I
nte
rna
t
io
na
l J
o
urna
l o
f
E
lect
rica
l a
nd
Co
m
p
ute
r
E
ng
in
ee
ring
(
I
J
E
CE
)
Vo
l.
9
,
No
.
5
,
Octo
b
e
r
2
0
1
9
,
p
p
.
3
4
2
3
~
3
4
3
1
I
SS
N:
2088
-
8708
,
DOI
: 1
0
.
1
1
5
9
1
/
i
j
ec
e
.
v
9
i
5
.
p
p
3
4
2
3
-
3431
3423
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ia
e
s
co
r
e
.
co
m/
jo
u
r
n
a
ls
/in
d
ex
.
p
h
p
/
I
JE
C
E
An
o
pti
m
i
zed
m
e
t
ho
d t
o
w
a
rds
f
o
r
m
a
l
v
erification o
f
m
ix
ed
s
ig
na
ls usin
g
d
iff
e
rential
f
ed
n
e
ura
l
n
etw
o
rk
ov
er FF
NN
Vidy
a
D.
S
.
,
M
a
njuna
t
h
Ra
m
a
cha
n
dra
A
s
sa
m
Do
n
Bo
sc
o
Un
iv
e
rsity
,
G
u
w
a
h
a
ti
,
In
d
ia
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Oct
10
,
2
0
1
8
R
ev
i
s
ed
Mar
2
6
,
2
0
1
9
A
cc
ep
ted
A
p
r
1
5
,
2
0
1
9
T
o
d
a
y
,
th
e
se
m
i
c
o
n
d
u
c
t
o
r
i
n
d
u
stries
a
re
ra
p
id
ly
u
sin
g
a
n
a
lo
g
a
n
d
m
ix
e
d
sig
n
a
ls
to
a
c
h
iev
e
c
o
st
-
e
ff
e
c
ti
v
e
s
o
lu
t
i
o
n
s o
n
a
S
y
ste
m
o
n
Ch
ip
(S
o
C)
d
e
sig
n
.
T
h
e
S
o
C
d
e
v
ice
i
s
a
p
a
rt
o
f
a
n
a
lo
g
,
d
ig
it
a
l
a
n
d
e
ss
e
n
ti
a
l
m
ix
e
d
-
sig
n
a
l
m
o
d
e
ls/circ
u
it
s
m
e
rg
e
d
o
n
a
s
e
m
ico
n
d
u
c
t
o
r
d
e
v
ic
e
,
w
h
ich
p
r
o
v
id
e
s
th
e
p
latf
o
rm
to
b
u
il
d
m
o
d
e
rn
re
tail/
c
o
n
su
m
e
r
e
lec
tro
n
ics
a
p
p
li
a
n
c
e
s
w
it
h
s
m
a
rt
tec
h
n
o
l
o
g
y
.
In
o
rd
e
r
t
o
e
v
a
lu
a
te
th
e
m
ix
e
d
sig
n
a
ls,
th
e
c
o
n
v
e
n
ti
o
n
a
l
a
p
p
ro
a
c
h
e
s
a
re
n
o
t
e
f
f
e
c
ti
v
e
with
re
sp
e
c
t
to
it
s
p
e
rf
o
r
m
a
n
c
e
,
ti
m
e
a
n
d
m
a
n
u
f
a
c
tu
rin
g
c
o
st.
T
h
u
s,
th
e
re
c
e
n
t
re
se
a
rc
h
e
s
we
re
m
u
c
h
in
tere
ste
d
in
f
o
r
m
a
l
v
e
ri
f
ica
ti
o
n
tec
h
n
iq
u
e
a
s
it
p
ro
v
id
e
s
th
e
e
v
id
e
n
c
e
o
f
c
o
n
sc
io
u
s
a
lg
o
rit
h
m
s
in
a
sy
ste
m
.
T
h
e
d
e
m
a
n
d
f
o
r
f
o
rm
a
l
v
e
ri
f
ica
ti
o
n
in
th
e
S
o
C
d
e
sig
n
s
in
t
h
e
c
o
n
tex
t
o
f
so
f
twa
r
e
a
n
d
h
a
rd
w
a
re
p
latf
o
r
m
is
h
ig
h
b
e
c
a
u
se
o
f
it
s
c
o
st
a
n
d
a
c
c
u
ra
c
y
.
T
h
u
s,
th
e
p
a
p
e
r
in
tro
d
u
c
e
s
a
tec
h
n
i
q
u
e
o
f
f
o
r
m
a
l
v
e
ri
f
ica
ti
o
n
f
o
r
m
ix
e
d
sig
n
a
ls
b
y
u
sin
g
train
in
g
m
o
d
e
ls
o
f
th
e
Dif
f
e
re
n
ti
a
l
f
e
d
n
e
u
ra
l
n
e
tw
o
rk
(DFNN)
o
v
e
r
fe
e
d
f
o
r
w
a
rd
n
e
u
ra
l
n
e
tw
o
rk
(F
F
NN
).
T
h
e
f
o
r
m
a
l
v
e
ri
f
ica
ti
o
n
is
p
e
rf
o
rm
e
d
t
h
ro
u
g
h
e
q
u
iv
a
len
c
e
c
h
e
c
k
in
g
b
y
u
sin
g
re
c
e
n
tl
y
a
d
o
p
ted
d
e
sig
n
s
a
s
re
fe
re
n
c
e
d
e
sig
n
s.
T
h
e
o
u
tco
m
e
s
o
f
th
e
v
e
ri
f
ica
ti
o
n
tec
h
n
i
q
u
e
s
s
u
g
g
e
sts
th
a
t
DFNN
b
a
se
d
tec
h
n
i
q
u
e
im
p
ro
v
e
s
th
e
train
in
g
a
c
c
u
ra
c
y
a
n
d
o
p
t
im
ize
s
t
h
e
h
a
rd
w
a
re
re
so
u
rc
e
s
li
k
e
a
re
a
,
p
o
w
e
r
th
a
n
th
e
F
F
NN
b
a
se
d
tec
h
n
i
q
u
e
.
K
ey
w
o
r
d
s
:
A
r
ea
Fo
r
m
al
v
er
i
f
icatio
n
Mix
ed
s
i
g
n
al
s
Neu
r
al
n
et
w
o
r
k
s
P
o
w
er
Co
p
y
rig
h
t
©
2
0
1
9
In
stit
u
te o
f
A
d
v
a
n
c
e
d
E
n
g
i
n
e
e
rin
g
a
n
d
S
c
ien
c
e
.
Al
l
rig
h
ts re
se
rv
e
d
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
Vid
y
a
D.
S
.
,
R
esear
ch
Sch
o
lar
,
Ass
a
m
Do
n
B
o
s
co
Un
i
v
er
s
it
y
,
Gu
w
a
h
ati,
I
n
d
ia
.
E
m
ail: d
s
v
id
h
y
a0
7
7
0
@
g
m
ail.
co
m
1.
I
NT
RO
D
UCT
I
O
N
Var
io
u
s
f
o
r
m
s
o
f
r
esear
ch
ac
ti
v
itie
s
w
er
e
m
ad
e
i
n
t
h
e
r
ec
en
t
p
ast
w
h
ic
h
p
r
o
v
id
ed
a
b
r
ea
k
t
h
r
o
u
g
h
f
o
r
th
e
co
m
p
u
ter
-
a
id
ed
d
esig
n
(
C
A
D)
p
r
ac
tices,
m
ai
n
l
y
i
n
t
h
e
d
esig
n
o
f
h
ar
d
w
ar
e
d
escr
ip
tio
n
la
n
g
u
a
g
e
(
HD
L
)
m
ea
n
t
f
o
r
an
al
y
s
i
s
o
f
th
e
m
ix
ed
s
ig
n
als
(
MS)
b
eh
a
v
io
r
[
1
]
.
So
m
e
o
f
t
h
e
i
m
p
o
r
tan
t
d
esi
g
n
m
ec
h
a
n
i
s
m
s
w
er
e
p
r
esen
ted
to
v
ar
io
u
s
f
o
r
m
o
f
d
es
ig
n
p
r
o
ce
d
u
r
es
b
y
u
s
i
n
g
d
if
f
er
en
t
d
esig
n
tech
n
iq
u
es.
T
h
e
p
r
im
e
in
te
n
tio
n
o
f
C
A
D
tec
h
n
iq
u
e
is
a
n
al
y
s
i
s
a
n
d
d
esig
n
v
er
if
icat
io
n
b
u
t
wh
ich
is
c
h
alle
n
g
i
n
g
tas
k
a
n
d
it
n
ee
d
s
t
h
e
lo
t
o
f
ex
p
er
tis
e
an
d
i
n
-
d
ep
th
u
n
d
er
s
tan
d
in
g
o
f
a
n
alo
g
a
n
d
m
i
x
ed
s
ig
n
al
s
(
A
M
S)
b
eh
av
io
r
[
2
,
3
]
.
T
h
e
v
er
if
icat
io
n
p
r
o
ce
s
s
in
v
o
lv
es
v
ar
io
u
s
k
i
n
d
s
o
f
i
s
s
u
es
i
n
al
l
t
h
e
s
ta
g
es
o
f
t
h
e
d
esi
g
n
p
r
o
ce
d
u
r
e.
A
ls
o
,
th
e
w
id
e
r
a
n
g
e
o
f
d
if
f
er
e
n
ce
ca
n
b
e
o
b
s
er
v
ed
in
th
e
d
i
f
f
er
e
n
t
clas
s
es
o
f
AM
S
d
esig
n
s
[
4
]
.
T
h
e
m
aj
o
r
p
r
o
b
lem
d
u
r
in
g
t
h
e
v
er
if
ica
tio
n
p
r
o
ce
s
s
f
o
r
A
MS
d
esig
n
s
at
ad
ap
tio
n
le
v
el
o
f
t
h
e
an
a
lo
g
cir
c
u
its
ar
e
th
e
c
h
a
r
ac
ter
is
tics
d
e
f
in
ed
d
ir
ec
tl
y
in
ter
m
s
o
f
u
n
i
n
ter
r
u
p
ted
s
ig
n
al
q
u
an
t
ities
[
5
]
.
A
l
s
o
,
th
e
p
r
o
b
le
m
as
s
o
ciate
d
w
it
h
t
h
e
p
r
o
p
er
f
u
n
ctio
n
alitie
s
o
f
i
n
te
g
r
ated
d
esig
n
s
n
ee
d
to
m
ee
t t
h
e
s
y
s
te
m
p
er
f
o
r
m
a
n
ce
o
f
t
h
e
s
y
s
te
m
w
it
h
r
esp
ec
t to
p
o
w
er
u
tili
za
t
io
n
a
n
d
ar
ea
[
6
]
.
T
h
is
p
ap
er
in
tr
o
d
u
ce
s
a
f
o
r
m
al
v
er
if
icatio
n
m
et
h
o
d
to
v
er
i
f
y
th
e
m
i
x
ed
s
i
g
n
als
b
y
tr
ain
i
n
g
a
n
d
lear
n
i
n
g
t
h
e
n
et
w
o
r
k
s
u
s
i
n
g
Feed
f
o
r
w
ar
d
n
e
u
r
al
n
et
w
o
r
k
(
FF
NN)
a
n
d
d
if
f
er
en
tia
l
f
ed
n
e
u
r
al
n
et
w
o
r
k
(
D
FNN)
.
T
h
e
e
n
tire
p
ap
er
is
o
r
g
an
ized
w
ith
t
h
e
s
ec
tio
n
s
lik
e
R
e
v
ie
w
o
f
e
x
i
s
ti
n
g
r
esear
c
h
(
Sectio
n
1
.
2
)
to
u
n
d
er
s
tan
d
t
h
e
cu
r
r
e
n
t
s
tate
o
f
ar
t
in
t
h
e
v
er
i
f
ic
atio
n
o
f
m
ix
ed
s
i
g
n
als
,
P
r
o
p
o
s
ed
s
y
s
te
m
m
o
d
el
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
8
-
8708
I
n
t J
E
lec
&
C
o
m
p
E
n
g
,
Vo
l.
9
,
No
.
5
,
Octo
b
er
2
0
1
9
:
3
4
2
3
-
3
4
3
1
3424
(
Sectio
n
2
)
d
is
c
u
s
s
es
tech
n
iq
u
es
ad
o
p
ted
f
o
r
f
o
r
m
a
l
v
er
if
ica
t
io
n
,
r
es
u
lts
an
d
a
n
al
y
s
i
s
(
Sect
i
o
n
3
)
d
ea
lin
g
w
i
th
p
er
f
o
r
m
a
n
ce
a
n
al
y
s
i
s
o
f
b
o
th
t
h
e
F
FNN
a
n
d
DF
NN
tec
h
n
iq
u
es
an
d
co
n
clu
s
io
n
g
i
v
es
t
h
e
co
n
clu
d
i
n
g
p
o
in
t
s
o
f
th
e
p
ap
er
in
(S
ec
tio
n
4)
.
T
h
e
ex
is
ti
n
g
r
e
s
ea
r
ch
es
w
er
e
s
elec
ted
an
d
r
ev
ie
w
ed
f
r
o
m
t
h
e
o
f
f
icial
p
u
b
lica
tio
n
s
l
ik
e
I
E
E
E
,
Sp
r
in
g
er
,
E
l
s
ev
ier
m
ea
n
t
w
it
h
a
n
alo
g
,
m
i
x
ed
s
i
g
n
als
v
er
i
f
icatio
n
ap
p
r
o
ac
h
es.
T
h
e
co
n
ce
p
t
d
is
cu
s
s
io
n
o
n
v
er
if
ica
tio
n
o
f
s
o
f
t
w
ar
e
o
n
ch
ip
(
So
C
)
in
clu
d
i
n
g
an
alo
g
c
ir
cu
itr
y
is
ad
d
r
ess
ed
in
K
u
n
d
er
t
an
d
C
h
an
g
[
6
]
w
h
ic
h
in
v
o
lv
e
s
t
h
e
m
et
h
o
d
i
ca
l
p
r
o
ce
s
s
,
a
n
ec
ess
it
y
o
f
v
er
if
ica
tio
n
,
i
m
p
le
m
e
n
ti
n
g
a
n
alo
g
v
er
if
ica
tio
n
.
A
m
o
d
elin
g
ap
p
r
o
ac
h
f
o
r
an
al
o
g
/
m
i
x
ed
s
ig
n
als
is
f
o
u
n
d
i
n
Gan
g
[
7
]
w
h
ic
h
u
s
es
Ver
ilo
g
c
o
d
in
g
.
T
h
e
w
o
r
k
[
7
]
ad
o
p
ted
a
to
p
-
lev
el
m
et
h
o
d
o
lo
g
y
w
h
ic
h
b
r
in
g
s
in
te
g
r
atio
n
o
f
s
i
m
u
latio
n
a
n
d
m
o
d
elin
g
in
t
h
e
C
ad
en
ce
en
v
ir
o
n
m
e
n
t.
