CN109783857A - 一种快速的电荷泵设计方法及装置 - Google Patents
一种快速的电荷泵设计方法及装置 Download PDFInfo
- Publication number
- CN109783857A CN109783857A CN201811521572.9A CN201811521572A CN109783857A CN 109783857 A CN109783857 A CN 109783857A CN 201811521572 A CN201811521572 A CN 201811521572A CN 109783857 A CN109783857 A CN 109783857A
- Authority
- CN
- China
- Prior art keywords
- value
- random
- charge pump
- parameter
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种快速的电荷泵设计方法及装置,基于神经网络技术,将电荷泵的设计方法与神经网络结合在一起,首先通过训练种群对初始的神经网络进行训练,然后将仿真数据输入到训练好的神经网络,自动输出最优设计的结果,相比传统的手动调整各电路元件参数并每次调整都通过spice工具进行计算的设计方法,节省了大量的时间,提高了设计的效率。
Description
技术领域
本发明涉及闪存电路的电荷泵设计领域,特别是一种快速的电荷泵设计方法及装置。
背景技术
电荷泵应用在电路中实质作用相当于倍压整流电路,在一些需用高电压、小电流的地方,常常使用电荷泵构成的倍压整流电路。在闪存等电路中,电荷泵得到广泛的应用,基于电荷泵的电路设计首先要经过仿真,但是电荷泵的驱动能力、面积、效率、建立速度、可靠性等指标,都不容易计算,实际设计中需要工程师针对仿真的结构反复手动调整管子尺寸、电容大小、时钟相位等来满足各个指标,每次手动调整完参数后都要采用spice工具重新进行计算,因此按照现有的仿真方法,设计周期较长,耗费大量仿真计算资源。
发明内容
为解决上述问题,本发明提供了一种快速的电荷泵设计方法及装置,利用训练好的神经网络进行计算,不需要每次调整都调用spice工具,提高了设计电路的效率。
本发明解决其问题所采用的技术方案是:
一种快速的电荷泵设计方法,包括以下步骤:
对每个电路元件均随机生成N个输入值,组成N组随机参数;
用spice工具计算出N组随机参数的N个输出值;
将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
利用训练好的神经网络进行多目标寻优,输出最优设计的种群。
进一步,在随机生成所述输入值和输出值之前,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围。
进一步,利用神经网络进行多目标寻优包括以下步骤:
获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
进一步,电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值。
一种快速的电荷泵设计装置,包括:
输入值生成模块,用于对每个电路元件均随机生成N个输入值,组成N组随机参数;
输出值生成模块,用于用spice工具计算出N组随机参数的N个输出值;
神经网络训练模块,用于将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
仿真模块,用于利用训练好的神经网络进行多目标寻优,输出最优设计的种群。
进一步,还包括训练用数值获取模块,用于在随机生成所述输入值和输出值之前,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围。
进一步,所述仿真模块利用神经网络进行多目标寻优包括:
仿真用数值获取模块,用于获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
种群生成模块,用于在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
神经网络处理模块,用于将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
进化模块,用于根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
进一步,电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值。
本发明的有益效果是:本发明基于神经网络技术,将电荷泵的设计方法与神经网络结合在一起,首先通过训练种群对初始的神经网络进行训练,然后将仿真数据输入到训练好的神经网络,自动输出最优设计的结果,相比传统的手动调整各电路元件参数并每次调整都通过spice工具进行计算的设计方法,节省了大量的时间,提高了设计的效率。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例的流程示意图。
具体实施方式
参照图1,本发明的一个实施例提供了一种快速的电荷泵设计方法,包括以下步骤:
对每个电路元件均随机生成N个输入值,组成N组随机参数;
用spice工具计算出N组随机参数的N个输出值;
将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
利用训练好的神经网络进行多目标寻优,输出最优设计的种群。
本实施例基于神经网络算法,初次进行输出值计算的时候需要用到spice工具,然后将输入值和输出值组合起来作为N个种群,分开出训练集和验证集对初始的神经网络进行训练,最后用训练好的神经网络进行仿真计算,直接获得最优设计,因此后续计算不需要通过spice工具,大大加快了电荷泵电路的仿真速度。
优选地,本发明的另一实施例提供了一种快速的电荷泵设计方法,在随机生成所述输入值和输出值之前,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围。限定了输入值和输出值的范围使训练用的值更加准确,可以避免训练结果的误差较大。
优选地,本发明的另一实施例提供了一种快速的电荷泵设计方法,利用神经网络进行多目标寻优包括以下步骤:
获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
