CN108549767B - 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 - Google Patents

Abstract

本发明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。

Description

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

技术领域

本发明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。

背景技术

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，本发明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。

发明内容

本发明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P_in、源阻抗Z_S、负载阻抗Z_L、基频freq、栅极偏置电压V_gf和漏极偏置电压V_df)加载到粗模型，得到粗模型的输出电流信号i_dc；

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i_{dc_DC}和交流分量i_{dc_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i_{dc_AC}中通过非线性公式f_FUN()·f_ANN()提取附加电流i_{dc_add}并添加到映射电流i_df中，采用f_FUN()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i_dc到i_df信号调整，根据激励信号(输入功率P_in、源阻抗Z_S、栅极偏置电压V_gf和漏极偏置电压V_df)和映射电流i_df计算大信号模型的精确输出(输出功率P_out、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f_FUN(i_{dc_AC}，k)＝0和f_ANN(i_{dc_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；

本发明步骤2中，粗模型的输出电流信号分为

i_dc＝i_{dc_DC}+i_{dc_AC} (1)

本发明步骤3中，通过非线性公式f_FUN()·f_ANN()提取附加电流i_{dc_add}：

i_{dc_add}＝f_FUN(i_{dc_AC}，k)·f_ANN(i_{dc_AC}，w) (2)

f_ANN()表示多层感知器，w表示多层感知神经网络的权重值，f_FUN()计算公式如下：

k是f_FUN()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。

本发明步骤3中，映射电流为

i_f＝i_{dc_DC}+i_{dc_AC}+i_{dc_add} (4)

本发明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是本发明结构框图；

图2是依照本发明实施例对大信号功率晶体管建模流程图；

图3是本发明实施例的样本数据和模型输出特性曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施例作详细描述。

如图2所示，本发明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[P_in，Z_S，Z_L，freq，V_gf，V_df]^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[P_out，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[i_{dc_DC}，i_{dc_AC}]^T，输出信号为[i_df]^T。为保证加载映射网络不降低粗模型的大信号特性，设置f_FUN(i_{dc_AC}，k)＝0和f_ANN(i_{dc_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为利用本发明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。

Claims (3)

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：将输入功率P_in、源阻抗Z_S、负载阻抗Z_L、基频freq、栅极偏置电压V_gf和漏极偏置电压V_df加载到粗模型，得到粗模型输出电流信号i_dc；

步骤2：粗模型输出电流信号i_dc通过电路中的电容电感分为直流分量信号i_{dc_DC}和交流分量信号i_{dc_AC}；

步骤3：在映射网络中，利用交流分量信号i_{dc_AC}提取附加电流信号i_{dc_add}并添加到细模型输出电流信号i_df中，附加电流信号i_{dc_add}的表达式为i_{dc_add}＝f_FUN(i_{dc_AC}，k)·f_ANN(i_{dc_AC}，w)，其中f_ANN()表示多层感知器，w表示多层感知神经网络的内部权重变量，f_FUN()计算公式为

k是f_FUN()中所有优化变量a₁、a₂、b₁和b₂的总称，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；

步骤4：根据输入功率P_in、源阻抗Z_S、栅极偏置电压V_gf、漏极偏置电压V_df和电流信号i_df计算大信号模型的输出功率P_out、增益Gain、功率效率η和功率附加效率PAE；

步骤5：求解f_FUN(i_{dc_AC}，k)＝0和f_ANN(i_{dc_AC}，w)＝1进行映射网络初始化，并得到变量k的初始值k₀，得到变量w的初始值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：为了使训练误差满足要求，固定变量值w₀并优化变量值k₀至k^*；

步骤7：为了使训练误差满足要求，固定变量值k^*并优化变量值w₀至w^*，进一步提高神经网络空间映射模型在大信号仿真中的精度；

步骤8：为了使训练误差满足要求，优化变量值k^*至k^#，优化变量值w^*至w^#，从而使得神经网络空间映射模型与测量或仿真数据良好匹配。

2.根据权利要求1所述的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，其特征在于，步骤2中，粗模型输出电流信号i_dc表达式为i_dc＝i_{dc_DC}+i_{dc_AC}。

3.根据权利要求1所述的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，其特征在于，步骤3中，细模型输出电流信号i_df表达式为i_df＝i_{dc_DC}+i_{dc_AC}+i_{dc_add}。

Images