受限波尔兹曼机（Restricted Boltzmann Machines）介绍
RBM在深度学习（deep learning）算法中有着非常重要的应用，本文介绍了RBM的基本概念，并介绍了几种有代表性的算法。作者西安交大张春霞，姬楠楠，王冠伟。山国武技亡文在线应用的热潮。理论方面,RBM的CD快速学习算法促进了研究者们对随机近似理论、基于能量的模型、未归一化的统计模型的研究⑧。应用方面,RBM目前已被成功地应用于不同的机器学习问题⑨-14,如分炎、回归、降维、高维时闾序列建模、图像特征提取、协同过滤等等。2006年, Hinton等人[15提出了一种深度信念网终( Deep Belief Nets,DBN),并给出了该模型的一个髙效学习算法。这个算法成为了其后至今深度学习算法的主要框架。在该算法中,个DBN模型被视为由若干个RBM堆叠在起,训练时可通过由低到高逐层训练这些RBM来实现:(1)底部RBM以原始输入数据训练;(2)将底部RBM抽取的特征作为顶部RBM的输入训练;(3)过程(1)和(2)可以重复来训练所需要的尽可能多的层数。由于RBM可以通过CD快速训练,这一框架绕过了直接从整体上训练DBN的高复杂度,从而将其化简为对多个RBM的训练冋题。 Hinton建议,经过这种方式训练后,叮以再通过传统的全局学习算法(如反向传播算法)对网络进行微调,从而使模型收敛到局部最优点。这种学习算法,本质上等同于先通过逐层RBM训练将模型的参数初始化为较优的值,再通过少量的传统学习算法进一步训练。这样一来,不仅解决了模型训练速度慢的问题,大量试验结果也表明,这种方式能够产生非常好的参数初始值,从而大大提升了模型的建模能力。自此,机器学习领域又产生了一个新的研究方向-深度学习( Deep learning)[1618],明确提出了面向人工智能的机器学习算法的设计目标。当前,以RBM为基本构成模块的DBN模型被认为是最有效的深度学习算法之一。鉴于RBM在深度学习领域中占据的核心位置以及其本身的良好性质,为了给RBM的初学者提供入门指导,同时为设计与之相关的新算法提供参考,本文将对RBM进行较为系统的介绍,详细阐述其基本模型、具有代表性的快速学习算法、参数设置、评估方法及其变形算法,最后对RBM在未来值得硏究的方向进行探讨。本文后续内容安排如下:第1节介绍受限波尔兹曼机RBM的基本模型,第2节详细阐述当前训练RBM的快速学习算法,第3节讨论RBM的参数设置,第4节给出评价RBM优劣的方法,第5节简单介绍几种具有代表性的RBM变形算法,第6是总结与展望,主要探讨RBM在未米值得研究的方向。1受限波尔兹曼机RBM的基本模型RBM也可以被视为一个无向图 undirected graph)模型,如图2所示。v为可见层,用于表示观测数据,h为隐层,可视为一些特征提取器( feature detectors),W为两层之间的连接权重。 Welling19指出,RBM中的隐单兀和可见单元可以为任意的指数族单元(即给定隐单元(可见单元,可见单元(隐单元)的分布可以为任意的指数族分布),如 softmax单元、高斯单元、泊松单元等等。这里,为了讨论方便起见,我们假设所有的可见单元和隐单元均为二值变量,即V,j,v∈{0,1},h;∈{0,1}如果一个RBM有m个可见单元和m个隐单元,用向量v和h分别表示可见单元和隐单元的状态。其中,v;表示第个可见单元的状态,h表示第个隐单元的状态。那么,对于一组给定的状国武技论义在线隐层h可见层v图2:RBM的图模型表示,层内单元之间无连接态(v,h,RBM作为一个系统所具备的能量定义为∑a"2-∑bh-∑∑上式中,O={Wn,a,b}是RBM的参数,它们均为实数。其中,W表示可见单元;与隐单元j之间的连接权重,;表小可见单元的煸置(bias),b;表小隐单元j的偏置。当参数确定时,基于该能量函数,我们可以得到(v,h)的联合概率分布,E(v, ho)P(v, h0Z(0)=∑e-E(v, h ez(6)(2其中z(0)为归一化因子(也称为配分函数, partition function)时于一个实际问题,我们最关心的是由RBM所定义的关于观测数据v的分布P(ve),即联合概率分布P(v,h)的边际分布,也称为似然函数( likelihood functionP(v8∑E(v, h 0)3)Z(0为了确定该分布,需要计算归一化因子z(),这需要2n+m次计算。