T
h
r
o
u
g
h
t
h
i
s
m
et
h
o
d
o
lo
g
y
,
[
7
]
ca
n
ac
h
i
ev
e
ef
f
icie
n
t
an
d
ac
c
u
r
ate
m
o
d
el.
Si
m
ilar
r
esear
ch
ad
d
r
ess
in
g
v
er
i
f
icatio
n
o
f
So
C
w
it
h
a
m
i
x
ed
s
ig
n
al
i
s
f
o
u
n
d
in
Ya
n
g
et
al.
[
8
]
b
y
u
s
i
n
g
t
h
e
Ver
ilo
g
m
o
d
el.
T
h
e
d
esig
n
o
f
[
8
]
b
u
ild
s
an
e
q
u
iv
ale
n
t
m
o
d
el
o
f
h
i
g
h
-
le
v
el
r
ad
io
f
r
eq
u
en
c
y
(
HL
R
F)
b
y
i
n
teg
r
at
in
g
V
er
i
lo
g
lan
g
u
a
g
e
w
it
h
m
i
x
ed
s
ig
n
al
s
.
T
h
e
v
er
if
icatio
n
an
al
y
s
is
is
p
er
f
o
r
m
ed
b
y
u
s
i
n
g
d
ig
ital
m
eth
o
d
s
lik
e
r
an
d
o
m
d
ata
g
en
er
atio
n
,
m
a
n
u
al
v
e
r
if
icatio
n
m
et
h
o
d
o
lo
g
y
,
a
s
s
er
tio
n
-
b
ased
v
er
if
ica
tio
n
,
a
n
d
co
v
er
ag
e
-
d
r
iv
e
n
v
er
if
ica
tio
n
.
Fro
m
th
e
an
a
l
y
s
is
,
it
h
a
s
b
ee
n
f
o
u
n
d
t
h
at
[
8
]
y
ield
s
f
aster
v
er
i
f
icatio
n
t
h
an
o
t
h
er
e
x
is
ti
n
g
ap
p
r
o
ac
h
es.
A
r
esear
ch
s
u
r
v
e
y
ad
d
r
ess
in
g
e
x
is
t
in
g
p
it
f
alls
in
f
o
r
m
al
v
er
if
icat
io
n
tec
h
n
iq
u
es
o
f
a
n
alo
g
an
d
m
i
x
ed
s
i
g
n
als
is
f
o
u
n
d
i
n
Vid
y
a
a
n
d
Ma
n
j
u
n
at
h
[
9
]
.
T
h
is
k
i
n
d
o
f
v
er
i
f
icatio
n
is
t
h
e
cr
itica
l sta
g
e
o
f
t
h
e
d
esi
g
n
w
h
ic
h
ass
u
r
es
t
h
e
cir
c
u
it
d
e
s
ig
n
p
r
ec
is
e
n
ess
a
n
d
its
b
e
h
av
io
r
w
ith
r
esp
ec
t
to
t
h
e
d
esig
n
o
f
t
h
e
s
y
s
te
m
.
T
h
e
w
o
r
k
[
9
]
d
is
cu
s
s
ed
v
ar
io
u
s
asp
ec
ts
o
f
th
e
s
tan
d
ar
d
tech
n
iq
u
es
a
n
d
m
o
d
els
w
h
ic
h
ex
ec
u
te
ef
f
ec
ti
v
en
e
s
s
i
n
ter
m
s
o
f
ar
ea
o
f
cir
c
u
it d
esi
g
n
.
T
h
e
w
o
r
k
o
f
Har
i
n
ar
a
y
a
n
a
et
al.
[
1
0
]
p
r
esen
ted
an
a
u
to
m
a
ted
v
er
if
icatio
n
m
o
d
el
f
o
r
m
i
x
ed
-
s
ig
n
a
l
So
C
s
d
esi
g
n
ed
f
o
r
m
o
d
er
n
ap
p
licatio
n
b
y
in
teg
r
ati
n
g
an
alo
g
,
d
ig
ital
a
n
d
m
i
x
ed
s
i
g
n
al
s
.
T
h
e
v
er
if
icatio
n
i
s
p
er
f
o
r
m
ed
at
d
if
f
er
en
t
le
v
el
s
an
d
d
if
f
er
e
n
t
m
o
d
es.
A
f
r
a
m
e
w
o
r
k
b
ased
o
n
d
if
f
er
en
tia
l
lear
n
in
g
ap
p
r
o
ac
h
to
p
er
f
o
r
m
in
g
t
h
e
f
o
r
m
al
v
er
i
f
ic
atio
n
i
s
p
r
esen
ted
in
Vid
y
a
[
1
1
]
b
y
co
n
s
id
er
in
g
m
i
x
ed
s
i
g
n
als.
T
h
e
tec
h
n
iq
u
e
h
as
p
r
esen
ted
an
an
al
y
tical
m
o
d
elin
g
ap
p
r
o
ac
h
th
at
co
n
s
id
er
s
an
alg
o
r
it
h
m
to
g
en
e
r
ate
th
e
m
u
lt
ip
le
m
i
x
ed
s
ig
n
al
s
m
ea
n
t
f
o
r
a
f
ea
s
ib
le
o
p
er
atio
n
o
f
t
h
e
m
i
x
ed
s
ig
n
al
c
ir
cu
its
,
a
n
alg
o
r
it
h
m
f
o
r
tr
ain
i
n
g
an
d
v
er
i
f
icatio
n
.
Fro
m
o
u
tco
m
e
s
an
al
y
s
i
s
,
it
w
as
f
o
u
n
d
th
at
[
1
1
]
ac
h
iev
ed
9
8
.
7
%
ac
cu
r
ac
y
w
it
h
th
e
b
etter
s
p
ee
d
o
f
r
esp
o
n
s
e
th
an
o
th
er
m
ac
h
i
n
e
lear
n
in
g
alg
o
r
ith
m
s
.
T
h
e
w
o
r
k
o
f
C
h
itt
i
et
al.
[
1
2
]
,
p
r
esen
ted
a
u
n
i
q
u
e
test
m
o
d
el
f
o
r
d
if
f
er
e
n
t
So
C
s
i
n
w
h
ich
C
ad
en
ce
v
er
i
f
icatio
n
m
e
th
o
d
o
lo
g
y
is
ad
o
p
ted
f
o
r
th
e
So
C
e
n
v
ir
o
n
m
e
n
t.
Fro
m
t
h
e
o
u
tco
m
e
an
al
y
s
is
[
1
2
]
f
o
u
n
d
an
ef
f
ec
ti
v
e
r
ed
u
ctio
n
i
n
s
i
m
u
latio
n
ti
m
e
o
f
So
C
w
it
h
r
esp
ec
t
to
o
th
er
ex
is
tin
g
w
o
r
k
s
.
Si
m
ilar
l
y
f
o
r
ap
p
licatio
n
p
r
o
s
p
ec
tiv
e
B
o
u
zian
e
et
al.
[
1
3
]
p
r
esen
ted
an
o
p
ti
m
al
v
er
i
f
icatio
n
f
o
r
s
p
ea
k
er
m
o
d
eli
n
g
b
y
u
s
i
n
g
p
er
s
o
n
al
ized
b
ac
k
g
r
o
u
n
d
m
o
d
el
s
.
Si
m
ilar
k
i
n
d
o
f
w
o
r
k
is
f
o
u
n
d
in
Ku
m
ar
i
an
d
J
ay
a
n
n
a
[
1
4
]
w
h
ic
h
is
m
ea
n
t
f
o
r
v
er
if
icatio
n
o
f
li
m
ited
d
ata
s
p
ea
k
er
s
.
Fro
m
a
r
ev
ie
w
o
f
all
t
h
e
r
ec
en
t
liter
at
u
r
e,
it
h
a
s
b
ee
n
o
b
s
er
v
ed
th
at
s
ig
n
i
f
ica
n
t
w
o
r
k
s
ca
r
r
ied
o
n
f
o
r
m
al
v
er
i
f
icatio
n
o
f
m
i
x
ed
s
ig
n
al
s
b
ased
o
n
t
h
e
s
o
f
t
w
ar
e
ap
p
r
o
ac
h
es
ar
e
q
u
ite
r
ar
e
in
ter
m
s
o
f
h
ar
d
w
ar
e
ar
ch
itect
u
r
es.
T
h
u
s
,
r
elev
a
n
t
w
o
r
k
s
ar
e
n
ee
d
ed
to
b
e
f
o
cu
s
e
d
o
n
th
e
r
esear
ch
i
s
s
u
es
b
y
co
n
s
id
er
in
g
h
ar
d
w
ar
e
-
b
ased
ap
p
r
o
ac
h
es.
On
an
al
y
zi
n
g
r
ec
en
t
w
o
r
k
s
a
n
al
y
s
is
it
is
b
ee
n
f
o
u
n
d
th
a
t
v
er
y
less
w
o
r
k
to
w
ar
d
s
th
e
an
alo
g
an
d
m
ix
ed
s
ig
n
al
s
f
o
u
n
d
w
it
h
f
o
r
m
al
v
er
i
f
icatio
n
o
f
m
i
x
e
d
s
ig
n
als.
Mo
s
t
o
f
t
h
e
r
esear
ch
w
o
r
k
s
h
av
e
b
ee
n
ev
o
lv
ed
w
it
h
in
d
u
s
tr
ial
ap
p
licatio
n
s
p
r
o
s
p
ec
tiv
es.
A
ls
o
,
i
n
h
ar
d
w
ar
e
m
o
d
elin
g
p
r
o
s
p
ec
tiv
es
s
o
m
e
o
f
th
e
tech
n
iq
u
es
w
er
e
ad
o
p
ted
f
o
r
m
al
v
er
if
ica
tio
n
tec
h
n
iq
u
e
w
i
th
tr
ai
n
in
g
o
f
m
i
x
ed
s
i
g
n
als,
Fu
zz
y
n
et
w
o
r
k
s
,
etc
.
A
l
s
o
,
it
is
b
ee
n
o
b
s
er
v
ed
th
at
v
er
y
les
s
e
m
p
h
a
s
is
g
i
v
en
f
o
r
f
o
r
m
al
v
er
i
f
icatio
n
o
f
m
i
x
ed
s
ig
n
a
ls
in
r
ea
l
-
ti
m
e
s
ce
n
ar
io
.
E
x
i
s
tin
g
w
o
r
k
s
ar
e
lack
s
w
it
h
o
p
ti
m
izatio
n
s
ap
p
r
o
ac
h
es
f
o
r
f
o
r
m
al
v
er
if
icatio
n
o
f
m
ix
ed
s
i
g
n
als
o
n
Dig
i
tal
I
C
's
an
d
w
er
e
lag
s
w
it
h
lo
w
co
s
t
-
e
f
f
ec
tiv
e
s
o
l
u
tio
n
s
f
o
r
So
C
p
latf
o
r
m
.
T
h
u
s
,
th
er
e
is
a
n
ee
d
o
f
“n
o
ve
l
o
p
timiz
ed
,
co
s
t
-
effec
tive
a
p
p
r
o
a
ch
”
2.
P
RO
P
O
SE
D
SYS
T
E
M
M
O
DE
L
T
h
e
p
r
im
e
i
n
ten
tio
n
o
f
t
h
i
s
w
o
r
k
i
s
to
p
er
f
o
r
m
t
h
e
f
o
r
m
a
l
v
er
if
icatio
n
o
f
m
i
x
ed
s
i
g
n
al
s
b
y
u
s
i
n
g
tr
ain
i
n
g
/
L
ea
r
n
i
n
g
n
et
w
o
r
k
s
li
k
e
d
i
f
f
er
e
n
tial
f
ed
n
e
u
r
al
n
et
wo
r
k
(
DFNN)
[
1
5
]
o
r
Feed
f
o
r
war
d
n
eu
r
al
n
et
w
o
r
k
(
FF
NN)
[
1
6
]
.
I
n
o
r
d
er
to
d
esi
g
n
t
h
e
h
ar
d
w
ar
e
ar
c
h
itect
u
r
e
o
f
b
o
th
tr
ain
i
n
g
al
g
o
r
ith
m
s
D
FNN
a
n
d
F
FNN
a
b
ac
k
p
r
o
p
ag
atio
n
(
B
P
)
alg
o
r
ith
m
i
s
u
s
ed
.
B
o
th
th
e
DFN
N
a
n
d
FF
NN
ar
e
h
a
v
i
n
g
p
er
ce
p
tr
o
n
la
y
er
ar
ch
itectu
r
e
w
it
h
2
-
3
-
1
n
et
w
o
r
k
t
y
p
e
w
h
ic
h
is
tr
ai
n
ed
b
y
b
ac
k
p
r
o
p
ag
ati
o
n
to
u
p
d
ate
th
e
w
ei
g
h
ts
a
n
d
r
ep
r
esen
t
th
e
i
n
p
u
t
an
d
o
u
tp
u
ts
.
T
h
e
m
aj
o
r
o
b
j
ec
t
iv
e
i
s
to
i
m
p
le
m
e
n
t
th
e
h
ar
d
war
e
ar
ch
itectu
r
e
o
f
tr
ai
n
i
n
g
n
e
t
w
o
r
k
s
li
k
e
D
FNN
an
d
FF
N
N
f
o
r
f
o
r
m
a
l
v
er
i
f
ic
atio
n
o
f
m
ix
ed
s
ig
n
al
s
to
i
m
p
r
o
v
e
th
e
p
er
f
o
r
m
a
n
ce
w
it
h
h
i
g
h
ac
cu
r
ac
y
i
n
r
ea
l
ti
m
e
ap
p
licatio
n
s
.
T
h
e
o
v
er
v
ie
w
o
f
t
h
e
i
m
p
le
m
en
ted
r
esear
c
h
m
eth
o
d
o
lo
g
y
is
g
i
v
e
n
i
n
t
h
e
f
o
r
m
o
f
d
esi
g
n
f
lo
w
as d
escr
ib
ed
in
F
ig
u
r
e
1
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
E
lec
&
C
o
m
p
E
n
g
I
SS
N:
2088
-
8708
A
n
o
p
timiz
ed
meth
o
d
t
o
w
a
r
d
s
fo
r
ma
l v
erif
ica
tio
n
o
f m
ixed
s
ig
n
a
ls
u
s
in
g
d
iffer
en
t
ia
l fe
d
..
.
(
V
id
ya
D.
S
.
)
3425
G
e
n
e
r
a
t
i
o
n
o
f
M
i
x
e
d
S
i
g
n
a
l
g
e
n
e
r
a
t
i
o
n
+
R
a
n
d
o
m
n
o
i
s
e
i
m
p
l
e
m
e
n
t
e
d
d
e
s
i
g
n
:
P
e
r
f
o
r
m
à
L
e
a
r
n
i
n
g
t
e
c
h
n
i
q
u
e
D
i
f
f
e
r
e
n
t
i
a
l
F
e
d
N
e
u
r
a
l
N
e
t
w
o
r
k
(
D
F
N
N
)
o
r
F
e
e
d
f
o
r
w
a
r
d
N
e
u
r
a
l
N
e
t
w
o
r
k
(
F
F
N
N
)
P
e
r
f
o
r
m
f
o
r
w
a
r
d
V
e
r
i
f
i
c
a
t
i
o
n
M
a
t
l
a
b
R
a
n
d
o
m
M
i
x
e
d
S
i
g
n
a
l
g
e
n
e
r
a
t
i
o
n
(
M
a
t
l
a
b
)
R
e
f
e
r
e
n
c
e
D
e
s
i
g
n
(
F
P
G
A
)
P
e
r
f
o
r
m
a
n
c
e
M
e
a
s
u
r
e
m
e
n
t
F
P
G
A
Fig
u
r
e
1
.
R
esear
ch
m
et
h
o
d
o
lo
g
y
o
f
th
e
p
r
o
p
o
s
ed
d
esig
n
T
h
e
d
esig
n
f
lo
w
i
n
v
o
l
v
est
w
o
d
if
f
er
e
n
t set o
f
d
esi
g
n
s
:
1
)
i
m
p
le
m
en
ted
d
esi
g
n
an
d
2
)
r
ef
er
en
ce
d
esi
g
n
to
p
er
f
o
r
m
f
o
r
m
al
v
er
i
f
icatio
n
.
T
h
e
d
esi
g
n
co
n
s
i
s
ts
o
f
m
i
x
ed
s
i
g
n
al
g
en
er
atio
n
m
o
d
u
le
alo
n
g
w
it
h
r
a
n
d
o
m
n
o
is
e
ad
d
itio
n
u
s
i
n
g
Ma
t
lab
w
h
ic
h
is
f
o
llo
w
ed
b
y
h
ar
d
w
a
r
e
ar
ch
itectu
r
e
o
f
d
i
f
f
er
e
n
tial
f
ed
o
r
f
ee
d
-
f
o
r
w
ar
d
n
eu
r
al
n
et
w
o
r
k
m
o
d
el
u
s
i
n
g
B
ac
k
p
r
o
p
ag
atio
n
tr
ain
i
n
g
m
o
d
el.
T
h
e
r
ef
er
en
ce
d
esig
n
i
n
cl
u
d
es
r
an
d
o
m
m
i
x
ed
s
ig
n
al
g
en
er
atio
n
b
y
u
s
in
g
Ma
tlab
an
d
its
o
u
tco
m
e
s
w
il
l
b
e
s
av
ed
as
a
tex
t
f
ile
an
d
th
en
f
o
llo
w
ed
w
i
th
r
ef
er
en
ce
m
o
d
el
w
h
i
h
co
n
s
i
s
ts
o
f
I
P
C
o
r
e
m
e
m
o
r
y
g
e
n
er
atio
n
b
y
u
s
i
n
g
s
av
ed
te
x
t
f
ile
a
s
a
m
e
m
o
r
y
co
ef
f
icie
n
t
f
i
le.
T
h
e
i
m
p
le
m
e
n
ted
d
esi
g
n
an
d
r
e
f
er
en
ce
d
es
ig
n
ar
e
m
o
d
eled
b
y
R
T
L
co
d
i
n
g
an
d
t
h
e
m
o
d
els
o
u
tco
m
es
ar
e
co
n
s
id
er
ed
f
o
r
f
o
r
m
al
v
er
i
f
icatio
n
b
y
u
s
i
n
g
eq
u
iv
ale
n
ce
c
h
ec
k
in
g
.
T
h
e
p
er
f
o
r
m
an
ce
an
al
y
s
is
car
r
ied
o
u
t
b
y
co
n
s
id
er
in
g
h
ar
d
w
ar
e
co
n
s
tr
ain
t
s
li
k
e
A
r
ea
,
p
o
w
er
u
t
ilizatio
n
an
d
e
v
alu
a
ted
th
e
ac
c
u
r
ac
y
r
ate
w
it
h
er
r
o
r
f
i
n
d
in
g
s
.
T
h
e
f
o
llo
w
i
n
g
d
is
c
u
s
s
io
n
w
il
l
g
i
v
e
t
h
e
d
etailed
ex
p
lan
atio
n
o
f
t
h
e
p
r
o
p
o
s
ed
ap
p
r
o
ac
h
to
w
ar
d
s
f
o
r
m
al
v
er
i
f
icatio
n
.
2
.
1
.
M
ix
ed
s
ig
na
l g
ener
a
t
io
n
T
h
e
g
en
er
atio
n
o
f
m
u
ltip
le
m
i
x
ed
s
i
g
n
al
s
is
i
n
tr
o
d
u
ce
d
to
test
th
e
f
o
r
m
al
v
er
i
f
icatio
n
w
it
h
r
esp
ec
t
to
DFNN
o
r
FF
NN
tr
ai
n
in
g
.
T
h
e
g
e
n
er
atio
n
o
f
th
e
m
i
x
ed
s
i
g
n
al
g
e
n
er
atio
n
is
p
er
f
o
r
m
ed
b
y
u
s
i
n
g
M
A
T
L
A
B
w
h
ic
h
i
n
clu
d
es
b
o
th
an
a
lo
g
an
d
d
ig
ital
f
o
r
m
o
f
t
h
e
s
i
g
n
a
ls
an
d
ar
e
c
h
ar
ac
ter
ized
b
y
c
u
r
r
en
t
a
n
d
v
o
lta
g
e
elec
tr
ical
f
ac
to
r
s
.
B
ased
o
n
t
h
esec
u
r
r
en
t
an
d
v
o
lta
g
e
f
ac
to
r
s
,
th
e
m
ix
ed
s
i
g
n
als
ar
e
ca
te
g
o
r
ized
as
s
tab
le
o
r
u
n
s
tab
le
s
tate
s
ig
n
al
s
.
Fu
r
t
h
er
,
o
n
th
e
b
asis
o
f
h
i
g
h
er
an
d
lo
w
er
elec
tr
ical
f
ac
to
r
s
,
th
e
m
u
l
tip
le
m
i
x
ed
s
ig
n
al
s
ar
e
g
en
er
ated
an
d
ar
e
f
ea
s
ib
le
f
o
r
p
er
f
o
r
m
a
n
ce
a
n
al
y
s
is
.
I
n
o
r
d
er
to
g
en
er
ate
th
e
m
u
lt
i
p
le
m
i
x
ed
s
i
g
n
al
s
,
t
h
e
ti
m
e
i
n
t
er
v
al
o
f
t=
0
:2
i
s
d
ef
i
n
ed
w
it
h
a
s
p
ac
in
g
o
f
0
.
0
0
0
5
an
d
s
am
p
li
n
g
f
r
eq
u
en
c
y
o
f
f
s
=
5
Hz.
L
ater
,
a
r
o
u
n
d
f
u
n
ctio
n
‘
R
f
'
is
co
n
s
id
er
ed
to
g
en
er
ate
th
e
d
at
a
s
ig
n
al
w
it
h
t
h
e
h
elp
s
in
e
f
u
n
ctio
n
a
n
d
its
o
u
tco
m
e
w
i
ll
b
e
r
o
u
n
d
o
f
f
to
n
ea
r
est
h
e
x
ad
ec
i
m
al
v
al
u
e.
T
h
e
tr
ain
i
n
g
n
et
w
o
r
k
i
s
d
e
f
in
ed
a
s
2
-
3
-
1
s
tr
u
ct
u
r
es
to
s
ep
ar
ate
t
w
o
s
i
g
n
als
ar
e
f
ed
as
o
n
e
m
i
x
ed
s
i
g
n
al
to
th
e
n
et
w
o
r
k
.
T
h
e
(
m
i
x
ed
s
i
g
n
al
-
1
)
m
s
1
ca
n
b
e
d
ef
in
ed
a
s
f
o
l
lo
w
s
.
T
h
e
d
ata
s
i
g
n
al
i
s
r
ep
r
esen
ted
b
y
‘
Ya
’
i
s
d
ef
in
ed
as
))
2
s
i
n
(
1
1
(
t
fs
a
c
R
Y
f
a
(
1
)
A
d
d
th
e
p
s
e
u
d
o
-
r
an
d
o
m
n
u
m
b
er
s
to
th
e
d
ata
s
ig
n
al
to
f
o
r
m
t
h
e
m
i
x
ed
s
i
g
n
al
M1
is
r
ep
r
esen
ted
b
elo
w
))
,
1
(
1
.
0
(
1
a
a
f
Y
Rn
Y
R
M
(
2
)
w
h
er
e
R
n
is
n
o
r
m
all
y
d
is
tr
ib
u
ted
p
s
eu
d
o
r
an
d
o
m
n
u
m
b
er
s
w
h
ic
h
g
e
n
er
ates
t
h
e
‘
Ya
'
d
ata
s
ig
n
als,
s
i
m
ilar
l
y
,
f
o
r
th
e
s
ec
o
n
d
s
ig
n
al
to
th
e
n
et
w
o
r
k
a
s
d
ef
i
n
ed
as,
))
2
s
i
n
(
2
2
(
t
fs
a
c
R
Y
f
b
(
3
)
))
,
1
(
1
.
0
(
2
b
b
f
Y
Rn
Y
R
M
(
4
)
C
o
n
s
tan
t
v
al
u
e
s
et
to
c1
=
5
,
c2
=
1
5
an
d
a
m
p
lit
u
d
e
s
e
t to
a1
=
4
.
1
an
d
a2
=
1
0
.
Hen
ce
,
eq
u
atio
n
s
(
2
)
an
d
(
4
)
ar
e
co
n
s
id
er
ed
as
a
s
in
g
le
m
i
x
ed
s
i
g
n
al
‘
m
s
1
’
b
y
u
s
i
n
g
M1
a
n
d
M2
r
esp
ec
tiv
el
y
to
th
e
tr
ai
n
i
n
g
n
et
w
o
r
k
.
Si
m
i
lar
l
y
,
ch
a
n
g
e
t
h
e
am
p
lit
u
d
es
an
d
co
n
s
ta
n
t
s
w
it
h
d
if
f
er
en
t
p
s
eu
d
o
-
r
an
d
o
m
to
g
e
n
er
ate
th
e
m
u
ltip
le
m
ix
ed
s
ig
n
al
s
.
Gen
e
r
ate
th
e
M3
an
d
M4
u
s
in
g
(
2
)
an
d
(
4
)
to
f
o
r
m
t
h
e
m
ix
ed
s
ig
n
al
‘
m
s
2
'
u
s
i
n
g
d
if
f
er
e
n
t
co
n
s
ta
n
ts
c3
=
4
,
c4
=
1
5
an
d
a
m
p
lit
u
d
es
a3
=
4
an
d
a4
=
5
.
1
.
Si
m
ilar
l
y
,
f
o
r
m
i
x
ed
s
i
g
n
a
l
‘
m
s
3
’
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
8
-
8708
I
n
t J
E
lec
&
C
o
m
p
E
n
g
,
Vo
l.
9
,
No
.
5
,
Octo
b
er
2
0
1
9
:
3
4
2
3
-
3
4
3
1
3426
g
en
er
atio
n
,
g
e
n
er
ate
t
h
e
M5
an
d
M6
,
u
s
in
g
eq
u
atio
n
s
(
2
)
an
d
(
4
)
w
it
h
d
i
f
f
er
en
t
co
n
s
ta
n
ts
c5
=
5
,
c6
=5
an
d
a
m
p
lit
u
d
es
a5
=4
.
0
5
an
d
a
6
=
4
.
T
h
e
p
ea
k
v
o
ltag
e
o
r
cu
r
r
en
t
elec
tr
ic
f
ac
to
r
s
ar
e
ch
a
n
g
i
n
g
w
i
th
r
esp
ec
t
to
a
m
p
lit
u
d
e
v
alu
e
c
h
an
g
es
i
n
th
e
m
ix
ed
s
i
g
n
a
l
g
e
n
e
r
atio
n
.
T
h
e
v
ar
iatio
n
in
t
h
e
a
m
p
lit
u
d
e
v
a
lu
es
w
il
l
d
ec
id
e
th
e
h
ig
h
elec
tr
icit
y
o
r
lo
w
elec
tr
i
cit
y
f
ac
to
r
.
I
f
ad
d
m
o
r
e
co
m
p
lex
p
s
eu
d
o
-
r
a
n
d
o
m
n
u
m
b
er
th
e
d
ata
s
ig
n
al
w
il
l
b
ec
o
m
e
th
e
u
n
s
tab
le
s
tate.
T
h
e
g
en
er
ated
m
u
ltip
le
m
i
x
ed
s
i
g
n
al
s
‘
m
s
1
'
,
‘
m
s
2
'
,
an
d
‘
m
s
3
'
ar
e
f
ed
to
t
h
e
tr
ain
i
n
g
n
et
w
o
r
k
i
n
d
iv
id
u
all
y
t
o
p
er
f
o
r
m
t
h
e
f
o
r
m
a
l v
er
i
f
icati
o
n
f
o
r
p
er
f
o
r
m
an
ce
a
n
al
y
s
i
s
.
2
.
2
.
M
o
du
le
f
o
r
t
ra
ini
ng
T
h
e
tr
ain
in
g
m
o
d
u
le
is
u
s
ed
to
tr
ain
th
e
d
if
f
er
en
t
t
y
p
e
s
o
f
n
e
u
r
al
n
et
w
o
r
k
s
lik
e
DF
NN
an
d
FF
NN
f
o
r
f
o
r
m
al
v
er
i
f
icatio
n
u
s
i
n
g
m
i
x
e
d
s
ig
n
al
s
.
T
h
e
d
esi
g
n
f
lo
w
o
f
t
h
e
T
r
a
in
i
n
g
m
o
d
u
le
i
s
r
ep
r
esen
ted
i
n
F
i
g
u
r
e
2
.
First
t
h
e
n
et
w
o
r
k
t
y
p
e
i
s
d
ef
i
n
ed
b
y
u
s
i
n
g
DFNN
a
n
d
FF
N
N
.
T
h
en
,
th
e
n
u
m
b
er
s
o
f
s
a
m
p
l
es
ar
e
s
elec
ted
an
d
ar
e
f
ed
to
th
e
n
et
w
o
r
k
f
o
r
m
t
h
e
g
en
er
ated
m
ix
ed
s
i
g
n
als.
T
h
en
co
n
s
tr
u
ct
t
h
e
n
e
u
r
al
n
et
w
o
r
k
s
.
G
e
n
e
r
a
t
e
d
M
i
x
e
d
s
i
g
n
a
l
s
D
e
f
i
n
e
t
h
e
T
y
p
e
o
f
N
e
t
w
o
r
k
f
o
r
D
F
N
N
o
r
F
F
N
N
D
e
s
i
g
n
t
h
e
I
n
p
u
t
,
H
i
d
d
e
n
a
n
d
O
u
t
p
u
t
l
a
y
e
r
a
l
o
n
g
w
i
t
h
B
P
T
D
i
f
f
e
r
e
n
t
i
a
l
F
e
e
d
b
a
c
k
D
F
N
N
F
F
N
N
S
a
v
e
t
h
e
n
e
t
w
o
r
k
a
s
I
M
D
1
&
I
M
D
2
Fig
u
r
e
2
.
T
h
e
d
esig
n
f
lo
w
o
f
t
r
ain
in
g
m
o
d
u
le
Fo
r
b
o
th
t
h
e
D
FNN
a
n
d
F
F
NN
n
e
t
w
o
r
k
s
,
th
e
n
e
t
w
o
r
k
s
tr
u
ctu
r
e
is
f
i
x
ed
2
-
3
-
1
.
T
h
e
n
u
m
b
er
o
f
n
eu
r
o
n
s
to
b
e
tr
ain
ed
is
d
ec
id
ed
b
y
th
e
n
et
w
o
r
k
s
tr
u
ct
u
r
e.
T
h
e
p
r
o
p
o
s
ed
n
et
w
o
r
k
s
tr
u
ctu
r
e
in
clu
d
es
t
w
o
i
n
p
u
t
la
y
er
s
,
th
r
ee
h
id
d
en
la
y
er
s
,
an
d
a
s
in
g
le
o
u
tp
u
t
la
y
er
alo
n
g
w
ith
b
ac
k
p
r
o
p
ag
atio
n
tr
ai
n
i
n
g
(
B
P
T
)
Mo
d
u
le.
Fo
r
DFNN
Mo
d
u
le
d
if
f
er
en
ti
al
f
ee
d
b
ac
k
w
ill
b
e
f
ed
to
all
t
h
e
t
h
r
ee
la
y
er
s
i
n
cl
u
d
es
i
n
p
u
t,
h
id
d
en
a
n
d
o
u
tp
u
t
la
y
er
s
a
n
d
also
b
ased
o
n
t
h
e
Dif
f
er
en
tial
f
lo
w
t
h
e
co
r
r
es
p
o
n
d
in
g
o
u
tp
u
t
w
ill
b
e
g
e
n
er
ated
to
ea
ch
la
y
er
.
T
h
e
o
u
tp
u
ts
o
f
th
e
DFN
N
an
d
FF
NN
ar
e
s
av
ed
as
an
i
m
p
le
m
e
n
ted
d
esig
n
-
1
(
I
MD
1
)
an
d
im
p
le
m
e
n
ted
d
esig
n
-
2
(
I
MD
2
)
r
esp
ec
tiv
el
y
.
T
h
e
co
r
r
esp
o
n
d
in
g
D
FNN
a
n
d
FF
NN
h
ar
d
w
ar
e
ar
ch
itect
u
r
es
ar
e
ex
p
lain
ed
i
n
b
elo
w
s
es
s
io
n
s
.
2
.
3
.
F
ee
d
f
o
rwa
rd
neura
l net
w
o
r
k
(
F
F
NN)
T
h
e
h
ar
d
w
ar
e
ar
ch
itect
u
r
e
o
f
th
e
f
ee
d
-
f
o
r
w
ar
d
n
e
u
r
al
n
et
w
o
r
k
w
it
h
b
ac
k
p
r
o
p
ag
atio
n
t
r
ain
in
g
is
p
r
esen
ted
w
i
th
a
2
-
3
-
1
n
et
w
o
r
k
s
tr
u
ct
u
r
e
in
F
i
g
u
r
e
3
.
E
ac
h
o
f
th
e
in
p
u
t
la
y
er
s
r
ec
ei
v
es
t
h
e
in
p
u
ts
f
r
o
m
th
e
m
u
ltip
le
m
i
x
ed
s
i
g
n
als
li
k
e
m
s
1
o
r
m
s
2
o
r
m
s
3
.
E
ac
h
m
ix
e
d
s
ig
n
al
m
s
1
is
h
av
i
n
g
t
w
o
s
i
g
n
al
s
ar
e
in
p
u
ts
to
d
in
1
an
d
d
in
2
in
p
u
t
la
y
er
.
I
n
t
h
e
i
n
p
u
t
la
y
er
,
t
w
o
in
p
u
t
n
o
d
es
ar
e
u
s
ed
,
ea
ch
in
p
u
t
n
o
d
e
is
h
av
i
n
g
,
s
i
n
g
le
8
-
b
it
in
p
u
t
d
i
n
1
an
d
t
h
r
ee
w
ei
g
h
ts
w
1
,
w
2
,
a
n
d
w
3
.
T
h
e
t
h
r
ee
m
u
ltip
lier
s
ar
e
u
s
ed
to
m
u
lt
ip
l
y
t
h
e
d
in
1
w
i
t
h
w
ei
g
h
ts
w
1
,
w
2
an
d
w
3
to
g
en
er
ate
th
e
il1
,
il2
,
an
d
il3
.
S
i
m
ilar
l
y
u
s
e
i
n
p
u
t
n
o
d
e2
to
g
en
er
ate
th
e
il4
,
il5
,
an
d
il6
.
T
h
e
h
id
d
en
la
y
er
r
ec
ei
v
es t
h
e
s
ix
in
p
u
ts
f
r
o
m
th
e
in
p
u
t la
y
er
s
.
T
h
e
h
id
d
en
la
y
er
m
a
in
l
y
i
n
clu
d
e
s
th
r
ee
s
ep
ar
ate
lin
ea
r
n
eu
r
o
n
m
o
d
el
s
.
E
ac
h
lin
ea
r
n
eu
r
o
n
m
o
d
u
le
h
as
t
w
o
m
u
ltip
lier
s
;
o
n
e
ca
r
r
y
lo
o
k
a
h
ea
d
ad
d
e
r
an
d
li
n
ea
r
f
u
n
ctio
n
u
s
i
n
g
L
U
T
(
L
o
o
k
-
up
-
T
ab
le)
.
T
h
e
1
6
-
b
it
in
p
u
ts
il1
a
n
d
il2
ar
e
m
u
lti
p
lied
w
it
h
w
ei
g
h
t
s
w
h
1
an
d
w
h
2
to
g
et
th
e
p
r
o
d
u
cts
p
1
an
d
p
2
w
h
ic
h
ar
e
ad
d
ed
u
s
in
g
ca
r
r
y
lo
o
k
ah
ea
d
ad
d
er
.
T
h
e
ca
r
r
y
lo
o
k
s
ah
ea
d
ad
d
er
is
f
ast
p
ar
allel
p
r
ef
ix
ad
d
er
w
h
ic
h
i
m
p
r
o
v
es
t
h
e
s
p
ee
d
o
f
t
h
e
h
ar
d
w
ar
e
b
y
r
ed
u
cin
g
th
e
ti
m
e
w
h
ic
h
is
d
e
f
i
n
ed
b
y
t
h
e
ca
r
r
y
b
its
.
T
h
e
C
L
A
o
u
tp
u
t
s
a
r
e
in
p
u
t
s
to
L
UT
,
w
h
ich
is
a
lin
ea
r
f
u
n
ctio
n
,
r
ep
r
esen
ted
in
h
ar
d
w
ar
e.
T
h
e
L
UT
r
ec
eiv
es
t
h
e
i
n
p
u
t
f
r
o
m
t
h
e
ad
d
er
;
b
ased
o
n
in
p
u
t
s
it
i
s
ca
p
ab
le
o
f
lear
n
in
g
an
d
u
p
d
ati
n
g
th
e
f
i
n
al
h
id
d
en
v
al
u
es.
T
h
e
t
h
r
ee
li
n
ea
r
n
e
u
r
o
n
s
ar
e
g
e
n
er
ated
t
h
e
o
u
tp
u
t
s
h
l1
,
h
l2
,
an
d
h
l3
w
h
ic
h
ar
e
i
n
p
u
t
to
t
h
e
o
u
tp
u
t
l
a
y
er
.
T
h
e
o
u
tp
u
t
la
y
er
i
s
h
av
i
n
g
th
r
ee
m
u
ltip
lier
a
n
d
s
i
g
m
o
i
d
m
o
d
el.
T
h
e
th
r
ee
in
p
u
t
s
ar
e
m
u
ltip
lied
w
it
h
w
ei
g
h
ts
w
o
1
,
w
o
2
,
a
n
d
w
o
3
an
d
o
u
tco
m
e
s
ar
e
ad
d
ed
u
s
in
g
ad
d
er
m
o
d
u
le
,
th
e
r
esu
lts
ar
e
u
s
ed
in
th
e
s
i
g
m
o
id
m
o
d
el
to
g
e
n
er
ate
th
e
f
in
al
r
es
u
lt
s
.
T
h
e
s
ig
m
o
id
f
u
n
ctio
n
p
r
o
v
id
es
t
h
e
b
etter
w
a
y
o
f
lear
n
in
g
t
h
e
w
e
i
g
h
t
s
i
n
n
e
u
r
al
n
e
t
w
o
r
k
s
b
y
u
s
i
n
g
its
d
er
iv
ati
v
es
an
d
b
r
in
g
n
o
n
lin
ea
r
it
y
i
n
to
t
h
e
n
et
w
o
r
k
s
.
T
h
e
b
ac
k
p
r
o
p
ag
atio
n
m
o
d
el
is
u
s
ed
to
p
r
o
v
id
es th
e
tr
ain
in
g
to
th
e
al
l th
e
t
h
r
ee
la
y
er
s
b
y
ca
lc
u
lati
n
g
an
d
u
p
d
atin
g
th
e
n
e
w
w
ei
g
h
ts
in
to
it.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
E
lec
&
C
o
m
p
E
n
g
I
SS
N:
2088
-
8708
A
n
o
p
timiz
ed
meth
o
d
t
o
w
a
r
d
s
fo
r
ma
l v
erif
ica
tio
n
o
f m
ixed
s
ig
n
a
ls
u
s
in
g
d
iffer
en
t
ia
l fe
d
..
.
(
V
id
ya
D.
S
.
)
3427
I
n
p
u
t
L
a
y
e
r
c
l
k
r
s
t
D
i
n
1
D
i
n
2
8
8
H
i
d
d
e
n
L
a
y
e
r
i
l
1
i
l
6
i
l
5
i
l
4
i
l
3
i
l
2
h
l
2
h
l
1
h
l
3
O
u
t
p
u
t
L
a
y
e
r
O
u
t
w
3
w
2
w
1
w
h
1
w
h
2
w
h
3
w
o
1
w
o
2
w
o
3
8
8
8
B
a
c
k
P
r
o
p
a
g
a
t
i
o
n
M
o
d
u
l
e
c
l
k
r
s
t
O
u
t
p
u
t
L
a
y
e
r
i
n
p
u
t
s
H
i
d
d
e
n
L
a
y
e
r
i
n
p
u
t
s
I
n
p
u
t
L
a
y
e
r
i
n
p
u
t
s
8
8
8
8
8
8
8
Fig
u
r
e
3
.
Feed
f
o
r
w
ar
d
n
e
u
r
al
n
et
w
o
r
k
(
FF
NN)
u
s
in
g
B
P
T
2
.
4
.
Dif
f
er
ent
ia
l
f
ed
neura
l net
wo
rk
(
DF
NN)
T
h
e
h
ar
d
w
ar
e
ar
ch
itect
u
r
e
o
f
Dif
f
er
en
t
ial
f
ed
n
eu
r
al
n
et
wo
r
k
w
i
th
D
if
f
er
en
tial
f
ee
d
b
ac
k
m
o
d
u
le
alo
n
g
w
i
th
b
ac
k
p
r
o
p
ag
atio
n
i
s
r
ep
r
esen
ted
w
it
h
2
-
3
-
1
n
et
w
o
r
k
s
tr
u
ct
u
r
e
i
n
F
i
g
u
r
e
4
.
T
h
e
ar
ch
itectu
r
e
is
s
i
m
ilar
to
f
ee
d
f
o
r
w
ar
d
n
e
u
r
al
n
et
w
o
r
k
ex
ce
p
t
f
o
r
d
if
f
er
e
n
tiall
y
f
ee
d
b
ac
k
an
d
f
e
w
c
h
an
g
es
i
n
th
e
d
esi
g
n
s
.
T
h
e
Dif
f
er
e
n
tial
f
ee
d
b
ac
k
i
s
a
p
p
licab
le
to
all
th
e
th
r
ee
la
y
er
s
.
T
h
e
d
in
1
an
d
d
in
2
ar
e
th
e
m
i
x
ed
s
i
g
n
al
s
ap
p
lied
as
an
i
n
p
u
t
to
t
h
e
in
p
u
t
la
y
er
an
d
g
e
n
er
ates
t
h
e
s
i
x
d
if
f
er
en
t
o
u
tp
u
ts
il1
,
il2
,
il3
,
il4
,
il5
,
an
d
il6
alo
n
g
w
i
t
h
d
if
f
er
e
n
tial
f
ee
d
b
ac
k
.
T
h
e
s
i
x
o
u
tp
u
t
s
ar
e
in
p
u
ts
to
t
h
e
h
id
d
en
la
y
er
.
T
h
e
h
id
d
en
la
y
er
i
n
clu
d
e
s
3
-
d
if
f
er
e
n
t
lin
ea
r
n
eu
r
o
n
m
o
d
el
s
,
w
h
ic
h
g
en
er
ate
s
t
h
e
t
h
r
ee
o
u
tp
u
t
s
h
l
1
,
h
l2
,
an
d
h
l3
alo
n
g
w
it
h
d
i
f
f
er
en
tia
l
f
ee
d
b
ac
k
.
