CN104866902B - 用于太赫兹有源器件的神经网络建模方法 - Google Patents
用于太赫兹有源器件的神经网络建模方法 Download PDFInfo
- Publication number
- CN104866902B CN104866902B CN201510323649.1A CN201510323649A CN104866902B CN 104866902 B CN104866902 B CN 104866902B CN 201510323649 A CN201510323649 A CN 201510323649A CN 104866902 B CN104866902 B CN 104866902B
- Authority
- CN
- China
- Prior art keywords
- neutral net
- model
- correcting module
- terahertz
- roughcast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种用于太赫兹有源器件的神经网络建模方法,涉及太赫兹器件建模方法技术领域。所述方法在单纯神经网络建模的基础上加上空间映射的方法,将粗模型的输入电压通过神经网络映射到最终的精确模型的输入电压,由太赫兹有源器件的粗模型、输入端的神经网络修正模块、输出端的神经网络修正模块以及各个流控电流源和流控电压源等构成。所述方法针对传统经验模型在太赫兹频段的缺陷,通过神经网络的学习,自动地映射新、旧模型的输入和输出关系以修正粗模型,使得新模型与器件在太赫兹频段的测量特性相吻合,得到适用于太赫兹频段的神经网络模型,且新模型可定标。
Description
技术领域
本发明涉及太赫兹器件建模方法技术领域,尤其涉及一种用于太赫兹有源器件的神经网络建模方法。
背景技术
太赫兹(THz)波是指频率在0.3THz~3THz范围内的电磁波,广义的太赫兹波频率范围是0.1 THz~10THz,其中1THz=1000GHz。太赫兹波介于毫米波和红外光之间,是毫米波频率向上延伸进入光波前的过渡区。与微波毫米波相比,太赫兹波具有频率高、安全性好、穿透性好等特点,在电磁波频谱中占有很特殊的位置,太赫兹技术是国际科技界公认的一个非常重要的交叉前沿领域。
在太赫兹波段以下,目前传统的晶体管建模方法主要有物理模型和经验模型。物理模型是基于器件的物理特性和物理参量来进行模型的建立,需要对晶体管的电荷分布、电荷传输和电流连续性等非线性方程进行求解。该方法虽然模型精度较高,但其模型本身较为复杂、建模和电路仿真时间较长,并不太适合于电路设计,而更偏重于在晶体管的物理和几何尺寸上进行调整以改进其微波性能。经验模型是通过数学算法和经验模型公式来准确描述晶体管的各种外部响应,它在电路仿真和设计阶段的应用更加广泛。经验模型是晶体管的等效电路形式,并通过各种电特性的测量来确定一个晶体管的各个模型参数,最后将晶体管参数映射到网络元件来进行直流和微波特性的分析。一个好的晶体管模型应该具有结合自身物理特性、能够快速进行电路仿真、可预测晶体管响应、结构稳定、良好收敛性等特点。
在太赫兹频段,不断涌现出包含新技术和新材料的非传统器件,而这些新器件的机理有些尚不完全明确,但却需要快速准确地建立器件模型。而且由于频率很高,器件模型和电路设计都非常复杂,模型“差之毫厘”会导致产品设计“谬之千里”。现有的物理模型和经验模型均不能完全表征新器件的特性,不能够兼顾模型的准确性和快速性,不适用于太赫兹有源器件的快速建模和优化。
发明内容
本发明所要解决的技术问题是提供一种用于太赫兹有源器件的神经网络建模方法,所述方法针对传统经验模型(粗模型)在太赫兹频段的缺陷,通过神经网络的学习,自动地映射新、旧模型的输入和输出关系以修正粗模型,使得新模型与器件在太赫兹频段的测量特性相吻合,得到适用于太赫兹频段的神经网络模型,且新模型可定标。
为解决上述技术问题,本发明所采取的技术方案是:一种用于太赫兹有源器件的神经网络建模方法,其特征在于所述方法包括如下步骤:
1)通过直流和太赫兹频段的S参数建立太赫兹有源器件的粗模型,作为神经网络修正前的模型;
2)通过训练和映射的方法学习太赫兹有源器件的测试数据,并同非线性粗模型的仿真数据进行对比,构建粗模型的输入端口神经网络修正模块和输出端口神经网络修正模块;
3)通过输入端口神经网络修正模块和输出端口神经网络修正模块分别对粗模型的输入端口电压和输出端口电压进行修正的方式将测试和仿真的数据误差进行修正,得到一组神经网络修正参数,将得到的修正参数写入到输入端口神经网络修正模块和输出端口神经网络修正模块内;
4)粗模型输入端的第一流控电压源将输入端口神经网络修正模块产生的修正数据传输到粗模型的输入端端口,粗模型输出端的第二流控电压源将输出端口神经网络修正模块产生的修正数据传输到粗模型的输出端端口;