因此,即使通过训练可以得到模型的参数W,α和b,我们仍旧无法有效地计算由这些参数所确定的分布。但是,由RBM的特殊结构(即层间有连接,层内无连接)可知:当给定可见单元的状态时,各隐单元的激活状态之间是条件独立的。此时,第j个隐单元的激活概率为P(h=1v,O)=o(+∑W其中,O(x)1+exp(-a)为 sigmoid激活函数由于RBM的结构是对称的,当给定隐单元的状态时,各可见单元的激活状态之间也是条件独立的,即第i个可见单元的激活概率为11)=o(a+∑Wh1国武技论义在线2基于对比散度的RBM快速学习算法学习RBM的任务是求出参数θ的值,以拟合给定的训练数据。参数0可以通过最大化RBM在训练集(偎设包含T个样本)上的对数似然函数学习得到,即A=arg max C(0)=arg max>log(6为了获得最优参数θ^,我们可以使用随札梯度上升法( stochastic gradient ascent)求C(6)=∑1lgP(vθ)的最大值。其中,关键步骤是计算logP(v()关于各个模型参数的偏导数由于c(O)=∑ log p(vo)=∑og∑Pv"),het=1∑1pBw,b∑pE(,hO)-lg∑∑oxp-E(,h)令0表示6中的某个参数,则对数似然函数关于的梯度为OC、、8(og>expl-E(v(t),h)-10e∑∑∑ep-E(v,hO)exp[-e(vo,ho) d(E(vo),h0))(Σ h exp[-E(v,hO>∑8+E(-E(v,h)06∑0(-E(v(0,hl(-E(v,h6)S06P(hv(t),0)P(v, h0)其中,()P表示求关于分布P的数学期望。P(hv),)表示在可见单元限定为已知的训练样本v()时,隐层的概率分布,故式()中的前一项比较容易计算。P(v,h0)表示可见单元与隐单元的联合分布,由于归一化因子z(θ)的存在,该分布很难获取,导致我们无法直接计算式(8)中的第二项,只能通过一些采样方法(如Gibs釆样)获取其近似值。值得指出的是,在最大化似然函数的过程中,为了加快计算速度,上述偏导数在每一迭代步中的计算一般只基于部分而非所有的训练样本进行,关丁这部分内容我们将在后面讨论RBM的参数设置时详细阐述。下面,假设只有一个训练样本,我们分别用“data”和“modl”来简记P(hv(),6)和P(v,h)这两个概率分布,则对数似然函数关于连接权重W、可见层单元的偏置a和隐层单山国科技论文在线元的偏置b;的偏导数分别为alog P(v8ihi idata -(ihi,modelalog P(v 0)datai ) modela log P(v 8=(hi)data(hi model2.1RBM中的 Gibbs采样Gibs采样( Gibbs sanpling)[20是一种基于马尔可夫链蒙特卡罗( Markov chain monteCarlo,MCMC)策略的采样方法。对于一个K维随机向量X=(X1,X2,……,Xk),假设我们无法求得关于X的联合分布P(X),但我们知道给定X的其他分量时,其第k个分量Xk的条件分布,即P(Xk|Xk),Xk-(X1,X2,…,Kk-1,Xk+1,…,Xk)。那么,我们可以从X的一个任意状态(比如{c1(0),x2(0),…,xk(O))开始,利用上述条件分布,迭代地对其分量依次采样,随着采样次数的增加,随机变量[r1(m),x2(m),…,xk(n)]的概率分布将以n的几何级数的速度收敛于X的联合概率分布P(X)。换句话说,我们可以在未知联合概率分布P(X)的条件下对其进行样。基于RBM模型的对称结构,以及其中神经元状态的条件独立性,我们可以使用 Gibbs采样方法得到服从RBM定义的分布的随机样本。在RBM中进行k步吉布斯采样的具体算法为:用一个训练样本(或可见层的任何随机化状态)初始化可见层的状态v,交替进行如下采样:ho w P(h vo), V1 P(v ho),h1 n P(hv1),P(vhP(v hk)在采样步数k足够大的情况下,我们可以得到服从RBM所定义的分布的样本。