本实施例相当于给出了电荷泵电路仿真时的执行方法,此时输入的值应为电路实际设计时的范围的值,该范围应当比训练用的输入值的范围要小,即包含在训练用的输入值的范围内;在电路实际设计时针对神经网络输入进化次数以提高最优设计的精度。
优选地,本发明的另一实施例提供了一种快速的电荷泵设计方法,电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值。电荷泵电路的基本组成包括传输管和电容器,传输管应包括二极管在内但不限于二极管,还可以是其他开关管体。
一种快速的电荷泵设计装置,包括:
输入值生成模块,用于对每个电路元件均随机生成N个输入值,组成N组随机参数;
输出值生成模块,用于用spice工具计算出N组随机参数的N个输出值;
神经网络训练模块,用于将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
仿真模块,用于利用训练好的神经网络进行多目标寻优,输出最优设计的种群。
优选地,本发明的另一实施例提供了一种快速的电荷泵设计装置,还包括训练用数值获取模块,用于在随机生成所述输入值和输出值之前,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围。
优选地,本发明的另一实施例提供了一种快速的电荷泵设计装置,所述仿真模块利用神经网络进行多目标寻优包括:
仿真用数值获取模块,用于获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
种群生成模块,用于在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
神经网络处理模块,用于将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
进化模块,用于根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
优选地,本发明的另一实施例提供了一种快速的电荷泵设计装置,电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值。
参照图1,本发明的另一实施例提供了一种快速的电荷泵设计方法,包括以下步骤:
S1,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围;
S2,在所述输入值的取值范围内,对每个电路元件均随机生成N个输入值,组成N组随机参数;
S3,用spice工具计算出N组随机参数的N个输出值,且该值应在所述输出值的取值范围内;
S4,将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
S5,获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
S6,在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
S7,将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
S8,根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
其中,电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值,待优化设计的各个电路元件的参数的数值范围包含在训练用的各个电路元件的参数的数值范围作为输入值的取值范围内。
本发明基于神经网络技术,将电荷泵的设计方法与神经网络结合在一起,首先通过训练种群对初始的神经网络进行训练,然后将仿真数据输入到训练好的神经网络,自动输出最优设计的结果,相比传统的手动调整各电路元件参数并每次调整都通过spice工具进行计算的设计方法,节省了大量的时间,提高了设计的效率。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (8)
1.一种快速的电荷泵设计方法,其特征在于:包括以下步骤:
对每个电路元件均随机生成N个输入值,组成N组随机参数;
用spice工具计算出N组随机参数的N个输出值;
将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
利用训练好的神经网络进行多目标寻优,输出最优设计的种群。
2.根据权利要求1所述的一种快速的电荷泵设计方法,其特征在于:在随机生成所述输入值和输出值之前,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围。
3.根据权利要求1所述的一种快速的电荷泵设计方法,其特征在于:利用神经网络进行多目标寻优包括以下步骤:
获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
4.根据权利要求1-4任一所述的一种快速的电荷泵设计方法,其特征在于:电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值。
5.一种快速的电荷泵设计装置,其特征在于:包括:
输入值生成模块,用于对每个电路元件均随机生成N个输入值,组成N组随机参数;
输出值生成模块,用于用spice工具计算出N组随机参数的N个输出值;
神经网络训练模块,用于将每组随机参数与其对应的输出值组成神经网络的单个种群,将N个种群的中一部分作为训练集,另一部分作为验证集,进行神经网络训练;
仿真模块,用于利用训练好的神经网络进行多目标寻优,输出最优设计的种群。
6.根据权利要求5所述的一种快速的电荷泵设计装置,其特征在于:还包括训练用数值获取模块,用于在随机生成所述输入值和输出值之前,获取训练用的各个电路元件的参数的数值范围作为输入值的取值范围,和获取训练用的输出值的数值范围作为输出值的取值范围。
7.根据权利要求5所述的一种快速的电荷泵设计装置,其特征在于:
所述仿真模块利用神经网络进行多目标寻优包括:
仿真用数值获取模块,用于获取待优化设计的各个电路元件的参数的数值范围、种群个数和进化次数;
种群生成模块,用于在待优化设计的各个电路元件的参数的数值范围内随机生成种群;
神经网络处理模块,用于将随机生成的种群输入到训练好的神经网络中进行计算,输出目标值;
进化模块,用于根据生成的目标值进行帕累托多目标排序,再进行交叉和变异,然后对所得结果按照进化次数进行进化,获得最优设计。