5)第一流控电流源和第二流控电流源将修正后的粗模型输出的电流通过第一传送端口和第二传输端口传送到粗模型的外部,从而得到适用于太赫兹频段的有源器件神经网络新模型。。
进一步的技术方案在于:所述粗模型为EEHEMT1模型或Angelov模型。
进一步的技术方案在于:所述神经网络修正模块的神经网络结构为三层。
进一步的技术方案在于:所述神经网络修正模块的神经元数量为10-30个。
进一步的技术方案在于:所述太赫兹有源器件为三极管、二极管或开关管
采用上述技术方案所产生的有益效果在于:该方法结合了神经网络和传统经验模型(粗模型)的优点,可以快速准确的建立太赫兹有源器件(三极管、二极管、开关管等)的模型。本方法针对传统经验模型(粗模型)在太赫兹频段的缺陷,通过神经网络的学习自动地映射新、旧模型的输入和输出关系以修正粗模型,使得新模型与器件在太赫兹频段的测量特性相吻合,得到适用于太赫兹频段的神经网络模型,且新模型可定标。
附图说明
图1是本发明建立的太赫兹有源器件的模型图;
其中:1、粗模型 2、输入端口神经网络修正模块 3、输出端口神经网络修正模块4、第一流控电压源 5、第二流控电压源 6、第一流控电流源 7、第二流控电流源 8、第一传送端口 9、第二传输端口。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
一种用于太赫兹有源器件的神经网络建模方法,所述方法包括如下步骤:
1)通过直流和太赫兹频段的S参数建立太赫兹有源器件的粗模型1,作为神经网络修正前的模型;所述粗模型可采用EEHEMT1模型或Angelov模型等成熟的经验模型,所述太赫兹有源器件可以为三极管、二极管或开关管等;直流和太赫兹频段的S参数测试数据需要满足测试偏置点充分完备和数据准确两个要求,以便神经网络可以进行充分的学习来保证模型准确度;
2)通过训练和映射的方法学习太赫兹有源器件的测试数据,并同非线性粗模型的仿真数据进行对比,构建粗模型的输入端口神经网络修正模块2和输出端口神经网络修正模块3;
3)通过输入端口神经网络修正模块2和输出端口神经网络修正模块3分别对粗模型1的输入端口电压和输出端口电压进行修正的方式将测试和仿真的数据误差进行修正,得到一组神经网络修正参数,将得到的修正参数写入到输入端口神经网络修正模块2和输出端口神经网络修正模块3内;
4)粗模型1输入端的第一流控电压源4将输入端口神经网络修正模块2产生的修正数据传输到粗模型1的输入端端口,粗模型1输出端的第二流控电压源5将输出端口神经网络修正模块3产生的修正数据传输到粗模型的输出端端口;
5)第一流控电流源6和第二流控电流源7将修正后的粗模型1输出的电流通过第一传送端口8和第二传输端口9传送到粗模型1的外部,从而得到适用于太赫兹频段的有源器件神经网络新模型,建立的模型如图1所示。
本发明所述的神经网络修正模块的神经元数量和神经网络层数需要设计人员精心计算得到。神经网络结构一般为3层,神经元数量需根据训练数据量得到,一般为10到30。为折中考虑神经网络训练的速度、精度和收敛性,需适当调整神经网络的结构层数和神经元数量。
该方法结合了神经网络和传统经验模型(粗模型)的优点,可以快速准确的建立太赫兹有源器件(三极管、二极管、开关管等)的模型。本方法针对传统经验模型(粗模型)在太赫兹频段的缺陷,通过神经网络的学习自动地映射新、旧模型的输入和输出关系以修正粗模型,使得新模型与器件在太赫兹频段的测量特性相吻合,得到适用于太赫兹频段的神经网络模型,且新模型可定标。
Claims (1)
1.一种用于太赫兹有源器件的神经网络建模方法,其特征在于所述方法包括如下步骤:
1)通过直流和太赫兹频段的S参数建立太赫兹有源器件的粗模型(1),作为神经网络修正前的模型;所述粗模型采用EEHEMT1模型或Angelov模型,所述太赫兹有源器件为三极管、二极管或开关管;直流和太赫兹频段的S参数测试数据需要满足测试偏置点充分完备和数据准确两个要求,以便神经网络进行充分的学习来保证模型准确度;
2)通过训练和映射的方法学习太赫兹有源器件的测试数据,并同非线性粗模型的仿真数据进行对比,构建粗模型的输入端口神经网络修正模块(2)和输出端口神经网络修正模块(3);所述神经网络修正模块的神经网络结构为三层,所述神经网络修正模块的神经元数量为10-30个;
3)通过输入端口神经网络修正模块(2)和输出端口神经网络修正模块(3)分别对粗模型(1)的输入端口电压和输出端口电压进行修正的方式将测试和仿真的数据误差进行修正,得到一组神经网络修正参数,将得到的修正参数写入到输入端口神经网络修正模块(2)和输出端口神经网络修正模块(3)内;
4)粗模型(1)输入端的第一流控电压源(4)将输入端口神经网络修正模块(2)产生的修正数据传输到粗模型(1)的输入端端口,粗模型(1)输出端的第二流控电压源(5)将输出端口神经网络修正模块(3)产生的修正数据传输到粗模型的输出端端口;
5)第一流控电流源(6)和第二流控电流源(7)将修正后的粗模型(1)输出的电流通过第一传送端口(8)和第二传输端口(9)传送到粗模型(1)的外部,从而得到适用于太赫兹频段的有源器件神经网络新模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510323649.1A CN104866902B (zh) | 2015-06-12 | 2015-06-12 | 用于太赫兹有源器件的神经网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510323649.1A CN104866902B (zh) | 2015-06-12 | 2015-06-12 | 用于太赫兹有源器件的神经网络建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104866902A CN104866902A (zh) | 2015-08-26 |
CN104866902B true CN104866902B (zh) | 2018-01-30 |
Family
ID=53912722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510323649.1A Active CN104866902B (zh) | 2015-06-12 | 2015-06-12 | 用于太赫兹有源器件的神经网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104866902B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268705B (zh) * | 2017-12-30 | 2021-08-31 | 中国电子科技集团公司第十三研究所 | 微波电路非线性模型建立方法、测量系统及终端设备 |
CN112505798B (zh) * | 2020-11-27 | 2022-07-01 | 河北雄安太芯电子科技有限公司 | 基于太赫兹的物体检测方法 |
CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力系统动态元件建模方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278799B1 (en) * | 1997-03-10 | 2001-08-21 | Efrem H. Hoffman | Hierarchical data matrix pattern recognition system |
CN103902668A (zh) * | 2014-03-14 | 2014-07-02 | 中国电子科技集团公司第十三研究所 | 一种InP基HEMT在太赫兹频段的建模方法 |
CN104268355A (zh) * | 2014-10-11 | 2015-01-07 | 中国电子科技集团公司第十三研究所 | GaAs基混频肖特基二极管毫米波及太赫兹频段建模方法 |
-
2015
- 2015-06-12 CN CN201510323649.1A patent/CN104866902B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278799B1 (en) * | 1997-03-10 | 2001-08-21 | Efrem H. Hoffman | Hierarchical data matrix pattern recognition system |
CN103902668A (zh) * | 2014-03-14 | 2014-07-02 | 中国电子科技集团公司第十三研究所 | 一种InP基HEMT在太赫兹频段的建模方法 |
CN104268355A (zh) * | 2014-10-11 | 2015-01-07 | 中国电子科技集团公司第十三研究所 | GaAs基混频肖特基二极管毫米波及太赫兹频段建模方法 |
Non-Patent Citations (4)
Title |
---|
Efficient analytical formulation and sensitivity analysis of neuro-space mapping for nonlinear microwave device modeling;Zhang L etal.;《IEEE Transactions on Microwave Theory and Techniques》;20050906;第53卷(第9期);第2752-2767页 * |
GaNHEMT毫米波器件及建模;王庆娜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;第37-43页 * |