此外,使用Gib样我们也可以得到式(8)中第二项的一个近似。22基于对比散度的快速学习算法尽管利用吉布斯采样我们可以得到对数似然函数关于未知参数梯度的近似,但通常情况下需要使用较大的采样步数,这使得RBM的训练效率仍旧不高,尤其是当观测数据的特征维数较高时。2002年, Hinton7提出了RBM的一个快速学习算法,即对比散度( Contrastive DivergenceCD)。与吉布斯采样不同, Hinton指出当使用训练数据初始化vo时,我们仅需要使用k(通常k=1)步吉布斯采样使可以得到足够好的近似。在CD算法一开始,可见单元的状态被设置成个训练样本,并利用式(4)计算所有隐层单元的二值状态。在所有隐层单元的状态确定之后,根据式(5)来确定第个可见单元v;取值为1的概率,进而产生可见层的一个重构 reconstruction)国武技论义在线这样,在使用随杋悌度上升法最大化对数似然函数在训练数据上的值时,各参数的更新准则为△Wx=(vh;)ata-(vhrecondata这里,是学习率( (learning rate),{}reon表示一步重构后模型定义的分布在RBM中,可见单元数一般等于训练数据的特征维数,而隐单元数需要事先给定。为了与前文记号致,假设可见单元数和隐单元数分别为和m。令W表示可见层与隐层间的连接权重矩阵(m×m阶),a(n维列向量)和b(m维列向量分别表示可见层与隐层的偏置向量。RBM的基于CID的快速学习算法主要步骤可描述如下输入:一个训练样本xo;隐层单元个数灬m;学习率e;最大训练周期T●输出:连接权重矩阵W、可见层的偏置向量a、隐层的偏置向量b.·训练阶段初始化:令可见层单元的初始状态v1=x0;W、a和b为随机的较小数值。For t=1.2TFor j=1,2,…,m(对所有隐单元)计算P(h1=11),即P(h1;=1v1)=0(b+∑,从条件分布P(h1v)中抽取h∈{0,1}EndFor上ori=1,2,……,m(对所有可见单元计算P1h1,即P(v2=1h1)=0(a+∑,Wh1);从条件分布P(v2h1)中抽取v2∈{0,1}EndOForj=1.2,…,m(对所有隐单元)计算P(h2=1v2),即P(h2y=1lv2)=a(b;+∑;2:W7);Endfor按下式更新各个参数W←W+∈(P(h1.=1v1)lv2)V2);a←-a+((v1-v2);+c(P(h1=1v1)-P(h=1)v2)山国科技论文在线Endfor算法1.RBⅥ的基于CD的快速学习算法主要步骤在上述算法中,记号P(hk.=1|vk)(k=1,2)是m维列向量,其第个元素为P(h;=1vk)尽管上述基于CD的学习算法是针对RBM的可见单元和隐层单元均为二值变量的情形提出的,但很容易推广到可见层单元为高斯变量、可见层和隐层单元均为高斯变量等其他情形,关于这方面的研究具体可参见[2125此外,还有一些研究者在CD算法的基础上,对其作了进一步改进。例如, Tieleman②26提出了持续对比散度( Persistent contrastive divergence,PCD)算法,该算法与CD的区别在于首先,PCD不再使用训练数据初始化CD算法中的 Gibbs采样的马氏链;其次,PCD算法中的学习率较小且不断衰减。根据随机近似理论,尽管每次更新参数后模型都发生了改变(每次对于W,a和b的更新,RBM定义的分布都会发生改变),但由于学习率较小且不断衰减,则可认为那条马氏链产生的负样本是由当前RBM定义的分布的一个近似分布米样而来Tieleman和 Hinton[27进一步改进了PCD算法,他们通过引入一组辅助参数以加快PCD中的马氏链的混合率,提出了快速持续对比散度( Fast Persistent Contrastive Divergence,FPCD)算法。关于RBM的学习算法,除了上述提到的基于CD的一些方法之外,还有最大化拟似然函数( maximum pseudo- likelihood)、比率匹配方法 (ratio matching)等,有兴趣的读者可参阅[28]查找关于RBM学习算法比较详细的阐述。3RBM的参数设置RBM的训练通常是基于CD的方法(即算法1)进行的,但如何设置其中的些参数(如隐单元个数、学习率、参数的初始值等),是需要有一定经验的。近来,已有部分研究结果②29,30表明:对于特定的数据集和RBM结构,如果参数设置不合适,RBM将很难对真正的数据分布正确建模。因此,对实际使用者(尤其是初学者)米说,了解RBM中参数设置的一般规则是非常重要的。根据 Hinton{23]提供的建议以及我们进行数值试验所获部分经验,对RBM中的参数设置可参考以下规则。小批量数据及其容量对于连接权重、可见层和隐层偏置的更新,虽然可以基于一个训练样本进行(类似于在线学习的方式),但计算量将很大。将训练集事先分成包含几|或几百个样本的小批量数据(mini- batches)进行计算将更高效,这主要是可以利用图形处珥器GPU( graphicProcessing Unit)或 Matlab屮矩阵之间相乘运算的优势。同时,为了避免在小批量数据的样本容量发生改变时,学习率也必须做相应的修改,通常的做法是在参数的更新过程中,使用参数的平均梯度(即总梯度除以数据容量),即B(t+1(t+1)=0(+∑alog P(v(t)aB06t′=Bt+1这里,B表示小批量数据的容量,其值不应设得太大。B=1表示参数更新以在线学习的方式进行,而B一T则表示传统的批处理方式。一股而言,若训练集是包含来自不同类(具有同等概山国武技亡文在线率)的样本,理想的B应为总类数、使得每批数据屮都包含来自每个类的一个样本,以减小悌度估计的抽样误差。对于其他数据集.则可先随机化训练样本的次序,再将其分为容量为10的倍数的小批量数据。学习率学习率若过大,将导致重构误差急剧增加,权重也会变得异常大。设置学习率的一般做法是先做权重更新和权重的直方图,令权重更新量为权重的10-3倍左右。如果有一个单元的输入值很大,则权重更新应再小些,因为同·方向上较多小的波动很容易改变梯度的符号。相反地,对于偏置,其权重更新可以大一些。权重和偏置的初始值一般地、连接权重W可初始化为来自正态分布N(0,0.01)的随机数,隐单元的偏置b初始化为0。对于第讠个可见单元,其偏置az通常初始化为logP/(1-p),其中γ;表示训练样本中第讠个特征处于激活状态所占的比率。如果不这样做,在学习的早期阶段,RBM会利用隐单元使得第个特征以概率p处于激活状态。动量学习率学习率e的选择至关重要.ξ大收敛速度快,但过大可能引起算法不稳定;c小可避免不稳定情况的出现,但收敛速度较慢。为克服这一矛盾,一种具有代表性的思想是在参数更新式中增加动量项 momentum),使本次参数值修改的方向不完全由当前样本下的似然函数梯度方向决定,而采用上一次参数值修改方向与本次梯度方向的组合。在某些情况下,这可以避免算法过早地收敛到局部最优点。以连接权重参数W为例,其更新公式为W(+D)kw(t)aL(t)其中k为动量项学习率。开始时,k可设为0.5,在重构误差处于平稳增加状态时,k可取为0.9权衰减使用权衰减( weight- decay)策略的主要目的是避免学习过程出现过拟合( overfitting)现象,一般做法是在正常的梯度项后额外增加一项,以对较大的参数值作出惩罚。最简单的罚函数是2函数(M/2)>∑,W,即所有权重参数的平方和的1/2乘上一个正则化系数入入在RBM中又称为权损失( weight-cost)。重要的是,惩罚项关于权重参数的梯度必须乘上学习率,否则.学习率的改变将导致优化的目标函数也发生改变。在RBM中,若使用L2罚函数,贝权损失系数的取值可以取介于001与0.0001之间的任意值。值得指出的是,权衰减策略只需应用于连接权重参数W上,可见层和隐层偏置不需使用,因为它们不人可能导致过拟合。并且在某些情况下,偏置的值还必须较大才行隐单元个数如果我们关心的主要目标是避免过拟合而不是计算复杂度,则可以先估算一下用个好的模型描述一个数据所需的比特数,月其乘上训练集容量。基于所得的数,选择比其低个数量级的值作为隐元个数。如果训练数据是高度冗氽的(比如数据集容量非常大),则可以使用更少些的隐元。以上讨论的是RBM中的一些常用的参数设置,针对一个实际问题,应使用什么类型的可见单元和隐单元,在其中如何加入稀疏性使得隐单元只在少数情况下处于激活状态等问题的讨论,可参见文[23,31]山国科技论文在线4RBM的评估算法对于一个已经学习得到或正在学习中的RBM,应通过何种指标评价其优劣呢?显然,最简单的指标就是该RBM在训练数据上的似然度C()=∑1logP(v(()。但是,C(0)的计算涉及到归一化常数(),而这个值是无法通过数学方法直接解析得到的,但我们又不可能枚举RBM的所有状态。因此,只能采用近似方法对RBM进行评估。4.1重构误差所谓“重构误差”( reconstruction error),就是以训练数据作为初始状态,根据RBM的分布进行一次 Gibbs采样后所获样本与原数据的差异(一般用一范数或二范数来评估)Error=0初始化误差for all y(),t∈{1,2,…,T}do%对每个训练样本y(进行以下计算h N P(v()%对隐层采样ⅴ~P(h%对可见层采样Error=Eror+‖v-v)‖%累计当前误差end forreturn上mOP%返回总误差算法2.重构误差的计算.重构误差能够在一定程度上反映RBM对训练数据的似然度,不过并不完全可靠[23。但总的来说,重构误差的计算十分简单,因此在实践中非常有用。4.2退火式重要性采样退火式重要性采样”( Annealed Importance Sampling,AIS)图2是目前比较主流的RBM评估方法。它的想法非常直接,就是利用蒙特卡岁方法估计RBM对数据的似然度。只不过没有使用MCMC,而是通过一种叫做“重要性采样”( Importance Sampling)[20的算法进行逼近。这种算法的优点在于:当目标分布十分陡峭时,不直接对其进行采样,而是引入另一个简单的分布,在这个简单的分布上采样。然后,利用采样所获样本和两个分布之间的关系对原分布上的均值进行估算。“重要性抽样”的基本思想如下:假设我们要计算某个分布P4(x)的归一化常数ZA,那么,我们可以引入另一个状态空间相同,但更容易采样的分布PB(x),并且事先知道它的归化常数zB。这时,只要能计算出zA/zB的值,我们就可以算出原分布的归一化常数ZA。假
- 2020-12-04下载
- 积分：1
pspice编程技术
学习pspice的入门资料，很适合初学者。EDA工具应用丛书Spice/ PSpice绵程技术高燕梅房蔓楠编A995B9電子工業出版Publishing House of Electronics industry北京· BEIJIⅠNG内容简介在众多的计算机辅助设计(CAD〕工具软件中,pie程序是精度最高、最受欢迎的软件丁具许多EDA系统软件的电路模我都分都是用ice序来完成的。本书系统讲述spie/ PSpice編程技术,并提供大量的编程仿良实例。全书分为7章1第1章介绍Spie程序的功能和特点;第2章和第3章分别介绍 PSpice Is版和wnws版的编程电路图绘制电路分析及波形处理方法;第4章介绍元器件的spce模型及参数;第5章介绍各种spre数学宏模型和系统宏模型;第6章绘出常用电路的仿真实例;第7章讲述运行 Spice序时可能出现的不收敛现象以及克服不收敛问题的方法本书可作为大中专院校电子类专业的教材或实验考书,也可供屯了系统设计、开发人员和电路设计爱好者参考a未经许叮,个得以任何方式复制或抄袋本书之部分或全内容。版权所有,侵权必究图书在版编目【CP}数据Spic:e/FSpice编釋技术/高燕悔房蔓楠编著.—北京:电子工业出版社,2002.6(EDA|县应用丛书sN7553691RI.S…〗.①高…②房…Ⅲ.电子电路一计算机辅助设计一应用软件, pice/Pspice-程序设计tY. TNI02屮国版本图书馆CP数据核字(2002)第035519号责任編辑:张来盛印刷:北京大宇星印圳出版发行:电了工业出版社htp://ww.phei. Com.cn引京市海淀区万寿路173信箱邮编100035经销:各地新华书店于本:787×10921/16印张:1925字数:4928千字版次:2002年6月第1版2002年6月第1次印刷印数:6000册定价:2800元凡购买旦子L业出版社的至书,如有缺损问题请向购买书店调换。若书店售缺请与本社发行部联系联系电话:(C0)68279077臃着计箅机技术的飞速发展,计算杋辅助设计(CA门)技术已成为屯路设计工程师不吁缺少的有力工具。国内外电子线路CA软件的相继推出与版本更新,使CA技术的应用渗透到电子线路与系统设计的各个领域,如电路图的绘制、模拟电路仿真、逻辑电路分析、优化设计、印刷电路版的布线等。CAD技术的发展使得电子线路设计的速度、质量和精度得以保证在众多的CAD工具软件中,Spce程序是精度最高最受欢迎的软件T具,许多EDA系统软件的电路模拟部分是应用 Spice程序来完成的。Ppie是Spce程序应用在P!上的程序,它的主要算法与 pire相同。由于 PSpice A/程序集成了模拟与数字电路的仿真运算法,它不仅订以仿真单一的模拟电路或数字电路,而H可以有效、完善地仿真模拟和数字混合电路。经过多年的改版, PSpice AD以其强大的功能炇高度的集成性而成为现今最受欢理的电路仿真软件。 PSpice程序已被另一家在FDA领哦的大公司 OCAD并购,更名为 OrAD PSpice A/D,版本升级为v。根据多件来对 Spice程序的学习和讲究我们认为,然pice程序不断升级,各种版本的编辑窗口变化多端而豆新功能不断发展,令初学者眼花缭乱,但如果能首先掌握Spie程序的基本编程语言,即 pice pos版的編程方法,了解Spi程序的基木计算方法和常用模型,就掌握了pice程序的真谛,任何版本的pice程序都能轻松驾驭。基于这一点,衣编群本书时,我们以 PSpice的0s版为例,详细讲解 Spice的基本编程语言,由浅入深,求消晰易懂。这是本书与其他Psce程序书籍不同的重要特点,希望读者在使用木书时会有深刻体径杯书内容分为7章。第1章概要介绍$pe序的功能和特点;第2章详细介绍PpieDOS版的编程方法和各种分析功能对各种元器件及电路给出了编程示例使得初学者很容易掌握;第3章洋细介绍 ISpice Windows版应用轶件的电路图绘制和电路分析、数据波形处理方法;第4章详细介绍二极管丑r晶体管、MOS场效应管等器件的模型电路及参数,并有详尽的图形公式讲解;第5章介绍应用 PSpice程序编程功能实现的各种数学宏模型和系统宏模型,这些宏模型可以内置于电路系统中,代替部分电路模块的功能或作为测试源,乜可以代替不需设计的屯路部介,使得电系统的分析测试简化,精度提髙;第6章给出·些常用电路的仿真实例;第7章介绍运行spie程序时可能出现的不收敛现象和克服不收敛问题的方法本书的主要特点(1)适用于初学者。本书对DO版的ppie程序作了详细约介绍,给出了各种电路的编程举例;对 Windows版 PSpice程序的各种菜单命令给出了详细的说明,使初学者能很快学会绘制电路图的方法,并应用各种指令进行分析,打印输出结果。(2)适用干木科、专科学牛和电路设计爱好者。学优布学会应用spic程序后,可以随时方使地利用 Spice软件检查作业,完成电路设计编程和课程设计任务如果他们对电路的基木理论不清楚,就不会有正确的运算步骤也不能从程序中得到正确的解答,这时学生就需要修改稆序。这种反复运算的过程是教会学生本理论的有效方法。电路教学实践表明,孜科书中的与颞没钌作一的题,最好的解答往社是越出常规的。理论学习好的学生,往往不一定能解决实际的工程问题,从而不能话应激烈的市场竞争的需要。实际的工程问题必狐通过反复设计实践来解决。应用 spice程进行设计,能够培养学竺的创造性思绁。(3)Spie序是实验师的好帮手。粗通计算机技术的教帅可以通过本迅速地掌握ice编程技术将其应川于实验教学,既可以鼓助学牛进行创造性的实验活动,可以桰助学生加深理解理论分析的步骤和结果。在应用实际元器件和仪表进行实验时,由于元器件、设备和时间的限制,学生只能徹一些确定的实验:而应用spce教件进行设计,学生可以进行多种电路实验,将多种设计方案输入计算机,用 Spice软件调测设计电路,比较改进设计结果些实际也路的成功设计,可以更加激发同学们的创造热情,迅速提高他们的电路设计能力(4)为1程技术人员提供了详尽的模型资料和有效的宏模型。