一种用于大信号功率晶体管的神经网络空间映射建模方法技术

本发明专利技术属于微波电路与器件建模领域，提供了一种用于大信号功率晶体管的神经网络空间映射建模方法。该方法首先建立一个带电容和电感的神经网络空间映射模型，分别改变模型的直流和交流特性；然后采用新颖的非线性函数提取附加电流信号，以改善现有器件模型的大信号特性，同时保持S参数不变。最后采用逐步的训练方法快速训练所提出的神经网络空间映射模型，避免变量重复调整，缩短了建模周期。

A neural network spatial mapping method for large signal power transistors

The invention belongs to the field of microwave circuit and device modeling, and provides a neural network space mapping modeling method for high signal power transistors. Firstly, a neural network space mapping model with capacitance and inductance is established to change the DC and AC characteristics of the model, and then a novel nonlinear function is used to extract the additional current signal to improve the large signal characteristics of the existing device models while keeping the S parameters unchanged. Finally, the proposed neural network spatial mapping model is trained quickly by step-by-step training method, which avoids repeated adjustments of variables and shortens the modeling period.

【技术实现步骤摘要】
一种用于大信号功率晶体管的神经网络空间映射建模方法
本专利技术涉及微波电路与器件建模领域，尤其涉及神经网络空间映射技术在微波建模领域的应用。
技术介绍
随着半导体制造工艺的发展，建立精确的大信号功率晶体管的计算机辅助设计模型是必要的。用于商用微波电路仿真软件中的大信号功率晶体管模型在电路和系统设计中起决定性作用。电路的集成度越来越高，为了缩短设计和生产电路周期，对高效的大信号建模需求越来越大。近来，神经网络空间映射(Neuro-SM)技术已被认为是微波建模领域中代替传统方法的有效方法。该技术使用神经网络将现有模型的电压和电流信号映射为精确的电压和电流信号。对于大信号功率晶体管建模，目前提出了两种方法：用动态神经网络作为功率晶体管的Neuro-SM模型的映射网络；在现有器件模型上添加两个映射网络，以匹配晶体管的大信号特性。这些现有的Neuro-SM建模方法通过用相同的神经网络改善模型的直流和交流特性，增加了优化难度，所以对精度高，操作简单的大信号建模仍然有待研究的。因此，本专利技术的目的是通过提出一种适用于大信号功率晶体管的神经网络空间映射建模方法和先进的训练方法，避免变量重复调整，降低优化难度，提高建模效率。
技术实现思路
本专利技术的目的是提出一种用于大信号功率晶体管的神经网络空间映射建模方法。该方法建立了一个新的Neuro-SM模型，分别改变模型的直流和交流特性；用新颖的非线性函数提取附加电流信号，以改善现有器件模型的大信号特性，同时保持S参数不变。用逐步的训练方法快速训练所提出的Neuro-SM模型，避免变量重复调整。一种用于大信号功率晶体管的神经网络空间映射建模方法，包括下列步骤：步骤1：将激励信号(输入功率Pin、源阻抗ZS、负载阻抗ZL、基频freq、栅极偏置电压Vgf和漏极偏置电压Vdf)加载到粗模型，得到粗模型的输出电流信号idc；步骤2：粗模型的输出电流信号通过电路中的电容电感分为直流分量idc_DC和交流分量idc_AC；步骤3：映射网络中直流分量直接加载到细模型，交流信号idc_AC中通过非线性公式fFUN()·fANN()提取附加电流idc_add并添加到映射电流idf中，采用fFUN()函数来保证粗模型的大信号特征发生变化，而S参数保持不变；步骤4：映射网络实现了漏极电流从idc到idf信号调整，根据激励信号(输入功率Pin、源阻抗ZS、栅极偏置电压Vgf和漏极偏置电压Vdf)和映射电流idf计算大信号模型的精确输出(输出功率Pout、增益Gain、功率效率η和功率附加功率PAE)：步骤5：训练模型时首先通过求解fFUN(idc_AC，k)＝0和fANN(idc_AC，w)＝1初始化映射网络，并得到初始变量(k0，w0)，从而保证模型不因引入映射网络使模型性能变差；步骤6：固定变量w0并优化变量k0至k*，使得训练误差尽可能小；步骤7：固定变量k*并优化变量w0至w*，使得训练误差尽可能小，提高神经网络空间映射模型在大信号模拟中的精度；步骤8：优化变量(k*，w*)至(k#，w#)，使训练误差尽可能小，使得神经网络空间映射模型与测量或仿真数据良好匹配；本专利技术步骤2中，粗模型的输出电流信号分为idc＝idc_DC+idc_AC(1)本专利技术步骤3中，通过非线性公式fFUN()·fANN()提取附加电流idc_add：idc_add＝fFUN(idc_AC，k)·fANN(idc_AC，w)(2)fANN()表示多层感知器，w表示多层感知神经网络的权重值，fFUN()计算公式如下：k是fFUN()中所有优化变量(a1，a2，b1，b2)的向量总称，采用分段函数保证了在不改变粗模型S参数的情况下使得大信号特性得到改善。本专利技术步骤3中，映射电流为if＝idc_DC+idc_AC+idc_add(4)本专利技术提出的神经网络空间映射建模方法不仅不需要功率晶体管内部结构信息，而且神经网络结构简单，优化参数独立控制模型不同特性输出，模型直流特性和交流特性之间互不影响，采用逐步训练模型的方法避免了变量的重复调整，操作简单，缩短了建模周期。附图说明图1是本专利技术结构框图；图2是依照本专利技术实施例对大信号功率晶体管建模流程图；图3是本专利技术实施例的样本数据和模型输出特性曲线。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施例作详细描述。如图2所示，本专利技术一种用于大信号功率晶体管的神经网络空间映射建模方法中，大信号输入样本数据是输入功率、源阻抗、负载阻抗、基频、电压，记为[Pin，ZS，ZL，freq，Vgf，Vdf]T；大信号输出样本数据是输出功率，增益，功率效率，功率附加功率，记为[Pout，Gain，η，PAE]T。搭建如图1所示的神经网络结构。此时将直流和S参数模拟中测量数据拟合好的模型作为现有的粗模型。映射网络采用3层感知器结构，输入信号为[idc_DC，idc_AC]T，输出信号为[idf]T。为保证加载映射网络不降低粗模型的大信号特性，设置fFUN(idc_AC，k)＝0和fANN(idc_AC，w)＝1初始化映射网络，从而保证模型不因引入映射网络使其性能变差；固定初始权重值w0并优化变量k0至k*，通过几次迭代可以实现显着的性能改进，若训练误差或测试误差不满足精度要求则继续固定变量k*并优化变量w0至w*，可以提高神经网络空间映射模型在大信号模拟中的精度；若训练或测试误差同时精度要求则停止训练，否则微调(k*，w*)至(k#，w#)，使训练误差尽可能小，使得神经网络空间映射模型与测量或仿真数据更好匹配。图3为利用本专利技术建模方法建立模型输出特性(PAE，Gain)曲线与样本数据比较图，可以看出模型的输出曲线与样本数据拟合度良好。本文档来自技高网...

【技术保护点】
1.一种用于大信号功率晶体管的神经网络空间映射建模方法，包括下列步骤：步骤1：将激励信号(输入功率Pin、源阻抗ZS、负载阻抗ZL、基频freq、栅极偏置电压Vgf和漏极偏置电压Vdf)加载到粗模型，得到粗模型的输出电流信号idc；步骤2：粗模型的输出电流信号通过电路中的电容电感分为直流分量idc_DC和交流分量idc_AC；步骤3：在映射网络中直流分量直接传到细模型，交流信号idc_AC中通过非线性公式fFUN()·fANN()提取附加电流idc_add并添加到映射电流idf中，采用fFUN()函数来保证粗模型的大信号特征发生变化，而S参数保持不变；步骤4：映射网络实现了漏极电流从idc到idf信号调整，根据激励信号(输入功率Pin、源阻抗ZS、栅极偏置电压Vgf和漏极偏置电压Vdf)和映射电流idf计算大信号模型的精确输出(输出功率Pout、增益Gain、功率效率η和功率附加功率PAE)；步骤5：训练模型时首先通过求解fFUN(idc_AC，k)＝0和fANN(idc_AC，w)＝1初始化映射网络，并得到初始变量(k0，w0)，从而保证模型不因引入映射网络使模型性能变差；步骤6：修正变量w0并优化变量k0至k*，使得训练误差尽可能小；步骤7：修正变量k*并优化变量w0至w*，使得训练误差尽可能小，提高神经网络空间映射模型在大信号模拟中的精度；步骤8：优化变量(k*，w*)至(k#，w#)，使训练误差尽可能小，使得神经网络空间映射模型与测量或仿真数据良好匹配。...

【技术特征摘要】
1.一种用于大信号功率晶体管的神经网络空间映射建模方法，包括下列步骤：步骤1：将激励信号(输入功率Pin、源阻抗ZS、负载阻抗ZL、基频freq、栅极偏置电压Vgf和漏极偏置电压Vdf)加载到粗模型，得到粗模型的输出电流信号idc；步骤2：粗模型的输出电流信号通过电路中的电容电感分为直流分量idc_DC和交流分量idc_AC；步骤3：在映射网络中直流分量直接传到细模型，交流信号idc_AC中通过非线性公式fFUN()·fANN()提取附加电流idc_add并添加到映射电流idf中，采用fFUN()函数来保证粗模型的大信号特征发生变化，而S参数保持不变；步骤4：映射网络实现了漏极电流从idc到idf信号调整，根据激励信号(输入功率Pin、源阻抗ZS、栅极偏置电压Vgf和漏极偏置电压Vdf)和映射电流idf计算大信号模型的精确输出(输出功率Pout、增益Gain、功率效率η和功率附加功率PAE)；步骤5：训练模型时首先通过求解fFUN(idc_AC，k)＝0和fANN(idc_AC，w)＝1初始化映射网络，并得到初始变量(k0，w0)，从而保证模型不因引入映射网络使模型性能变差；步骤6：修正变量w0并优化变量k0至k*，使得训...

【专利技术属性】
技术研发人员：闫淑霞，靳晓怡，张垚芊，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津,12