文献

J-GLOBAL ID：202002223971395448   整理番号：20A2764662

センサキャリブレーションのための機械学習技術のマイクロエレクトロニクスCMOS実装【JST・京大機械翻訳】

Microelectronic CMOS Implementation of a Machine Learning Technique for Sensor Calibration

著者 (5件)： Martinez-Nieto Javier A. (Group of Electronic Design (GDE), University of Zaragoza, Zaragoza, Spain) ,  Sanz-Pascual Maria Teresa (Electronics Department, National Institute of Astrophysics, Optics and Electronics (INAOE), Puebla, Mexico) ,  Medrano N. (Group of Electronic Design (GDE), University of Zaragoza, Zaragoza, Spain) ,  Lopez Belen Calvo (Group of Electronic Design (GDE), University of Zaragoza, Zaragoza, Spain) ,  Canada Diego Antolin (Group of Electronic Design (GDE), University of Zaragoza, Zaragoza, Spain)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 207367-207376  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 1.8V電源による標準0.18μmCMOS技術に実装されたセンサキャリブレーションのための統合機械学習ベースの適応回路を,この論文で提示する。デバイス応答の線形化に加えて,提案システムはオフセットと利得誤差を補正できる。適応システムに適合するビルディングブロックを設計し,実験的に特性化して,定義された多層パーセプトロンアーキテクチャ内の各アナログブロックの適切な性能を検証するために使用する数値高レベルモデルを生成した。学習フェーズから得たネットワーク重みをマイクロコントローラEEPROMメモリに保存し,次に提案した統合プロトタイプの各レジスタに負荷した。提案したシステム性能を検証するために,サーミスタの非線形特性を応用例として補償し,130°Cの入力スパン内で3%以下の相対誤差e_rを達成し,これは非補正応答より約6倍少ない。全システムの電力消費は1.4mWであり,それは0.86mm2の活性領域を有した。ネットワーク重みのディジタルプログラム可能性は,センサ変化が必要なとき,柔軟性を提供する。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  サーミスタ ,  *学習 ,  ネットワーク ,  スパン ,  電力消費 ,  レジスタ ,  EEPROM ,  *マイクロエレクトロニクス ,  マイクロコントローラ ,  計算機アーキテクチャ ,  多層パーセプトロン ,  *機械学習 ,  *CMOS
準シソーラス用語： ビルディングブロック , 【Automatic Indexing@JST】

分類 (1件)： 通信網  (ND07030A)

タイトルに関連する用語 (5件)： センサキャリブレーション ,  機械学習技術 ,  マイクロエレクトロニクス ,  CMOS ,  実装