreleri içermektedir. Bu kapsamda iki eğitim yöntemi tanıtılıp değerlendirilmiştir: Eleman Yayma Eğitimi (EST) ve Eleman Rastgeleleştirme Eğitimi (ERT). Bu yaklaşımlar, veri kümesi çeşitliliğini artırmakta ve sinir ağının daha geniş bir devre davranışı aralığında genelleme yeteneğini geliştirmekte, böylece daha güvenilir ve sağlam tahminler elde edilmesini sağlamaktadır. Sunulan yaklaşım, sinir ağlarının klasik analog devre tasarımıyla bütünleştirilmesine yönelik potansiyeli ortaya koymakta; performans, avantajlar ve sınırlamalar konusunda önemli bulgular sunmaktadır. Tüm analiz ve simülasyonlar MATLAB ortamında gerçekleştirilmiş ve doğrulanmıştır. Ayrıca, önerilen yöntemler farklı frekans aralıkları ve eleman toleransları altında test edilmiştir.