8.根据权利要求5所述的一种快速的电荷泵设计装置,其特征在于:电路元件包括电荷泵的各级传输管尺寸的长度和宽度,以及各级电容的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811521572.9A CN109783857A (zh) | 2018-12-12 | 2018-12-12 | 一种快速的电荷泵设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811521572.9A CN109783857A (zh) | 2018-12-12 | 2018-12-12 | 一种快速的电荷泵设计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109783857A true CN109783857A (zh) | 2019-05-21 |
Family
ID=66496781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811521572.9A Pending CN109783857A (zh) | 2018-12-12 | 2018-12-12 | 一种快速的电荷泵设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783857A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504442A (zh) * | 2014-12-30 | 2015-04-08 | 湖南强智科技发展有限公司 | 神经网络优化方法 |
CN105787558A (zh) * | 2016-04-11 | 2016-07-20 | 江苏科技大学 | 基于ads的知识神经网络微带滤波器设计方法 |
CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
CN108334949A (zh) * | 2018-02-11 | 2018-07-27 | 浙江工业大学 | 一种优化深度卷积神经网络结构的快速进化方法 |
CN108710764A (zh) * | 2018-05-23 | 2018-10-26 | 江苏大学 | 一种基于混合近似模型的双吸泵多目标优化设计方法 |
-
2018
- 2018-12-12 CN CN201811521572.9A patent/CN109783857A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504442A (zh) * | 2014-12-30 | 2015-04-08 | 湖南强智科技发展有限公司 | 神经网络优化方法 |
CN105787558A (zh) * | 2016-04-11 | 2016-07-20 | 江苏科技大学 | 基于ads的知识神经网络微带滤波器设计方法 |
CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
CN108334949A (zh) * | 2018-02-11 | 2018-07-27 | 浙江工业大学 | 一种优化深度卷积神经网络结构的快速进化方法 |
CN108710764A (zh) * | 2018-05-23 | 2018-10-26 | 江苏大学 | 一种基于混合近似模型的双吸泵多目标优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182914B (zh) | 一种基于波动特性的风电出力时间序列建模方法 | |
CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
CN109672221B (zh) | 一种用于次同步振荡分析的直驱风电场动态等值方法 | |
CN104333048B (zh) | 火电机组的调度方法及系统 | |
CN104794325A (zh) | 一种基于随机差分方程的集群风电场出力时序模拟方法 | |
CN107066712A (zh) | 基于导叶开度—功率特性的水轮机模型参数辨识方法及装置 | |
CN105808454A (zh) | 一种多端口访问共享缓存的方法及装置 | |
CN103106331B (zh) | 基于降维和增量式极限学习机的光刻线宽智能预测方法 | |
CN105634018A (zh) | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 | |
CN106980044A (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN105207197A (zh) | 包含风电场的电力系统可靠性评估方法 | |
CN113158567B (zh) | 一种液体状态机模型中通信的软硬件联合优化方法及系统 | |
CN109783857A (zh) | 一种快速的电荷泵设计方法及装置 | |
CN107301499A (zh) | 一种基于ami数据的配电馈线统计线损率数据清洗方法 | |
CN104978481A (zh) | 一种光伏电站机电暂态模型的实测建模方法 | |
CN104899075A (zh) | 一种基于宏模型的igbt开关暂态实时仿真系统 | |
CN103279626B (zh) | 一种仿真模型建立方法及系统 | |
CN109033560B (zh) | 一种电力电子电路的仿真方法 | |
CN107862379A (zh) | 神经网络fpga | |
CN106951646A (zh) | 一种电力系统实时仿真中的多速率接口方法和装置 | |
CN102258960A (zh) | 一种基于神经网络系统的流化床配方自动生成方法 | |
Smaragdos et al. | Real-time olivary neuron simulations on dataflow computing machines | |
CN106250983B (zh) | 神经元电路 | |
CN111125977B (zh) | Mmc仿真模型的设计方法、装置及计算机可读存储介质 | |
CN105870959B (zh) | 基于平均模型的mmc电路结构及设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |