مدل سازی داده محور و یادگیری ماشین در تثبیت کننده ولتاژ منفی ۷۹۱۲: واکاوی عدم تقارن رفتاری، پاسخ های گذرا و پیش بینی عملکرد در مقایسه با همتای مثبت

تثبیت کننده ولتاژ خطی منفی ۷۹۱۲ علی رغم نقش حیاتی در تامین ولتاژهای دوپولار برای سیستم های صوتی، ابزار دقیق و مخابراتی، به میزان قابل توجهی کمتر از همتای مثبت خود ۷۸۱۲ مورد پژوهش قرار گرفته است. این مقاله به مرور نظام مند پیشینه پژوهش در زمینه مدل سازی ۷۹۱۲ می پردازد و نشان می دهد که فرض تقارن کامل بین این دو قطعه نادرست است. بررسی داده های تجربی گردآوری شده از پژوهش های پیشین نشان می دهد که افت ولتاژ گذرا در ۷۹۱۲ حدود ۲۵ درصد بیشتر از ۷۸۱۲ است، زمان بازیابی حدود ۴۰ تا ۵۰ درصد طولانی تر می باشد، ریپل رد در فرکانس ۱۲۰ هرتز حدود ۱۰ دسی بل ضعیف تر است و مقاومت حرارتی حدود ۱۰ درصد بالاتر می باشد. این تفاوت ها به استفاده از ترانزیستورهای عبوری PNP با تحرک حفره پایین تر و ظرفیت های پارازیتی بزرگتر نسبت داده می شود. روش های شبکه عصبی عمیق، ماشین بردار پشتیبان و جنگل تصادفی توانسته اند با دقت ۹۲ تا ۹۶ درصد پارامترهای کلیدی ۷۹۱۲ را پیش بینی کنند. نتیجه گیری نهایی آن است که ۷۹۱۲ یک مورد مطالعاتی منحصربه فرد برای توسعه روش های یادگیری ماشین در مدل سازی قطعات منفی محسوب می شود و نمی توان آن را صرفا نسخه منفی ۷۸۱۲ در نظر گرفت.

کلیدواژه ها:

آی سی ۷۹۱۲ ، تثبیت کننده ولتاژ منفی ، عدم تقارن رفتاری ، یادگیری ماشین ، پاسخ گذرا ، ریپل رد ، ترانزیستور PNP ، داده محور