En este trabajo se propone una nueva técnica para el transistor de efecto de campo (FET) de pequeña señal de modelado con redes neuronales. Esta técnica se basa en la combinación de los coeficientes de frecuencia Mel Cepstral (MFCC) con las diferentes transformaciones discretas, tales como la transformada discreta del coseno (DCT), la transformada discreta del seno (DST), y la transformada discreta wavelet (DWT) de la entrada a las redes neuronales. Los datos de entrada a los sistemas tradicionales conjuntos neuronales para el FET de pequeña señal de modelado son los parámetros de dispersión y las frecuencias correspondientes en una determinada banda, y las salidas son los elementos del circuito. En el enfoque propuesto, este conjunto de datos son considerados como constitutivos de señales aleatorias. El MFCC de las señales aleatorias se utiliza para generar un pequeño número de rasgos que caracterizan las señales. Además, otros vectores se calculan a partir de la DCT, de DST, o la DWT de la señal al azar y se añade a los vectores MFCC calculados a partir de las señales. Los vectores de características nuevas se utilizan para entrenar las redes neuronales. El objetivo de la utilización de estos nuevos vectores es la caracterización de las secuencias de entrada al azar con características mucho más para ser robustos frente a errores de medición. Hay dos ventajas de estos enfoques, una reducción en el número de entradas de las redes neuronales y, por lo tanto, una convergencia más rápida del algoritmo de entrenamiento neural y robustez frente a errores de medición en la fase de pruebas. Los resultados experimentales muestran que las técnicas basadas en las transformaciones discretas son menos sensibles a los errores de medición que el uso de los métodos tradicionales y MFCC.

Elsharkawy, R. R. et al. (2011). A New Trend for FET Small Signal Modeling Using Cepstral Analysis. Científica: La Revista Mexicana de Ingeniería Electromecánica, 15(3), pp. 131-138.