Neuro-Space Mapping technique for nonlinear device modeling and large signal simulation;Zhang L etal.;《Microwave Symposium Digest, 2003 IEEE MTT-S International》;20030613;第173-176页 * |
太赫兹InPHEMTs的神经网络建模方法;杜光伟 等;《微波学报》;20150331;第52-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104866902A (zh) | 2015-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Modeling of nonlinear system based on deep learning framework | |
CN104866902B (zh) | 用于太赫兹有源器件的神经网络建模方法 | |
CN104459373B (zh) | 一种基于bp神经网络的节点电压暂降幅值计算方法 | |
CN101478069A (zh) | 基于核机器学习的微波滤波器辅助调试方法 | |
CN106777620A (zh) | 一种用于功率晶体管的神经网络空间映射建模方法 | |
CN103886374A (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
US10935581B2 (en) | Electric grid state estimation system and method based on boundary fusion | |
CN111181164B (zh) | 一种改进的主从分裂输配协同潮流计算方法及系统 | |
CN108170922A (zh) | 一种微波滤波器的辅助调试方法、设备及存储设备 | |
CN105426921B (zh) | 一种rfid标签天线优化方法 | |
CN106951960A (zh) | 一种神经网络及该神经网络的学习方法 | |
CN106443286A (zh) | 一种模拟电池包电路 | |
CN106646193B (zh) | 键合线s参数测试提取方法 | |
CN104052053B (zh) | 基于一元线性回归模型的配电网双端线路段阻抗分析方法 | |
CN110045317A (zh) | 一种互感器计量误差在线检测方法及系统 | |
Guo et al. | Passivity enforcement for passive component modeling subject to variations of geometrical parameters using neural networks | |
CN106875055A (zh) | 基于ahp和ga的储能装置参与电网调频的参数优化方法 | |
CN105787604B (zh) | 一种输配协同的配网态势快速感知方法 | |
CN107578100A (zh) | 一种基于过程参数的结果反馈方法及装置 | |
CN106777621A (zh) | 一种用于封装晶体管的神经网络空间映射建模方法 | |
CN105389441B (zh) | 1553b网络中指定位置的反射电压的获取方法及装置 | |
CN106446405A (zh) | 一种集成电路器件神经网络建模样本选择方法及装置 | |
CN106953331A (zh) | 一种考虑不确定性和三相不平衡的电力系统谐波潮流算法 | |
CN105703859A (zh) | 一种中压配电网载波通信技术的信道建模方法 | |
CN203164811U (zh) | 一种比较器失调电压补偿电路 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190614 Address after: 071700 Room 201, Area B, 1 Rongcheng Cinema Road, Rongcheng County, Baoding City, Hebei Province Patentee after: Hebei Xiongan Taixin Electronic Technology Co., Ltd. Address before: No. 113, Shijiazhuang City, Hebei, Hebei Patentee before: Inst No.13, Chinese Electronic Science and Technology Group Co |