مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 2 2025 12 13 Modeling Transient Time-Dependent Behavior of a Digital Phase-Locked Loop Circuit Using Gated Recurrent Neural Network مدل سازی رفتار گذرای وابسته به زمان مدار حلقه قفل فاز دیجیتالی به کمک شبکه¬ی عصبی واحد بازگشتی گیتی 117 126 fa سیده فاطمه موسوی قوام آبادی دانشگاه یزد سیدعلیرضا صدرالسادات دانشگاه برق علی مفتخرزاده دانشگاه یزد 2024 9 21 Nowadays, neural networks are a powerful tool for modeling complex and nonlinear circuits. In this paper, the transient time-dependent behavior of a digital phase-locked loop circuit is modeled using two time-dependent neural network models. Modeling with an RNN (Recurrent Neural Network) faces the challenge of gradient vanishing during the training phase and does not perform well in terms of speed and accuracy. To achieve desirable training and testing error values, the GRU (Gated Recurrent Unit) neural network is used for modeling. This network, due to the presence of update and reset gates, can overcome the gradient vanishing problem and provide acceptable modeling results. A comparison of the results of these two networks shows that the method based on the gated neural network structure has superior capability and performance in modeling the behavior of nonlinear circuits. امروزه شبکه&zwnj;های عصبی یک ابزار قدرتمند برای مدلسازی مدارهای پیچیده و غیرخطی میباشند. در این مقاله، مدلسازی رفتار گذرای وابسته به زمان مدار حلقه قفل فاز دیجیتالی به کمک دو مدل شبکهی عصبی که وابسته به زمان هستند، انجام شده است. مدل&zwnj;سازی با استفاده از شبکه عصبی RNN  با چالش محو گرادیان در مرحله آموزش مواجه میباشد و از نظر سرعت و دقت در مدل&zwnj;سازی عملکرد مناسبی ندارد. برای دستیابی به مقادیر مطلوب خطای آموزش و آزمون، از شبکه عصبی GRU برای مدل&zwnj;سازی استفاده میشود. این شبکه به دلیل وجود دو گیت به&zwnj;روزرسانی و بازنشانی، قادر میباشد مشکل محو شدن گرادیان را برطرف کرده و مدل&zwnj;سازی قابل قبولی ارائه دهد. مقایسه نتایج این دو شبکه نشان می&zwnj;دهد که روش مبتنی بر ساختار شبکه عصبی گیتی، توانایی و قابلیت بهتری در مدل&zwnj;سازی رفتار مدارهای غیرخطی دارد. در پایان، جهت ارزیابی منصفانه عملکرد مدل&zwnj;ها، مقایسه&zwnj;ای نیز با ساختار LSTM انجام شده که نتایج آن نشان می&zwnj;دهد شبکه GRU از نظر دقت مدل&zwnj;سازی و سرعت آموزش عملکرد بهتری نسبت به LSTM نیز دارد.

http://ijece.org/fa/Article/Download/48062