读者在设计电路时,可根楞设计需要选定模型参数,在调测屯电路时可以通过修改模型参数来得到最设计结果。由于编著者水平有限加之吋问仓促;书中难免有不妥之处,敬请读者批评指正:。编著者202年1月目录第1章论…(l)第2章 PSpice DOS版编程…看司即甲4p■即甲p甲唱自即看■口口申d『p自11■■督會血血血11■2.概述111……………,……………………(4)版 PSpice的组成2.]2 PSpice的装与运行翻山酯■口鲁鲁■一口即……………(5)2.2屯路描述…………(5)221电路描述语句自■中中■山2.2.2分柝指令格式………2.2.3输出指令格式中·中·P…(10)2.24简单程序举例…………(10)2.3元器件描述………(11)23.1元件描述语付………23.2器件描述语句……………………………………………………………………(20)2.3.3屯源描述语句■■L■昌L山昌山▲(49)4分析指令(55)4.1直流分忻指令……■■卜■P■鲁■自曾血自自血自血自■自血■■血■■血自鲁自■血b曲會血………(55242交流分析指令(57)24.3噪声分析指令57)244膦态分析指令………………亠郾·■·▲·↓↓↓↓中·dpc+■鲁■q(582.4.5傅里叶分析■■■58)2.5输出指令■日「■■■早,■■『卩q卜■↓■4晋b量b………(59)2.s.1数据打印评句……………………(59)2.5.2文本绘图语句…………………f6l2.5.3图形后处理程序(62)2.5.4打印宽枣话何62)2.6其他功能描述语句P·14昌山如■+--中『甲中即『『日『日4d『‘(63)2.0.1任选唤培句4聊ψψ■中φPp中p白pq◆F(63)26,2结束语句……(64)2.6.3包含话句………………………(64)2.7子电路与库函数日申曾·曾平4甲·個■■冒PPPP■宁■4■b■個自自■鲁血自鲁d咖·■卩聊即p聊(64)2.7.l器件模型语句 MODEL〔65)2.7.2库函数调用语句UIB65)2..3子电路调用语句SHKT…………s…………*(66)28数字电路模拟■■■■冒P冒4bb■凸山……………………(6)8.1概述662.8.2数字电路器件………………678.3数宁信号游72)2.8,4数电路的 P=pice分析·督■■『■冒?冒■會4會■1■■■■‘‘■t76第3章 PSpice Windows版编程833.1概述(833.2绘制电路原理图■■冒冒冒■1冒冒■■■『■冒■■■曾■■■■■■■833.2.1打开 Schematics程序项3.22绘图窗计的址能建84)3.2.3绘图常用命令顶853.3电路分析司口■■■◆■●■血曲(92)3.3.1打开Fps耙序项鲁血■923.3.2 PSpic:e常用角令项…923.4杳看输出波形…………………………………(933.4.1打开Prb程序项(933.42Pmhe窗冂的功能键…(3343Prhe常用命令项■■■■■■P■血l自自■L自·_甲■唱司·■■……………(953.5建立元件库……9?3.5.L打开Pats程予项……;………3.52元件库窗口的功能键冒士14■+■b93.5.3Pars常用命仝项……甲甲郾·!···』■▲--rT……(99)3,6激励源编辑器……(1033.6.1打开激励源绢辑窗口,……s"…""………(1033.6.2激源编辑窗口的功能键(104)激动源编器常用命令项3.7设汁举例卜:4幽■山■■■▲甲曾番甲晋P晋量青↓dd画晶1103.7.谩计一个数字电路……(LlO3.7.2温度分析实例………■音鲁白中中P中甲甲P『TPP■個◆自冒t(1I537.3噪声分析实例…(1203.7.4傅甲叶分析实例…;;…7.5多数分析实例………………(124)3.7.6 Mante Carlo分析与性能分析…………………(127)37.7最荣悟况分析;q■■T■■■■(l3第4章Spce元件模型与模型参数…………………(1344. I Spice二极管模刑■冒■1■■中1344.1.Ⅰ大注人电流的-极管静态DC模型(]364.1.2极管信号模型…■■■■■■■I38极管的温度模型1384.2双极型晶体管模型和参数提取……(1394.2.上BT模型慨述∴……………………"…(l39)4.2.2lrs-M钏l模型…(14l)4.2.3 Gummel-Pon模型p:4日由·亠‘(1454.3MGS场效应管(MOET)模型参数和提取(150)4.3.1 MOSFET的Sice一级静态镆型(150)4.3.2 MOSFET_·级静态模型·(1524.3.3M0SFET_级静态模型·A.·.日.B4L日.BB昌吾4↓bh如昌4吾山聶如亠↓4亠(154)4.3.4 MOSFET Spice棋型的比较■1■‘』中中中中中中中山十啬4鲁山平『■+一(155)44结型场效应晶体管(JFFT)模型和参数提取………………………………(157)4.4]N沟道JFF静态模型…■血■函■幽血………(158)4.4.2JEY大信号模型(159)4.5砷化镓金属≯导体场效应晶体管( GaAs mesfet)模型1自中……(160)4.6数字器件模型(161)4.6.l逻辑门电路………………………………**……(1614.6.2融漫平卩■甲P甲↓甲罾↓晋甲■■!甲青罾晉甲■■『卜鲁昏■晋}■_■■d晋d矗啬(16446.3可编程逻辑器件(PLA……(167)4.6.4数字UO接口子电路……………………………;……"(]70)4.6.57400系列TT和CMOS模型库(173)4.66CM84000系列模型库(184)4.6.7数字器件型举例………r…………………(187)第5章Spce数学宏横型(192)5.1数学功能宏模型……………………………………………………(192)5.L.电压加法器太模型T平■■『冒■■■■■■■■昌…(192)5.1.2电压乘法器宏模型…■甲qF『冒PP■曾………s…s……s………:(193)5.1.3电生除状器宏模型(195)5L4电压平方室模型(196)5..5理想变压宏模型h■甲甲普平罾甲甲■p■■b▲pt(197)5.L.6电压求平主根宏模型………………(198)5..7三角波/弦波转换器(20)5..8电压柑移电路(202)5l.9电压积分器宏模型看号『冒晋■■血dq·号司鲁■■■唱自血◆血■■自■■■p甲聊要L4↓(204)s.上,10电压徽分宏模型…;(206)5.].1电压绝对连宏模型…■■■矗■bt(207)5.].12电压峰值深测器宏模型LL山L山(2105.1.13频率乘法………………∴…(2lt)s.1.14频率除法据……(213)5.1.15频率加法据减法器……(215)5.].16相泣探测器(217)5.1.17传输线宏嫫型…号P■甲↓【■冒h219)5.1.18施密特触发器宏模型……;………………………………………(220)5.1.19电压取样一保持电路宏模型4■郾司郾■4L晶………………………(223)5.].2咏冲宽变调制器宏模芈…………(2245.1.21电压填度调制器宏模型……(226)5.L.22电压对数放大器宏模型■■■(228)5.1,23N次根提取电路宏模型…(229)5.1.24拉氏变换宏模型…………………(232)5.2系统方程去模型…(232)52.]微分方程纤的积分型模拟法……………………………(232)5.2.2微分方程组的微分型模拟法………(236)5.23网络函数的Sice电路模型…(238)53非线性器件的Srie模型…………………,…………(246)5.3.1传感器件的Sice瞬念分析…:(246)5.3.2负值电慼和电容的Spie宏模型T?冒■T冒P250533运算放大器的Spe宏模型…………………(252第6章常用电路编程实刨…………………………………………………………(259)第7章 Spice的收斂问题(290)7.1什么是收敛问题鱼山d山血d血血dp血■■p甲1甲4·甲"qP+P290)7.2如何解决收敛问题……bdd■d…(290)7.2.]解次不收敛问题的思路……(290)7,2.2解决不收敛问题的可行力法…………(291)7.2-3解袂不收问题的条件参数和指令…(2927.3常见的错误信息…………甲甲司罪郾甲【即着L着4■■d·4画斗香山4·…(293)參考文献………………………(299)
- 2020-12-09下载
- 积分：1