T
h
e
o
u
tp
u
t
la
y
er
h
as
3
in
p
u
ts
ar
e
m
u
ltip
lied
b
y
t
h
r
ee
w
ei
g
h
t
s
w
o
1
,
w
o
2
,
w
o
3
,
th
e
t
h
r
ee
m
u
ltip
lied
o
u
tco
m
e
s
ar
e
o
l1
,
o
l2
an
d
o
l3
ar
e
f
ee
d
b
ac
k
to
th
e
d
if
f
er
en
tial
f
ee
d
b
ac
k
m
o
d
el
an
d
th
e
o
u
tp
u
t
o
f
th
e
d
if
f
er
en
tia
l
f
ee
d
b
ac
k
m
o
d
el
is
i
n
p
u
t
to
o
u
tp
u
t
la
y
er
w
h
ich
i
s
f
o
llo
w
e
d
b
y
s
i
g
m
o
id
f
u
n
ct
io
n
to
g
e
n
er
ate
th
e
f
i
n
al
8
-
b
it
o
u
tp
u
t
‘
o
u
t
'
.
c
l
k
r
s
t
D
i
n
1
D
i
n
2
8
8
i
l
1
i
l
6
i
l
5
i
l
4
i
l
3
i
l
2
h
l
2
h
l
1
h
l
3
O
u
t
w
3
w
2
w
1
w
h
1
w
h
2
w
h
3
w
o
1
w
o
2
w
o
3
8
8
8
B
a
c
k
P
r
o
p
a
g
a
t
i
o
n
M
o
d
u
l
e
c
l
k
r
s
t
O
u
t
p
u
t
L
a
y
e
r
i
n
p
u
t
s
H
i
d
d
e
n
L
a
y
e
r
i
n
p
u
t
s
I
n
p
u
t
L
a
y
e
r
i
n
p
u
t
s
8
8
8
8
8
8
8
D
i
f
f
e
r
e
n
t
i
a
l
F
e
e
d
b
a
c
k
M
o
d
u
l
e
I
n
p
u
t
n
o
d
e
-
1
I
n
p
u
t
n
o
d
e
-
2
L
i
n
e
a
r
N
e
u
r
o
n
-
1
L
i
n
e
a
r
N
e
u
r
o
n
-
2
L
i
n
e
a
r
n
e
u
r
o
n
-
3
M
U
L
-
1
M
U
L
-
2
M
U
L
-
3
S
i
g
m
o
i
d
M
o
d
u
l
e
I
n
p
u
t
L
a
y
e
r
H
i
d
d
e
n
L
a
y
e
r
O
u
t
p
u
t
L
a
y
e
r
Fig
u
r
e
4
Dif
f
er
en
tia
l f
ed
n
e
u
r
a
l n
et
w
o
r
k
(
DFN
N)
T
h
e
th
eo
r
etica
l
co
n
ce
p
t
o
f
d
if
f
er
e
n
tial
f
ee
d
b
ac
k
i
n
D
F
NN
is
co
n
s
id
er
ed
f
r
o
m
[
1
7
]
,
b
y
u
s
in
g
d
if
f
er
e
n
tial
f
ee
d
b
ac
k
,
tr
ain
i
n
g
w
il
l
b
e
b
r
o
u
g
h
t
d
o
w
n
f
o
r
th
e
n
u
m
b
er
o
f
iter
atio
n
o
r
s
a
m
p
le
s
.
A
cc
o
r
d
in
g
to
th
e
th
eo
r
etica
l a
s
p
ec
ts
f
r
o
m
[
1
7
]
,
th
e
f
ir
s
t o
r
d
er
d
if
f
er
en
tial
f
ee
d
b
ac
k
w
i
th
r
ed
u
ce
d
la
y
er
s
o
u
tp
u
t
w
ill b
e,
)
(
)
(
1
1
d
b
m
w
i
i
(
5
)
w
h
er
e
w
i
is
t
h
e
w
ei
g
h
t
s
an
d
m
i
is
m
ix
ed
s
i
g
n
al
i
n
p
u
t
s
.
T
h
e
b
1
w
ill
b
e
an
a
u
to
r
eg
r
es
s
iv
e
te
r
m
an
d
s
et
to
1
an
d
d
1
is
1
st
o
r
d
er
d
if
f
er
en
tial.
Fo
r
d
if
f
er
e
n
tial
o
r
d
er
s
o
f
f
ee
d
b
ac
k
,
a
s
et
o
f
DFNN
w
ill
f
o
r
m
a
m
u
ltip
le
o
f
p
ar
allel
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
8
-
8708
I
n
t J
E
lec
&
C
o
m
p
E
n
g
,
Vo
l.
9
,
No
.
5
,
Octo
b
er
2
0
1
9
:
3
4
2
3
-
3
4
3
1
3428
s
tr
u
ct
u
r
es.
T
h
e
p
r
o
p
o
s
ed
DFNN
u
s
es
t
h
e
t
h
r
ee
d
i
f
f
er
e
n
tial
s
o
f
2
nd
o
r
d
er
d
if
f
er
e
n
tial
f
ee
d
b
ac
k
,
f
o
r
e
x
a
m
p
le
i
n
th
e
o
u
tp
u
t la
y
er
,
(
o
l
2
-
ol
1
)
,
(
o
l
3
-
ol
2
)
an
d
(
o
l
3
-
ol
1
)
.
T
h
e
d
if
f
er
e
n
tial f
ee
d
b
ac
k
o
f
o
u
tp
u
t la
y
er
is
ex
p
r
ess
ed
as,
)
(
)
(
)
(
1
_
1
3
3
2
3
2
1
2
1
ol
ol
wo
ol
ol
wo
ol
ol
wo
o
df
(
6
)
w
h
er
e
d
f
_
o
l
r
ep
r
ese
n
ts
th
e
2
nd
o
r
d
er
d
if
f
er
en
tial
f
ee
d
b
ac
k
o
f
o
u
tp
u
t
la
y
er
a
n
d
w
o
l
,
w
o
2
a
n
d
w
o
3
ar
e
u
p
d
ated
w
ei
g
h
ts
.
T
h
e
d
f
_
o
l
is
f
ee
d
b
ac
k
to
o
u
tp
u
t
la
y
er
i
s
a
n
in
p
u
t;
i
n
t
h
e
o
u
tp
u
t
la
y
er
t
h
e
s
ig
m
o
id
m
o
d
el
g
e
n
er
ate
t
h
e
f
i
n
al
tr
ain
in
g
o
u
tp
u
t
b
ased
o
n
th
e
d
f
_
o
l.
T
h
e
s
a
m
e
co
n
ce
p
t
i
s
ap
p
li
ca
b
le
to
th
e
o
th
er
t
w
o
l
a
y
er
s
i
n
clu
d
e
s
in
p
u
t
an
d
h
id
d
en
la
y
er
s
.
B
y
u
s
in
g
t
h
e
Dif
f
er
e
n
tial
f
ee
d
b
ac
k
in
t
h
e
DFNN,
t
h
e
tr
ai
n
i
n
g
ti
m
e
w
ill
b
e
r
ed
u
ce
d
,
w
h
ic
h
b
o
o
s
ts
th
e
p
er
f
o
r
m
a
n
ce
i
n
f
o
r
m
al
v
er
if
ica
tio
n
.
T
h
e
h
ar
d
w
ar
e
co
m
p
lex
it
y
w
i
ll
b
e
r
ed
u
ce
d
w
it
h
o
p
ti
m
izatio
n
o
f
ar
ea
an
d
p
o
w
er
t
h
a
n
Feed
f
o
r
w
ar
d
n
e
u
r
al
n
e
t
w
o
r
k
(
FF
N
N
)
.
T
h
e
b
ac
k
-
p
r
o
p
ag
atio
n
m
o
d
el
is
u
s
ed
in
f
ee
d
d
if
f
er
e
n
tial
f
ed
n
eu
r
al
n
et
w
o
r
k
s
to
d
eter
m
i
n
e
t
h
e
g
r
ad
ien
t
t
h
at
r
eq
u
ir
es
esti
m
at
in
g
t
h
e
weig
h
ts
to
b
e
u
s
ed
i
n
th
e
g
i
v
e
n
n
et
w
o
r
k
.
B
y
u
s
i
n
g
th
is
m
o
d
el,
ad
j
u
s
ti
n
g
t
h
e
weig
h
ts
to
r
ed
u
ce
th
e
er
r
o
r
r
a
te.
T
h
e
h
ar
d
w
ar
e
i
m
p
le
m
en
ta
tio
n
o
f
th
e
b
ac
k
-
p
r
o
p
ag
atio
n
m
o
d
el
in
v
o
l
v
es
t
wo
m
aj
o
r
s
tag
e
s
in
c
lu
d
es
p
r
o
p
ag
atio
n
a
n
d
w
ei
g
h
t
u
p
d
atio
n
.
T
h
e
p
r
o
p
ag
atio
n
s
tag
e
in
v
o
l
v
es
g
e
n
er
ati
n
g
th
e
o
u
tp
u
t
d
ata
in
t
h
e
n
et
w
o
r
k
u
s
i
n
g
p
r
o
p
ag
a
tio
n
f
o
r
w
ar
d
.
B
ased
o
n
th
e
T
ar
g
et
tr
ain
in
g
n
et
w
o
r
k
,
th
e
p
r
o
p
ag
atio
n
o
f
th
e
ac
ti
v
atio
n
s
b
ac
k
th
r
o
u
g
h
t
h
e
n
e
u
r
al
n
et
w
o
r
k
to
ca
lc
u
late
t
h
e
d
if
f
e
r
en
ce
u
s
i
n
g
tar
g
e
ted
o
u
tp
u
t
a
n
d
ac
t
u
al
o
u
tp
u
t
f
r
o
m
all
t
h
e
la
y
er
s
.
T
h
e
w
e
ig
h
t
u
p
d
ate
s
ta
g
e
i
n
v
o
l
v
es
th
e
w
e
ig
h
t
'
s
d
i
f
f
er
en
ce
,
a
n
d
la
y
er
s
ac
tiv
atio
n
is
m
u
lt
ip
lied
to
g
e
n
er
ate
t
h
e
u
p
d
ated
w
ei
g
h
t.
T
h
e
lear
n
i
n
g
r
ate
i
m
p
ac
ts
t
h
e
q
u
a
lit
y
a
n
d
s
p
ee
d
o
f
t
h
e
tr
ain
i
n
g
n
et
w
o
r
k
.
T
h
e
l
ea
r
n
in
g
r
ate
‘
L
r
’
is
d
ef
in
ed
w
it
h
o
n
e.
I
f
L
r
is
m
o
r
e,
n
eu
r
o
n
tr
ain
i
n
g
w
il
l
b
e
f
ast,
an
d
if
it
is
les
s
,
n
eu
r
o
n
tr
a
in
i
n
g
w
il
l
b
e
m
o
r
e
ac
cu
r
ate.
C
o
n
s
id
er
all
t
h
e
la
y
er
s
in
p
u
ts
i
n
cl
u
d
e
i
n
p
u
t,
h
id
d
en
,
an
d
o
u
tp
u
t
la
y
er
s
ad
d
la
y
e
r
-
w
is
e
in
d
i
v
id
u
al
l
y
,
an
d
th
e
ad
d
ed
o
u
tp
u
ts
ar
e
s
et
o
p
1
,
o
p
2
,
an
d
o
p
3
r
esp
ec
tiv
ely
.
On
ce
t
h
e
p
r
o
p
ag
atio
n
s
tar
ts
,
r
eset
all
th
e
la
y
er
s
w
ei
g
h
ts
a
n
d
in
itialize
to
ze
r
o
an
d
Up
d
ate
th
e
m
e
m
o
r
y
w
it
h
ac
tu
al
d
ata
w
it
h
t
h
r
ee
ad
d
r
ess
lo
ca
tio
n
f
o
r
th
r
ee
la
y
er
s
.
T
h
e
m
e
m
o
r
y
w
ill
b
e
u
p
d
ated
b
ased
o
n
th
e
co
u
n
ter
.
T
h
e
d
if
f
er
en
ce
Di
'
w
ill
b
e
ca
lcu
lated
u
s
in
g
t
h
e
ac
tu
al
d
ata
w
h
ic
h
i
s
u
p
d
ated
f
r
o
m
m
e
m
o
r
y
i
s
s
u
b
tr
ac
ted
b
y
o
u
tp
u
t la
y
er
o
u
tp
u
t ‘
O
p
.
'
I
f
th
e
Dif
f
er
en
ce
‘
D
i
'
w
il
l
b
e
less
th
a
n
m
e
m
o
r
y
ac
tu
al
d
ata
an
d
co
u
n
ter
i
s
t
w
o
,
a
c
o
u
n
ter
w
ill
b
e
r
e
s
et
to
ze
r
o
o
th
er
w
is
e
it
w
i
ll
b
e
in
cr
e
m
e
n
t
till
r
ea
c
h
es
t
w
o
an
d
a
v
al
id
s
i
g
n
a
l
w
il
l b
e
u
p
d
ated
.
T
h
e
Dif
f
er
en
t la
y
er
s
I
n
p
u
ts
/ o
u
tp
u
t
s
‘
D
o
’
w
i
ll b
e
u
p
d
ated
b
ased
o
n
t
h
e
la
y
er
-
wis
e.
Fo
r
o
u
tp
u
t
la
y
er
w
eig
h
t
u
p
d
atio
n
,
o
p
1
,
o
p
2
an
d
o
p
3
w
i
ll
b
e
co
n
s
id
er
ed
as
‘D
o
.
'
Fo
r
i
n
p
u
t
an
d
h
id
d
en
la
y
er
w
ei
g
h
t
u
p
d
atio
n
,
m
ix
ed
s
ig
n
als
w
ill
b
e
t
h
e
‘
Do
.
'
T
h
e
w
ei
g
h
t
u
p
d
atio
n
w
ill
b
e
d
ef
in
ed
as
b
elo
w
:
Up
d
ated
W
eig
h
t =
))
1
(
(
Op
Op
Do
Di
Lr
I
w
(
7
)
Fro
m
t
h
e
eq
u
atio
n
(
7
)
w
h
er
e
th
e
I
w
i
s
i
n
itial
w
ei
g
h
t
s
,
T
h
e
O
p
w
ill
b
e
d
e
f
in
ed
b
ased
o
n
t
h
e
la
y
er
s
o
u
tp
u
t
Fo
r
O
u
tp
u
t
la
y
er
,
O
p
will
b
e
u
p
d
ated
s
a
m
e
a
n
d
f
o
r
in
p
u
t
an
d
h
id
d
en
la
y
er
s
,
th
e
o
p
1
,
o
p
2
,
an
d
o
p
3
w
il
l
b
e
co
n
s
id
er
ed
as ‘
O
p
.'
2
.
5
.
M
o
du
le
f
o
r
f
o
rm
a
l v
er
if
ica
t
io
n
T
h
e
f
o
r
m
al
v
er
i
f
icatio
n
is
v
er
i
f
icatio
n
tec
h
n
iq
u
e
w
h
ic
h
a
g
r
ee
s
o
r
d
is
ag
r
ee
s
o
n
t
h
e
q
u
alit
y
o
f
r
elate
d
alg
o
r
ith
m
s
o
r
m
o
d
els
w
it
h
r
es
p
ec
t
to
s
u
i
tab
le
f
o
r
m
al
m
et
h
o
d
s
o
r
m
o
d
els
o
r
ex
ac
t
s
p
ec
i
f
ic
atio
n
s
in
h
ar
d
w
ar
e
an
d
s
o
f
t
w
ar
e
v
ie
w
p
o
in
t.
I
n
p
r
o
p
o
s
ed
d
esig
n
u
s
es
s
u
itab
le
m
o
d
el
s
to
test
s
th
e
f
o
r
m
al
v
e
r
if
icatio
n
s
o
f
m
i
x
ed
s
ig
n
al
s
.
T
h
e
f
o
r
m
al
m
o
d
eli
n
g
in
v
o
l
v
es
th
e
f
o
r
m
a
l
eq
u
i
v
ale
n
ce
ch
ec
k
in
g
;
it
is
p
r
o
ce
s
s
ed
a
n
d
u
s
ed
d
u
r
in
g
t
h
e
d
esig
n
an
d
d
ev
elo
p
m
e
n
t
o
f
d
i
g
ital
I
C
's,
to
p
r
o
v
e
f
o
r
m
a
ll
y
t
h
at
th
e
t
w
o
m
o
d
el
s
o
f
th
e
d
esi
g
n
s
r
ev
ea
l
t
h
e
s
a
m
e
b
eh
av
io
r
.
T
h
e
f
o
r
m
al
v
er
if
ica
t
io
n
o
f
m
i
x
ed
s
ig
n
al
s
is
ca
r
r
ied
o
u
t
u
s
i
n
g
tr
ai
n
i
n
g
n
et
w
o
r
k
s
D
FNN
a
n
d
FF
NN
to
f
i
n
d
s
its
ac
c
u
r
ac
y
,
an
d
it
s
t
y
p
i
ca
l
d
esig
n
f
lo
w
i
s
r
ep
r
esen
ted
in
F
i
g
u
r
e
5
.
T
h
e
co
m
p
lete
f
o
r
m
al
v
er
i
f
icatio
n
i
s
d
o
n
e
b
ased
R
T
L
-
RT
L
m
o
d
eli
n
g
v
er
i
f
icat
io
n
w
h
ic
h
is
d
o
n
e
th
r
o
u
g
h
eq
u
iv
ale
n
ce
c
h
ec
k
i
n
g
.
T
h
e
eq
u
i
v
ale
n
ce
ch
ec
k
i
n
g
co
n
tai
n
s
t
w
o
m
ai
n
m
o
d
el
s
n
a
m
el
y
i
m
p
le
m
en
ted
d
esig
n
an
d
r
ef
er
en
ce
d
esig
n
.
Hen
ce
,
n
ee
d
to
v
er
if
y
b
o
th
th
e
m
o
d
els
o
f
th
e
d
esi
g
n
s
ex
h
ib
it
s
th
e
s
a
m
e
f
ea
t
u
r
es.
Fo
r
an
al
y
s
is
p
u
r
p
o
s
e,
T
h
e
DFNN
n
et
w
o
r
k
s
a
v
ed
as
I
m
p
le
m
e
n
ted
d
esig
n
-
1
(
I
MD
1
)
an
d
FF
NN
Net
w
o
r
k
s
a
v
ed
as
I
m
p
le
m
e
n
ted
d
esig
n
-
2
(
I
MD
2
)
as
a
tr
ain
ed
d
ata
.
T
h
e
im
p
le
m
e
n
ted
d
esig
n
s
I
M
D1
an
d
I
MD
2
ar
e
d
esig
n
ed
with
a
h
ar
d
w
ar
e
ar
ch
itect
u
r
e
o
f
DFNN
an
d
F
FNN
r
esp
ec
tiv
el
y
.
Fi
g
u
r
e
5
s
h
o
w
s
t
h
e
r
ef
er
e
n
ce
m
i
x
ed
s
i
g
n
al
g
e
n
er
atio
n
w
h
ich
is
s
i
m
ilar
to
i
m
p
le
m
en
ted
d
es
ig
n
s
,
b
u
t
h
er
e
r
an
d
o
m
ize
m
o
r
e
w
i
th
p
s
eu
d
o
n
u
m
b
er
s
to
f
o
r
m
th
e
m
ix
ed
s
i
g
n
als
f
o
r
f
o
r
m
al
v
er
if
icat
io
n
w
it
h
d
if
f
er
e
n
t
in
p
u
ts
f
u
n
ct
io
n
alit
y
.
T
h
e
DFNN
r
ed
u
ce
th
e
tr
ain
in
g
t
i
m
e
i
n
t
er
n
all
y
w
h
ile
p
r
o
ce
s
s
i
n
g
t
h
e
f
o
r
m
al
v
er
if
ica
tio
n
o
f
m
i
x
ed
s
i
g
n
als.
T
h
e
o
u
tp
u
t
o
f
r
e
f
er
en
ce
r
a
n
d
o
m
l
y
g
e
n
er
ated
m
i
x
ed
s
ig
n
a
ls
ar
e
c
h
ec
k
i
n
g
t
h
e
eq
u
iv
ale
n
ce
w
it
h
tr
ain
ed
i
m
p
l
e
m
en
ted
d
esig
n
o
u
tco
m
es to
ch
ec
k
t
h
e
ac
cu
r
ac
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
E
lec
&
C
o
m
p
E
n
g
I
SS
N:
2088
-
8708
A
n
o
p
timiz
ed
meth
o
d
t
o
w
a
r
d
s
fo
r
ma
l v
erif
ica
tio
n
o
f m
ixed
s
ig
n
a
ls
u
s
in
g
d
iffer
en
t
ia
l fe
d
..
.
(
V
id
ya
D.
S
.
)
3429
G
e
n
e
r
a
t
i
o
n
o
f
R
e
f
e
r
e
n
c
e
M
i
x
e
d
s
i
g
n
a
l
w
i
t
h
n
o
i
s
e
S
t
o
r
e
t
h
e
r
e
f
e
r
e
n
c
e
o
u
t
p
u
t
m
i
x
e
d
s
i
g
n
a
l
s
i
n
B
l
o
c
k
R
A
M
I
P
C
o
r
e
S
a
v
e
a
s
R
D
1
f
o
r
D
F
F
N
a
n
d
R
D
2
f
o
r
F
F
N
N
P
e
r
f
o
r
m
t
h
e
f
o
r
m
a
l
V
e
r
i
f
i
c
a
t
i
o
n
u
s
i
n
g
E
C
E
x
t
r
a
c
t
t
h
e
s
a
v
e
d
N
e
t
w
o
r
k
I
M
D
1
&
I
M
D
2
E
v
a
l
a
v
a
t
e
t
h
e
p
e
r
f
o
r
m
a
n
c
e
a
n
a
l
y
s
i
s
R
e
f
e
r
e
n
c
e
D
e
s
i
g
n
Fig
u
r
e
5
.
T
y
p
ical
d
esig
n
f
lo
w
o
f
f
o
r
m
al
v
er
i
f
icatio
n
T
h
e
r
ef
er
en
ce
d
esig
n
i
n
clu
d
e
s
th
e
r
ef
er
en
ce
m
i
x
ed
s
i
g
n
al
s
g
en
er
atio
n
is
d
o
n
e
b
y
u
s
in
g
M
atlab
w
it
h
n
o
is
e
w
h
ic
h
is
s
i
m
ilar
to
i
m
p
l
e
m
en
ted
d
esi
g
n
m
ix
ed
s
i
g
n
al
g
en
er
atio
n
.
T
h
e
o
u
tp
u
t
o
f
r
e
f
e
r
en
ce
m
ix
ed
s
i
g
n
a
ls
is
s
to
r
ed
in
th
e
tex
t
f
ile.
W
h
i
ch
is
h
a
v
i
n
g
ar
o
u
n
d
4
0
0
0
s
a
m
p
les
an
d
ea
ch
s
a
m
p
le
is
8
-
b
it
an
d
s
to
r
es
th
ese
s
a
m
p
les
as
a
co
ef
f
icie
n
t
f
i
le
(
.
co
e)
in
I
P
C
o
r
e
b
ased
B
lo
ck
R
A
M
Mo
d
el
w
h
ic
h
i
s
h
av
i
n
g
th
e
r
e
f
er
en
ce
o
u
tp
u
t
s
ig
n
al
s
.
Sa
v
e
t
h
e
r
ef
er
en
ce
d
e
s
ig
n
m
o
d
el
h
as
R
D1
f
o
r
DFN
N
an
d
R
D2
f
o
r
F
FNN.
T
h
i
s
i
m
p
le
m
e
n
ted
d
e
s
ig
n
I
MD
1
an
d
r
ef
er
en
ce
d
esig
n
R
D1
ar
e
test
ed
f
o
r
f
o
r
m
a
l
v
er
if
icatio
n
b
y
u
s
i
n
g
eq
u
i
v
alen
ce
c
h
ec
k
i
n
g
.
I
n
eq
u
i
v
ale
n
ce
ch
ec
k
i
n
g
,
b
o
th
th
e
I
MD
1
a
n
d
R
D1
ar
e
m
atc
h
ed
w
it
h
s
a
m
e
f
ea
t
u
r
es,
t
h
e
n
co
n
s
id
er
th
e
f
o
r
m
al
v
er
if
ica
tio
n
is
"
s
u
cc
ess
f
u
l"
if
t
h
e
f
ea
t
u
r
es
ar
e
n
o
t
m
atc
h
ed
it
is
"
u
n
s
u
cc
e
s
s
f
u
l,"
u
s
e
a
co
u
n
t
er
m
et
h
o
d
to
ch
ec
k
th
e
er
r
o
r
s
in
th
e
m
o
d
els.T
h
e
ac
cu
r
ac
y
o
f
t
h
e
f
o
r
m
al
v
er
if
icat
io
n
m
o
d
els
w
il
l
f
i
n
d
,
if
b
o
th
t
h
e
m
o
d
el
'
s
f
ea
t
u
r
e
s
ar
e
s
a
m
e,
th
e
n
co
u
n
ter
is
r
ese
t
to
ze
r
o
.
I
f
n
o
t,
co
u
n
ts
s
tar
t
co
u
n
ti
n
g
,
w
h
e
n
b
o
th
th
e
I
MD
1
an
d
R
D1
s
a
m
p
led
d
ata
ar
e
n
o
t
m
atc
h
i
n
g
till
t
h
e
last
s
a
m
p
les.
B
ased
o
n
t
h
e
c
o
u
n
t,
th
e
ac
cu
r
ac
y
w
i
ll
b
e
ca
lcu
lated
f
o
r
f
o
r
m
al
v
er
if
ica
tio
n
.
I
n
o
r
d
er
to
p
er
f
o
r
m
th
e
p
er
f
o
r
m
a
n
ce
an
al
y
s
i
s
,
f
o
r
m
al
v
er
if
ica
tio
n
o
f
m
i
x
ed
s
i
g
n
al
s
u
s
in
g
DFNN
is
co
m
p
ar
ed
w
ith
t
h
e
FF
NN
tr
ain
in
g
m
et
h
o
d
.
T
h
e
p
r
o
p
o
s
ed
f
o
r
m
al
v
er
i
f
icatio
n
o
f
m
ix
ed
s
ig
n
al
s
u
s
i
n
g
d
if
f
er
e
n
tial
f
ed
n
e
u
r
al
n
et
wo
r
k
p
r
o
v
id
es
b
etter
p
er
f
o
r
m
an
ce
in
ter
m
s
o
f
ac
cu
r
ac
y
an
d
less
h
ar
d
w
ar
e
co
m
p
le
x
it
y
o
v
er
th
e
Feed
f
o
r
w
ar
d
n
e
u
r
al
n
et
w
o
r
k
.
T
h
e
p
e
r
f
o
r
m
an
ce
a
n
al
y
s
is
o
f
b
o
th
th
e
d
esig
n
s
w
il
l
b
e
ex
p
lain
ed
i
n
th
e
n
ex
t sectio
n
.
3.
RE
SU
L
T
AND
DI
SCUS
SI
O
N
T
h
e
p
r
o
p
o
s
ed
Fo
r
m
al
v
er
if
ic
atio
n
o
f
m
u
ltip
le
m
i
x
ed
s
i
g
n
als
u
s
i
n
g
tr
ain
i
n
g
alg
o
r
it
h
m
s
in
cl
u
d
es
Feed
f
o
r
w
ar
d
Ne
u
r
al
Ne
t
w
o
r
k
(
FF
NN)
,
a
n
d
Di
f
f
er
en
tia
ll
y
-
Fed
Neu
r
al
Net
w
o
r
k
(
D
FNN
)
o
f
2
-
3
-
1
n
e
t
w
o
r
k
R
es
u
lts
ar
e
an
a
l
y
ze
d
i
n
th
e
b
elo
w
s
ec
t
io
n
.
T
h
e
p
r
o
p
o
s
ed
w
o
r
k
i
s
m
o
d
eled
o
v
er
Xili
n
x
I
SE
1
4
.
7
en
v
ir
o
n
m
e
n
t
u
s
i
n
g
Har
d
w
ar
e
lan
g
u
ag
e
V
er
ilo
g
-
H
DL
a
n
d
w
a
v
e
f
o
r
m
s
i
m
u
lated
u
s
i
n
g
Mo
d
elsi
m
6
.
5
s
im
u
lato
r
an
d
i
m
p
le
m
en
ted
o
n
A
r
ti
x
-
7
FP
G
A
.
T
h
e
s
y
n
t
h
esized
r
es
u
lts
o
f
p
r
o
p
o
s
ed
d
esig
n
s
F
FNN
an
d
DFN
N
w
h
ic
h
ar
e
tab
u
lated
in
T
ab
le
1
.
E
ac
h
d
e
s
ig
n
i
n
clu
d
e
s
b
o
th
i
m
p
le
m
e
n
t
ed
an
d
r
ef
er
en
ce
d
esi
g
n
f
o
r
f
o
r
m
al
v
er
i
f
icatio
n
o
f
m
i
x
ed
s
i
g
n
als.T
h
e
r
eso
u
r
ce
u
tili
za
t
io
n
i
n
cl
u
d
es
3
3
4
s
lice
s
L
UT
'
s
o
f
DFNN
o
v
er
3
5
7
o
f
FF
NN
w
it
h
a
n
i
m
p
r
o
v
e
m
en
t o
f
n
ea
r
l
y
7
%.
T
h
e
o
th
er
r
eso
u
r
ce
u
t
ilizatio
n
in
b
o
th
d
esig
n
s
is
al
m
o
s
t t
h
e
s
a
m
e.
T
ab
le
1
.
Dev
ice
u
tili
za
tio
n
o
f
t
h
e
p
r
o
p
o
s
ed
DFNN
alo
n
g
w
it
h
FF
N
N
f
o
r
f
o
r
m
a
l v
er
i
f
icatio
n
L
o
g
i
c
U
t
i
l
i
z
a
t
i
o
n
F
F
N
N
D
F
N
N
N
u
mb
e
r
o
f
S
l
i
c
e
R
e
g
i
st
e
r
s
1
9
5
2
0
3
N
u
mb
e
r
o
f
S
l
i
c
e
L
U
T
s
3
5
7
3
3
4
N
u
mb
e
r
o
f
f
u
l
l
y
u
se
d
L
U
T
-
F
F
p
a
i
r
s
1
2
2
1
2
4
N
u
mb
e
r
o
f
b
o
n
d
e
d
I
O
B
s
48
48
N
u
mb
e
r
o
f
B
l
o
c
k
R
A
M
/
F
I
F
O
2
2
N
u
mb
e
r
o
f
D
S
P
4
8
E
1
s
39
39
T
h
e
p
o
w
er
u
tili
za
tio
n
o
f
DF
NN
an
d
F
FNN
f
o
r
f
o
r
m
al
v
er
if
icatio
n
o
f
m
i
x
ed
s
i
g
n
als
i
s
an
al
y
ze
d
u
s
i
n
g
X
-
P
o
w
er
a
n
al
y
ze
r
to
o
l
f
r
o
m
Xili
n
x
I
SE.
T
h
e
T
o
ta
l
p
o
w
er
s
co
n
s
u
m
ed
b
y
t
h
e
DFNN
a
n
d
FF
NN
n
et
w
o
r
k
s
ar
e
0
.
1
1
2
W
an
d
0
.
1
1
7
W
r
esp
ec
tiv
el
y
w
it
h
an
i
m
p
r
o
v
e
m
en
t
o
f
5
%.
T
h
e
d
y
n
a
m
ic
p
o
w
er
u
ti
lizatio
n
o
f
b
o
th
DFNN
a
n
d
FF
NN
n
et
w
o
r
k
i
s
0
.
0
3
0
W
an
d
0
.
0
3
5
W
r
esp
e
ctiv
el
y
w
h
ich
ar
e
tab
u
la
te
d
i
n
T
ab
le
2
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
8
-
8708
I
n
t J
E
lec
&
C
o
m
p
E
n
g
,
Vo
l.
9
,
No
.
5
,
Octo
b
er
2
0
1
9
:
3
4
2
3
-
3
4
3
1
3430
T
ab
le
2
.
P
o
w
er
co
n
s
u
m
p
tio
n
o
f
th
e
p
r
o
p
o
s
ed
DFNN
alo
n
g
with
F
FNN
f
o
r
f
o
r
m
al
v
er
i
f
icati
o
n
T
o
t
a
l
P
o
w
e
r
su
mm
a
r
y
F
F
N
N
D
F
N
N
T
o
t
a
l
P
o
w
e
r
(
W
)
0
.
1
1
7
0
.
1
1
2
D
y
n
a
mi
c
P
o
w
e
r
(
W
)
0
.
0
3
5
0
.
0
3
T
h
e
m
a
x
i
m
u
m
o
p
er
atin
g
f
r
e
q
u
en
c
y
is
o
b
tain
ed
f
r
o
m
A
r
t
ix
-
7
FP
GA
f
o
r
th
e
DFNN,
an
d
FF
NN
n
et
w
o
r
k
s
ar
e
5
9
.
2
5
2
MH
z
an
d
3
7
.
6
0
5
MH
z
r
esp
ec
tiv
ely
with
a
n
i
m
p
r
o
v
e
m
e
n
t
o
f
3
6
.
5
4
%
w
h
ic
h
i
n
d
icate
s
th
at
DF
NN
w
o
r
k
s
a
t
a
h
i
g
h
er
o
p
er
atin
g
r
ate
th
a
n
t
h
e
FF
N
N
Mo
d
u
le.
T
h
e
p
r
o
p
o
s
ed
w
o
r
k
tar
g
et
s
to
ai
m
f
o
r
f
o
r
m
al
v
er
i
f
icatio
n
o
f
m
u
ltip
l
e
m
i
x
ed
s
i
g
n
als
u
s
in
g
tr
ai
n
ed
n
et
w
o
r
k
s
li
k
e
DF
NN
a
n
d
FF
NN.
T
h
e
h
i
g
h
er
r
ate
o
f
ac
cu
r
ac
y
f
r
o
m
t
h
e
tr
ai
n
ed
o
r
lear
n
in
g
n
et
w
o
r
k
i
s
a
p
r
im
e
p
er
f
o
r
m
an
ce
p
ar
a
m
eter
f
o
r
f
o
r
m
al
v
er
if
ica
tio
n
.
T
h
e
an
al
y
s
is
o
f
f
o
r
m
al
v
er
i
f
icatio
n
is
d
o
n
e
b
y
e
q
u
iv
ale
n
ce
c
h
ec
k
i
n
g
f
o
r
b
o
th
DFNN
a
n
d
FF
NN
d
esig
n
s
.
E
ac
h
d
esi
g
n
is
h
av
i
n
g
i
m
p
le
m
e
n
ted
(
R
T
L
)
an
d
r
ef
er
en
ce
(
R
T
L
)
Mo
d
u
les
an
d
b
y
u
s
in
g
t
h
eir
d
esig
n
o
u
tp
u
ts
,
c
h
ec
k
it
is
eq
u
i
v
alen
t
,
if
y
es,
t
h
e
n
t
h
e
v
er
if
icatio
n
i
s
1
0
0
%
s
u
cc
e
s
s
f
u
l.
I
f
n
o
t,
I
f
i
t
is
d
i
f
f
er
en
t
u
s
in
g
eq
u
iv
ale
n
ce
ch
ec
k
i
n
g
w
i
th
a
co
u
n
ter
m
e
th
o
d
to
f
in
d
o
u
t
th
e
er
r
o
r
s
t
o
g
et
th
e
ex
ac
t
ac
cu
r
ac
y
o
f
t
h
e
tr
ain
e
d
n
et
w
o
r
k
.
T
o
f
i
n
d
a
n
ac
c
u
r
ac
y
o
f
tr
ai
n
in
g
m
e
th
o
d
s
lik
e
F
FN
N
an
d
DFNN
f
o
r
f
o
r
m
a
l
v
er
if
icatio
n
,
t
h
e
a
n
al
y
s
i
s
is
c
ar
r
ied
o
u
t
o
v
er
m
u
ltip
le
te
s
t
e
n
v
ir
o
n
m
e
n
t
s
b
y
c
h
a
n
g
in
g
th
e
n
et
w
o
r
k
t
y
p
e
o
r
a
n
u
m
b
er
o
f
s
a
m
p
les
w
h
ich
f
ee
d
to
th
e
in
p
u
t
la
y
er
s
as
m
u
ltip
le
m
i
x
ed
s
i
g
n
al
s
.
T
h
e
i
m
p
le
m
en
ted
d
esi
g
n
s
co
n
tai
n
co
m
p
lete
h
ar
d
w
ar
e
ar
ch
itect
u
r
e
o
f
DFNN
o
r
FF
N
N
w
h
ic
h
is
f
ed
b
y
s
ep
ar
ate
m
ix
ed
s
i
g
n
al
s
as
an
i
n
p
u
t
to
th
e
to
p
im
p
le
m
en
ted
d
esig
n
ar
ch
i
tectu
r
e,
f
o
llo
w
e
d
b
y
th
r
ee
h
id
d
en
la
y
er
s
a
n
d
s
i
n
g
le
o
u
tp
u
t
la
y
er
g
i
v
e
s
t
h
e
f
in
a
l
r
es
u
lt
s
.
T
h
e
r
ef
er
en
ce
d
esig
n
co
n
tain
s
ac
tu
al
tr
ai
n
ed
d
ata
w
h
ic
h
i
s
o
b
tain
ed
f
r
o
m
th
e
m
i
x
ed
s
i
g
n
al
g
e
n
er
atio
n
b
y
Ma
tlab
th
en
s
to
r
e
it
in
B
lo
ck
R
A
M
I
P
co
r
es
w
h
ich
g
iv
e
s
co
m
p
lete
r
ef
er
e
n
ce
m
o
d
el.
I
n
DFNN
T
r
ain
in
g
m
o
d
u
le,
d
if
f
er
e
n
tial
f
ee
d
b
ac
k
w
h
ic
h
is
g
e
n
er
ated
f
r
o
m
th
e
o
u
tp
u
t
la
y
er
an
d
f
ed
b
ac
k
to
th
e
o
u
tp
u
t
la
y
er
as
o
n
e
o
f
th
e
i
n
p
u
t
s
w
h
ich
i
m
p
r
o
v
es t
h
e
tr
ain
i
n
g
ti
m
e
a
n
d
ac
cu
r
ac
y
o
f
th
e
tr
ai
n
i
n
g
n
et
w
o
r
k
.
T
h
e
f
o
r
m
al
v
er
i
f
icatio
n
o
u
tc
o
m
e
s
w
i
th
an
ac
cu
r
ac
y
o
f
m
u
ltip
le
m
i
x
ed
s
i
g
n
als
ar
e
r
ep
r
esen
ted
i
n
F
ig
u
r
e
6
.
T
h
e
p
r
o
p
o
s
ed
DFNN
o
v
er
FF
NN
tr
ai
n
i
n
g
tech
n
i
q
u
e
f
o
u
n
d
t
h
e
b
etter
a
v
er
ag
e
ac
cu
r
ac
y
o
f
t
h
r
ee
m
i
x
ed
s
ig
n
al
s
.
I
n
t
h
at
m
ix
ed
s
ig
n
al
-
3
g
i
v
es
h
i
g
h
e
s
t
ac
cu
r
ac
y
r
ate
o
f
9
8
.
9
7
%
u
s
in
g
DF
N
N
o
v
er
9
5
.
9
5
%
o
f
FF
NN
w
it
h
i
m
p
r
o
v
e
m
e
n
t
s
,
wh
en
co
m
p
ar
ed
to
o
th
er
t
w
o
m
ix
ed
s
i
g
n
als.
T
h
e
f
o
llo
w
i
n
g
T
ab
le.
3
in
d
icate
s
t
h
e
o
u
tco
e
m
s
o
f
tr
ai
n
ed
n
et
w
o
r
k
.
I
t is o
b
s
er
v
ed
th
at,
t
h
e
a
v
er
ag
e
ac
cu
r
ac
y
o
f
th
r
ee
m
i
x
ed
s
i
g
n
a
ls
u
s
i
n
g
D
FNN
f
o
r
f
o
r
m
al
v
er
i
f
icatio
n
i
s
9
7
.
5
5
%.
Si
m
ilar
l
y
f
o
r
FF
NN,
t
h
e
9
3
.
9
6
%
is
th
e
a
v
er
ag
e
ac
cu
r
ac
y
o
f
t
h
r
ee
m
ix
ed
s
ig
n
al
s
w
h
ile
p
er
f
o
r
m
i
n
g
f
o
r
f
o
r
m
al
v
er
if
ica
tio
n
,
w
h
ic
h
clea
r
l
y
in
d
icate
s
t
h
at
DFNN
tr
ain
i
n
g
n
et
w
o
r
k
w
h
ic
h
g
iv
e
s
b
etter
o
u
tco
m
e
s
an
d
s
at
is
f
ac
to
r
y
o
v
er
FF
NN
tr
ai
n
i
n
g
n
et
w
o
r
k
w
it
h
a
n
i
m
p
r
o
v
e
m
e
n
t
o
f
n
ea
r
l
y
3
.
7
%
o
f
ac
cu
r
ac
y
a
n
d
w
h
ic
h
i
s
ap
p
licab
le
to
d
o
f
o
r
m
al
v
e
r
i
f
icatio
n
in
s
y
s
te
m
o
n
c
h
ip
lev
el,
a
n
d
also
f
o
r
co
m
p
le
x
d
ig
ital
m
o
d
elli
n
g
v
er
i
f
icatio
n
.
Fig
u
r
e
6
.
Fo
r
m
a
l v
er
i
f
icatio
n
o
u
tco
m
es
w
i
th
a
n
ac
cu
r
ac
y
o
f
m
u
ltip
le
m
ix
ed
s
i
g
n
als
4.
CO
NCLU
SI
O
N
Th
is
p
ap
er
h
as
p
r
esen
ted
a
co
s
t
-
e
f
f
ec
tiv
e,
o
p
ti
m
ized
s
o
l
u
tio
n
to
f
o
r
m
al
v
er
if
ica
tio
n
o
f
m
u
ltip
le
m
i
x
ed
s
i
g
n
als
u
s
i
n
g
DFN
N
o
v
er
FF
NN
o
n
th
e
h
ar
d
w
ar
e
p
lat
f
o
r
m
.
I
n
o
r
d
er
to
r
ed
u
ce
t
h
e
c
o
m
p
le
x
it
y
o
f
m
i
x
ed
s
ig
n
al
s
in
SO
C
d
esig
n
lev
el,
f
o
r
m
al
v
er
i
f
icatio
n
is
b
est
-
s
u
i
ted
s
o
lu
tio
n
s
to
i
m
p
r
o
v
e
t
h
e
ac
cu
r
ac
y
o
v
er
er
r
o
r
r
ate
T
h
e
p
r
o
p
o
s
ed
d
esig
n
s
g
i
v
es
th
e
s
o
lu
tio
n
s
to
th
e
c
h
allen
g
es
is
v
er
if
icat
io
n
ac
r
o
s
s
SO
C
f
o
r
m
u
ltip
le
m
ix
ed
s
ig
n
al
s
.
T
h
e
p
r
o
p
o
s
ed
w
o
r
k
i
s
d
esig
n
ed
o
v
er
a
d
if
f
er
en
tiall
y
f
ed
n
eu
r
al
n
et
w
o
r
k
(
DF
NN)
w
h
ic
h
p
r
o
v
id
es
th
e
o
p
tim
a
l
s
o
lu
tio
n
s
f
o
r
p
er
f
o
r
m
i
n
g
f
o
r
m
al
v
er
if
icatio
n
o
f
d
if
f
er
e
n
t
t
y
p
e
s
o
f
m
ix
ed
s
i
g
n
als.
T
h
e
p
r
o
p
o
s
ed
Fo
r
m
al
v
er
i
f
icatio
n
m
o
d
el
o
f
th
e
b
o
th
DF
NN
a
n
d
F
FNN
T
r
ain
in
g
m
o
d
u
le
s
in
cl
u
d
es
Mu
l
tip
le
Mix
ed
s
i
g
n
a
l
8
8
.
0
0
%
9
0
.
0
0
%
9
2
.
0
0
%
9
4
.
0
0
%
9
6
.
0
0
%
9
8
.
0
0
%
1
0
0
.
0
0
%
M
i
x
e
d
si
g
n
a
l
-
1
M
i
x
e
d
si
g
n
a
l
-
2
M
i
x
e
d
si
g
n
a
l
-
3
A
v
e
r
a
g
e
A
c
c
u
r
a
c
y
Acc
ura
cy
FF
NN
DFNN
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
E
lec
&
C
o
m
p
E
n
g
I
SS
N:
2088
-
8708
A
n
o
p
timiz
ed
meth
o
d
t
o
w
a
r
d
s
fo
r
ma
l v
erif
ica
tio
n
o
f m
ixed
s
ig
n
a
ls
u
s
in
g
d
iffer
en
t
ia
l fe
d
..
.
(
V
id
ya
D.
S
.
)
3431
g
en
er
atio
n
s
,
I
m
p
le
m
e
n
ted
d
esi
g
n
u
s
i
n
g
DFN
N
o
r
FF
N
N,
b
o
th
th
e
R
ef
er
e
n
ce
Desi
g
n
s
a
n
d
f
o
r
m
al
v
er
if
ica
tio
n
u
s
i
n
g
eq
u
i
v
ale
n
ce
c
h
ec
k
in
g
.
T
h
e
R
T
L
-
R
T
L
v
er
i
f
icatio
n
is
d
o
n
e
f
o
r
b
o
th
th
e
n
et
w
o
r
k
s
.
T
h
e
c
h
ip
le
v
el
co
n
s
tr
ain
ts
i
m
p
r
o
v
e
m
e
n
t
d
o
n
e
b
y
u
s
in
g
DFN
N
w
h
ic
h
in
cl
u
d
es
ar
ea
o
p
tim
ized
b
y
n
ea
r
l
y
7
%
in
ter
m
s
o
f
Sli
c
e
L
UT
'
s
,
T
o
tal
p
o
w
er
co
n
s
u
m
p
t
io
n
o
n
-
ch
ip
lev
el
is
n
ea
r
l
y
5
%
an
d
o
p
er
atin
g
f
r
eq
u
en
c
y
o
f
n
ea
r
l
y
3
6
%
o
v
er
FF
NN.
T
h
e
p
er
f
o
r
m
an
ce
o
f
D
FNN
in
ter
m
s
o
f
ac
cu
r
ac
y
i
m
p
r
o
v
e
m
e
n
t is 3
.
7
% o
v
er
FF
NN.
RE
F
E
R
E
NC
E
S
[1
]
R.
E.
Bry
a
n
t,
e
t
a
l
.
,
“
L
im
it
a
ti
o
n
s
a
n
d
c
h
a
ll
e
n
g
e
s
o
f
c
o
m
p
u
te
r
-
a
id
e
d
d
e
sig
n
tec
h
n
o
lo
g
y
f
o
r
CM
OS
V
L
S
I
,”
Pro
c
e
e
d
in
g
s
o
f
t
h
e
IEE
E
,
v
o
l/
iss
u
e
:
89
(
3
),
p
p
.
3
4
1
-
3
6
5
,
2
0
0
1
.
[2
]
M
.
S
.
Er
d
e
n
,
e
t
a
l
.
,
“
A
re
v
ie
w
o
f
f
u
n
c
ti
o
n
m
o
d
e
li
n
g
:
A
p
p
r
o
a
c
h
e
s
a
n
d
a
p
p
li
c
a
ti
o
n
s
,”
Ai
E
d
a
m
,
v
o
l/
i
ss
u
e
:
22
(
2
),
p
p
.
147
-
1
6
9
,
2
0
0
8
.
[3
]
M
.
H.
Zak
i,
e
t
a
l
.
,
“
F
o
rm
a
l
v
e
ri
f
i
c
a
ti
o
n
o
f
a
n
a
lo
g
a
n
d
m
ix
e
d
-
sig
n
a
l
d
e
sig
n
s:
A
su
rv
e
y
,”
M
icr
o
e
le
c
tro
n
ics
jo
u
r
n
a
l
,
v
o
l/
issu
e
:
39
(
12
),
p
p
.
1
3
9
5
-
1
4
0
4
,
2
0
0
8
.
[4
]
B.
W
ielin
g
a
a
n
d
G
.
S
c
h
re
ib
e
r
,
“
Co
n
f
ig
u
ra
ti
o
n
-
d
e
sig
n
p
r
o
b
lem
so
lv
in
g
,”
IEE
E
Ex
p
e
rt
,
v
o
l/
issu
e
:
12
(
2
),
p
p
.
49
-
56
,
1
9
9
7
.
[5
]
S. G
u
p
ta,
e
t
a
l
.
,
“
T
o
w
a
rd
s f
o
r
m
a
l
v
e
ri
f
ica
ti
o
n
o
f
a
n
a
lo
g
d
e
sig
n
s
,”
Pro
c
e
e
d
in
g
s
o
f
th
e
2
0
0
4
I
EE
E/
AC
M
In
ter
n
a
ti
o
n
a
l
c
o
n
fer
e
n
c
e
o
n
C
o
mp
u
ter
-
a
i
d
e
d
d
e
sig
n
.
I
EE
E
C
o
mp
u
ter
S
o
c
iety
,
2
0
0
4
.
[6
]
K.
Ku
n
d
e
rt
a
n
d
H
.
Ch
a
n
g
,
“
Ve
rify
in
g
a
ll
o
f
a
n
S
OC
-
a
n
a
lo
g
c
ircu
it
ry
in
c
lu
d
e
d
,”
IE
EE
S
o
li
d
-
S
t
a
te
Circ
u
it
s
M
a
g
a
zin
e
,
v
o
l/
issu
e
:
1
(
4
),
2
0
0
9
.
[7
]
P.
G
a
n
g
,
“
B
e
h
a
v
io
ra
l
m
o
d
e
li
n
g
a
n
d
sim
u
latio
n
o
f
a
n
a
lo
g
/m
ix
e
d
-
si
g
n
a
l
s
y
ste
m
s
u
sin
g
v
e
ril
o
g
-
ams
,”
In
fo
rm
a
t
io
n
,
Co
mp
u
t
in
g
a
n
d
T
e
lec
o
mm
u
n
ic
a
ti
o
n
,
2
0
0
9
.
Y
C
-
IC
T
'0
9
.
IEE
E
Y
o
u
t
h
Co
n
fer
e
n
c
e
o
n
.
IE
EE
,
2
0
0
9.
[8
]
X
.
Ya
n
g
,
e
t
a
l
.
,
“
M
ix
e
d
-
sig
n
a
l
sy
ste
m
-
on
-
a
-
c
h
ip
(s
o
c
)
v
e
rif
ica
ti
o
n
b
a
se
d
o
n
sy
ste
m
v
e
ril
o
g
m
o
d
e
l
,”
S
y
ste
m
T
h
e
o
ry
(
S
S
S
T
),
2
0
1
3
4
5
th
S
o
u
t
h
e
a
ste
rn
S
y
mp
o
siu
m
o
n
.
IEE
E
,
2
0
1
3
.
[9
]
V
id
h
y
a
D.
S
.
a
n
d
M
.
Ra
m
a
c
h
a
n
d
ra
,
“
Re
se
a
r
c
h
T
re
n
d
s
in
F
o
rm
a
l
Ve
rif
ic
a
ti
o
n
P
r
o
c
e
ss
f
o
r
A
n
a
lo
g
a
n
d
M
ix
e
d
S
ig
n
a
l
De
sig
n
,
”
In
ter
n
a
ti
o
n
a
l
J
o
u
rn
a
l
o
f
Co
mp
u
ter
Ap
p
li
c
a
t
io
n
s
,
v
ol
/i
ss
u
e
:
1
0
9
(
11
)
,
Ja
n
2
0
1
5
.
[1
0
]
G
.
S
.
Ha
rin
a
ra
y
a
n
,
e
t
a
l
.
,
“
A
u
to
m
a
ted
F
u
ll
Ch
i
p
S
P
ICE
sim
u
latio
n
s
w
it
h
se
lf
-
c
h
e
c
k
in
g
a
ss
e
rti
o
n
s
f
o
r
las
t
m
il
e
v
e
ri
f
ica
ti
o
n
&
f
irst
p
a
ss
S
il
ico
n
o
f
m
ix
e
d
sig
n
a
l
S
o
Cs
,”
S
y
ste
m
-
on
-
C
h
ip
C
o
n
fer
e
n
c
e
(
S
OCC),
2
0
1
6
2
9
th
IE
EE
In
ter
n
a
t
io
n
a
l
.
IEE
E,
2
0
1
6
.
[1
1
]
V
id
h
y
a
D.
S
.
a
n
d
M
.
Ra
m
a
c
h
a
n
d
ra
,
“
A
No
v
e
l
D
e
sig
n
in
F
o
rm
a
l
V
e
rif
ica
ti
o
n
Co
rre
sp
o
n
d
i
n
g
to
M
ix
e
d
S
ig
n
a
ls
b
y
Diff
e
r
e
n
ti
a
l
L
e
a
rn
in
g
,”
Co
mp
u
ter
S
c
ien
c
e
On
-
li
n
e
Co
n
fer
e
n
c
e
.
S
p
ri
n
g
e
r,
Ch
a
m
,
2
0
1
7
.
[1
2
]
S.
Ch
it
ti
,
e
t
a
l
.
,
“
A
Un
iq
u
e
T
e
st
Be
n
c
h
f
o
r
V
a
rio
u
s
S
y
ste
m
-
on
-
a
-
Ch
i
p
,”
I
n
ter
n
a
ti
o
n
a
l
J
o
u
r
n
a
l
o
f
El
e
c
trica
l
a
n
d
Co
mp
u
ter
E
n
g
in
e
e
rin
g
(
IJ
ECE
)
,
v
o
l/
issu
e
:
7
(
6
),
p
p
.
3
3
1
8
-
3
3
2
2
,
2
0
1
7
.
[1
3
]
A
.
Bo
u
z
ian
e
,
e
t
a
l
.
,
“
T
o
w
a
rd
s
a
n
Op
ti
m
a
l
S
p
e
a
k
e
r
M
o
d
e
li
n
g
i
n
S
p
e
a
k
e
r
V
e
rif
ica
ti
o
n
S
y
ste
m
s
u
sin
g
P
e
rso
n
a
li
z
e
d
Ba
c
k
g
ro
u
n
d
M
o
d
e
ls
,
”
In
ter
n
a
ti
o
n
a
l
J
o
u
r
n
a
l
o
f
El
e
c
trica
l
a
n
d
Co
mp
u
ter
En
g
i
n
e
e
rin
g
(
IJ
ECE
),
v
ol
/i
ss
u
e
:
7
(
6
)
,
p
p
.
3
6
5
5
-
3
6
6
3
,
De
c
2
0
1
7
.
[1
4
]
T
.
R.
J
.
Ku
m
a
rian
d
a
n
d
H.
S
.
J
a
y
a
n
n
a
,
“
L
i
m
it
e
d
Da
ta
S
p
e
a
k
e
r
V
e
rif
ica
ti
o
n
:
F
u
si
o
n
o
f
F
e
a
tu
re
s
,
”
In
ter
n
a
ti
o
n
a
l
J
o
u
rn
a
l
o
f
El
e
c
trica
l
a
n
d
C
o
mp
u
t
e
r E
n
g
i
n
e
e
rin
g
(
IJ
ECE
),
v
ol
/i
ss
u
e
:
7
(
6
)
,
p
p
.
3
3
4
4
-
3
3
5
7
,
De
c
2
0
1
7
.
[1
5
]
M.
W
o
jcie
c
h
o
w
sk
i,
“
S
o
lv
in
g
d
iff
e
re
n
ti
a
l
e
q
u
a
ti
o
n
s
b
y
m
e
a
n
s
o
f
fe
e
d
-
f
o
r
w
a
rd
a
rti
f
icia
l
n
e
u
ra
l
n
e
tw
o
rk
s
,”
In
ter
n
a
t
io
n
a
l
C
o
n
fer
e
n
c
e
o
n
Arti
f
icia
l
In
telli
g
e
n
c
e
a
n
d
S
o
ft
C
o
mp
u
ti
n
g
.
S
p
rin
g
e
r,
Ber
li
n
,
He
id
e
lb
e
rg
,
2
0
1
2
.
[1
6
]
J.
Ilo
n
e
n
,
e
t
a
l
.
,
“
Dif
fe
re
n
ti
a
l
e
v
o
lu
ti
o
n
trai
n
in
g
a
lg
o
rit
h
m
f
o
r
f
e
e
d
-
f
o
rwa
rd
n
e
u
ra
l
n
e
tw
o
rk
s
,”
N
e
u
ra
l
Pro
c
e
ss
in
g
L
e
tt
e
rs
,
v
o
l/
issu
e
:
17
(
1
)
,
p
p
.
93
-
1
0
5
,
2
0
0
3
.
[1
7
]
M
a
n
ju
n
a
th
R
.
,
e
t
a
l
.
,
“
Diff
e
r
e
n
ti
a
l
lea
rn
in
g
a
lg
o
rit
h
m
f
o
r
A
rti
f
i
c
ial
Ne
u
ra
l
Ne
t
w
o
rk
s
,
”
In
ter
n
a
ti
o
n
a
l
J
o
u
r
n
a
l
o
f
Co
mp
u
ter
A
p
p
li
c
a
ti
o
n
s
,
v
o
l
/i
ss
u
e
:
1
(
1
)
,
p
p
.
65
-
7
0
,
F
e
b
2
0
1
0
.
B
I
O
G
RAP
H
I
E
S
O
F
AUTH
O
RS
V
id
h
y
a
.
D.S
.
is
a
P
h
d
c
a
n
d
id
a
te
in
E
lec
tro
n
ics
a
n
d
c
o
m
m
u
n
ica
t
io
n
e
n
g
g
a
t
A
ss
a
m
Do
n
Bo
sc
o
u
n
iv
e
rsity
,
G
u
w
a
h
a
ti
S
h
e
r
e
c
e
iv
e
d
h
e
r
M
tec
h
d
e
g
re
e
in
V
L
S
I
d
e
s
ig
n
a
n
d
Em
b
e
d
d
e
d
s
y
ste
m
f
ro
m
V
T
U
u
n
iv
e
rsity
.
S
h
e
h
a
s
m
o
re
t
h
a
n
1
4
y
e
a
rs
o
f
tea
c
h
in
g
e
x
p
e
rien
c
e
He
r
re
se
a
rc
h
a
r
e
w
o
rk
in
g
d
if
fe
re
n
t
a
p
p
li
c
a
ti
o
n
w
it
h
Em
b
e
d
d
e
d
M
icr
o
c
o
n
tro
l
lers
,
sig
n
a
l
p
r
o
c
e
ss
in
g
a
n
d
V
L
S
I.
M
a
n
ju
n
a
th
Ra
m
a
c
h
a
n
d
ra
g
o
t
h
is
P
h
D
f
ro
m
Ba
n
g
a
lo
re
u
n
iv
e
rsit
y
.
He
h
a
s
a
b
len
d
o
f
a
c
a
d
e
m
ic
a
n
d
in
d
u
stry
e
x
p
e
rien
c
e
o
v
e
r
t
w
o
d
e
c
a
d
e
s.
He
h
a
s
a
u
th
o
re
d
1
7
0
R
e
se
a
rc
h
p
a
p
e
rs
in
i
n
tern
a
ti
o
n
a
l
c
o
n
f
e
re
n
c
e
s
a
n
d
jo
u
r
n
a
ls
a
n
d
a
b
o
o
k
.
His
a
re
a
s
o
f
in
tere
st
in
c
lu
d
e
h
a
rd
w
a
re
,
sig
n
a
l
p
ro
c
e
ss
in
g
,
a
rti
f
icia
l
in
telli
g
e
n
c
e
e
tc.
Evaluation Warning : The document was created with Spire.PDF for Python.