Electrical circuit design based on neural networks

Basit Öğe Kaydı
dc.authorid0009-0005-0098-8172
dc.contributor.advisorKöprü, Ramazanen_US
dc.contributor.authorAbou Allil, Ferasen_US
dc.contributor.otherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Yüksek Lisans Programıen_US
dc.contributor.otherIşık University, School of Graduate Studies, Electric-Electronics Engineering M.S. Programen_US
dc.date.accessioned2026-04-02T07:01:30Z
dc.date.available2026-04-02T07:01:30Z
dc.date.issued2026-01-23
dc.departmentIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Yüksek Lisans Programıen_US
dc.departmentIşık University, School of Graduate Studies, Electric-Electronics Engineering M.S. Programen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 123-127)en_US
dc.descriptionxiii, 130 leavesen_US
dc.description.abstractArtificial 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.en_US
dc.description.abstractYapay 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.en_US
dc.description.tableofcontentsNEURAL NETWORKSen_US
dc.description.tableofcontentsThe Role of Artificial Neural Networks in Analog Circuitsen_US
dc.description.tableofcontentsThe Deep Learning Methodology For Circuit Designsen_US
dc.description.tableofcontentsChoosing The Right Neural Network Architectureen_US
dc.description.tableofcontentsElement Spreading Training (EST)en_US
dc.description.tableofcontentsElement Randomization Trainingen_US
dc.description.tableofcontentsDesign Space Mapping – 3Dimansional Cubeen_US
dc.description.tableofcontentsFrequency Response Mappingen_US
dc.description.tableofcontentsRC LOWPASS FILTERen_US
dc.description.tableofcontentsTransfer Function and Magnitude Responseen_US
dc.description.tableofcontentsMATLAB and Proteus Simulation Analysisen_US
dc.description.tableofcontentsParameter Sweeping of R and Cen_US
dc.description.tableofcontentsFrequency Response Catalogueen_US
dc.description.tableofcontentsNeural Network Training Methodologyen_US
dc.description.tableofcontentsANN Prediction of R and Cen_US
dc.description.tableofcontentsSALLEN-KEY BANDPASS FILTERen_US
dc.description.tableofcontentsParameter Sweeping of 𝐂𝟏 and 𝐑𝐟en_US
dc.description.tableofcontentsANN Prediction of 𝐂𝟏 and 𝐑𝐟en_US
dc.description.tableofcontentsSINGLE STAGE LC BANDPASS FILTERen_US
dc.description.tableofcontentsParameter Sweeping of L and Cen_US
dc.description.tableofcontentsANN Prediction of L and Cen_US
dc.description.tableofcontentsTWO STAGE LC BANDPASS FILTERen_US
dc.description.tableofcontentsParameter Sweeping of 𝐋𝟏, 𝐋𝟐, 𝐂𝟏 and 𝐂𝟐en_US
dc.description.tableofcontentsANN Prediction of 𝐋𝟏, 𝐋𝟐, 𝐂𝟏 and 𝐂𝟐en_US
dc.description.tableofcontentsGM-C BANDPASS FILTERen_US
dc.description.tableofcontentsParameter Sweeping of 𝐂𝟏 and 𝐂𝟐en_US
dc.description.tableofcontentsANN Prediction of 𝐂𝟏 and 𝐂𝟐en_US
dc.description.tableofcontentsMOSFET N-DEPLETION TYPEen_US
dc.description.tableofcontentsRC Lowpass Filters Analysis Using ERTen_US
dc.description.tableofcontentsMonte Carlo Randomizationen_US
dc.description.tableofcontentsMonte Carlo Methodologyen_US
dc.description.tableofcontentsTransconductance-Capacitor Bandpass Filteren_US
dc.description.tableofcontentsNMOSen_US
dc.description.tableofcontentsRC Lowpass Filter (ERT)en_US
dc.identifier.citationAbou Allil, F. (2026). Electrical circuit design based on neural networks. İstanbul: Işık Üniversitesi Lisansüstü Eğitim Enstitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/7202
dc.institutionauthorAbou Allil, Ferasen_US
dc.institutionauthorid0009-0005-0098-8172
dc.language.isoenen_US
dc.publisherIşık Üniversitesi, Lisansüstü Eğitim Enstitüsüen_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectArtificial neural networksen_US
dc.subjectFeedforward neural networks architectureen_US
dc.subjectGUIen_US
dc.subjectMATLABen_US
dc.subjectProteusen_US
dc.subjectYapay sinir ağlarıen_US
dc.subjectİleri beslemeli sinir ağları mimarisien_US
dc.titleElectrical circuit design based on neural networksen_US
dc.title.alternativeYapay sinir ağlarına dayalı elektrik devre tasarımıen_US
dc.typeMaster Thesisen_US
dspace.entity.typePublicationen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Electrical_circuit_design_based_on_neural_networks.pdf
Boyut:
6.97 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu