Analog Clipping Circuit Simulation with Recurrent Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140670" target="_blank" >RIV/00216305:26220/21:PU140670 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.elektrorevue.cz/cz/clanky/zpracovani-signalu/0/analog-clipping-circuit-simulation-with-recurrent-neural-networks/" target="_blank" >http://www.elektrorevue.cz/cz/clanky/zpracovani-signalu/0/analog-clipping-circuit-simulation-with-recurrent-neural-networks/</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Analog Clipping Circuit Simulation with Recurrent Neural Networks

Popis výsledku v původním jazyce

This article focuses on the practical use of recurrent neural networks for the simulation of analog audio circuits. Two virtual analog circuits were modeled using the Long Short-Term Memory neural networks. The neural network models presented in earlier literature were compared against newly proposed architectures, which used additional fully connected input layers. The signals processed by the neural network models of different complexity were compared to the ground truth data generated using the LTSpice software. It was found that the modifications done to the previously proposed neural network architectures can reduce the resulting prediction loss without significant increase in complexity.

Název v anglickém jazyce

Analog Clipping Circuit Simulation with Recurrent Neural Networks

Popis výsledku anglicky

This article focuses on the practical use of recurrent neural networks for the simulation of analog audio circuits. Two virtual analog circuits were modeled using the Long Short-Term Memory neural networks. The neural network models presented in earlier literature were compared against newly proposed architectures, which used additional fully connected input layers. The signals processed by the neural network models of different complexity were compared to the ground truth data generated using the LTSpice software. It was found that the modifications done to the previously proposed neural network architectures can reduce the resulting prediction loss without significant increase in complexity.

Druh

J_ost - Ostatní články v recenzovaných periodicích

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Elektrorevue - Internetový časopis (http://www.elektrorevue.cz)

ISSN

1213-1539

e-ISSN

—

Svazek periodika

23

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

6

Strana od-do

1-6

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—