حذف نوسانات کلیدزنی با استفاده از شبکه عصبی عمیق رگرسیونی بازگشتی

پدیده نوسانات کلیدزنی یک مشکل مخرب در سیستم‌های دیجیتال است که منجر به خطا در تشخیص ورودی از کلید‌های فشاری یا صفحه‌کلید می‌شود. این مسئله معمولاً به روش‌های سخت‌افزاری یا نرم‌افزاری جبران‌سازی می‌شود، اما هر یک از این روش‌ها محدودیت‌ها و نواقصی دارند. در این مقاله، از روش نرم‌افزاری مبتنی بر شبکه‌های عصبی بازگشتی با حافظه برای جبران‌سازی نوسانات کلیدزنی استفاده شده است. معماری شبکه مورداستفاده ترکیبی از دو شبکه lstm و gru است که معمولاً با نام معماری narxnet شناخته می‌شود. این شبکه، پالس ورودی به‌شدت آشفته‌ای را که در یک بازه زمانی کوتاه چندین بار سطح ولتاژ دیجیتال آن تغییر می‌کند، دریافت و آن را به یک پالس دیجیتال بازسازی‌شده تبدیل می‌کند که معادل یک بار فشردن کلید است. بررسی این مثال به‌عنوان یک مدار غیرخطی باحالت گذرای بسیار آشفته نشان می‌دهد که روش پیشنهادی در بسیاری از کاربردهای دیگر مدارها باحالت گذرای ناخواسته نیز قابل‌استفاده است.

suppressing switching bounce with a deep recurrent regression neural network

switching bounce is a disruptive phenomenon in digital systems that causes errors when reading inputs from mechanical switches or keyboards. it is commonly mitigated by hardware or software debouncing methods, each of which has limitations. in this paper, we propose a software-based debouncing approach using memory-enabled recurrent neural networks. the employed architecture combines lstm and gru units and is commonly referred to as a narxnet-like configuration. the network converts highly disturbed input pulses, whose digital voltage level toggles multiple times within a short interval—into a reconstructed digital pulse representing a single key press. evaluation on this example, modeled as a nonlinear circuit with pronounced transient behavior, indicates that the proposed method can be applied to many other circuits exhibiting unwanted transient states.