CN108875172A - 一种基于神经网络的碳化硅场效应管模型 - Google Patents
一种基于神经网络的碳化硅场效应管模型 Download PDFInfo
- Publication number
- CN108875172A CN108875172A CN201810570107.8A CN201810570107A CN108875172A CN 108875172 A CN108875172 A CN 108875172A CN 201810570107 A CN201810570107 A CN 201810570107A CN 108875172 A CN108875172 A CN 108875172A
- Authority
- CN
- China
- Prior art keywords
- data
- filed effect
- neural network
- model
- sic filed
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一个简单而且精确地电路模型可以有效预测电子器件在具体电路或系统中的静态特性、开关特性和损耗,简化电路设计过程以及节省电路设计开支。本发明一种基于神经网络的碳化硅场效应管模型,采用多层前向型神经网络结构,包括一个输入层、一个隐含层和一个输出层,其中输入层有两个神经元,接收的参数分别为栅极电压和漏源电压,隐含层包括五个神经元,输出层的输出值为漏极电流。本发明提出的基于人工神经网络的等效电路模型,其所有训练模型所需的数据可直接从数据手册提取,无需额外的实验,提取参数方式简单。建立的模型可导入电路仿真软件,方便初级工程师使用。
Description
技术领域
本发明属于场效应管建模领域,尤其是一种基于神经网络的碳化硅场效应管模型。
背景技术
近年来,以SiC和GaN为代表,具有高击穿场强、小比导通电阻、高热导率等特性的宽禁带半导体成为了研究人员研究的重点。SiC MOSFET是最有潜力的SiC开关器件,用它来替换IGBT,可以设计出更高效、更小体积的开关功率变换器。在电力电子转换器设计优化中,一个简单而且精确地电路模型是非常重要的,它可以有效预测电子器件在具体电路或系统中的静态特性、开关特性和损耗,简化电路设计过程以及节省电路设计开支。现有碳化硅场效应管的物理模型过于复杂,简化为多项式模型后其准确度下降过多,仿真结果与实际测量值相差较大,不能准确评估器件特性。
人工神经网络模拟人脑的物理结构和机理,不同于人工智能技术的符号推理,逻辑思维。善于处理不完全联想记忆,特征缺陷模式识别等,尤其在难以建立模型的复杂问题中起着不可替代的作用。
发明内容
本发明采用人工神经网络构建碳化硅场效应管模型,在模型的准确度和模型的复杂度上找到了一个很好的平衡点。为实现这一目的,本发明采用的技术方案如下:
一种基于神经网络的碳化硅场效应管模型,模型采用的神经网络为多层前向型神经网络,包括一个输入层、一个隐含层和一个输出层,输入层有两个神经元,接收的参数分别为栅极电压和漏源电压,隐含层包括五个神经元,输出层的输出值为漏极电流。
进一步的,隐含层使用的激活函数为双曲正切函数。
进一步的,输出层使用的激活函数为线性函数。
进一步的,确定碳化硅场效应管模型参数的方法,包括步骤:
步骤1.采集数据;
步骤2.处理采集的数据;
步骤3.训练模型,
其中步骤1中采集的数据包括栅极电压、漏源电压和漏极电流,通过碳化硅场效应管数据手册中的输出特性曲线和转移特性曲线确定每组数据的具体数值。
进一步的,将采集数据中的70%的数据作为训练数据,15%的数据作为验证数据,15%的数据作为测试数据。
进一步的,步骤2中对采集的数据进行归一化处理,采用的公式为:
进一步的,训练算法使用Matlab中的trainlm算法,通过均方差判定训练是否达到最优解。
进一步的,若验证数据的误差曲线经连续6次迭代后不再下降,则认为训练已经达到最优解。
与现有技术相比,本发明的有益效果在于:
1.建立的模型可以准确的描述实际碳化硅场效应管器件的特性。
2.建立的模型便于操作,方便初级工程师使用。
3.训练模型所需要的参数均从数据手册提取,无需额外的实验,提取参数方式简单。
本发明的另一目的在于提出一种将基于神经网络的碳化硅场效应管模型导入Pspice软件的方法,包括步骤:
步骤1.提取已经建立好的碳化硅场效应管模型中的权值和阈值;
步骤2.建立隐含层神经元模型等效电路;
步骤3.结合权值、阈值和等效电路编写Pspice支持的模型文件。
与现有技术相比,本发明的有益效果在于:
1.将建立的模型导入到实际的仿真软件中,使模型有实际应用的价值。
附图说明
图1是神经网络模型结构图;
图2是实施例中使用的输出特性曲线图;
图3是实施例中使用的转移特性曲线图;
图4是实施例中建立的等效电路图;
图5是建立的模型的输出特性曲线图。
具体实施方式
如图1所示,模型采用的神经网络为多层前向型神经网络,包括一个输入层、一个隐含层和一个输出层,输入层有两个神经元,接收的参数分别为栅极电压和漏源电压,隐含层包括五个神经元,输出层的输出值为漏极电流。
其中隐含层的输入按下式计算:
neti=wi1x1+wi2x2+wi0
其中neti为隐含层第i个神经元的输入,wi1为x1的隐含层权值,wi2为x2的隐含层权值,wi0为隐含层阈值,x1为栅极电压,x2为漏源电压。
隐含层激活函数采用双曲正切函数,隐含层输出的计算公式为:
其中neti为隐含层第i个神经元的输入。
输出层的输入计算公式为:
其中θi为f(neti)的输出层权值,β为输出层阈值。
输出层激活函数采用purelin函数,即输入与输出值相同。
本实施例中建模对象是cree公司的C3M0065090D,求取模型参数时,首先采用getdata软件根据数据手册中提供的场效应管的输出特性曲线和转移特性曲线提取训练和测试神经网络所需要的数据,共采集700组数据,每组包括一个栅极电压、一个漏源电压和一个漏极电流。采集过后为了缩小数值差别使迭代过程快速收敛,将提取的数据进行归一化处理,其公式为:
处理过后取70%为训练数据,15%为验证数据,15%为测试数据。
训练算法为综合考虑收敛速度和准确度的trainlm算法,通过均方差判定训练是否达到最优解,若验证数据的误差曲线经连续6次迭代后不再下降,则认为训练已经达到最优解。
电子器件的模型必须能够应用于电路设计分析才具有实际意义。为达到这一目的将神经网络模型导入电路仿真软件Pspice中,首先将所建立的神经网络模型中感知器的阈值和权值提取出来,如下表所示:
接着利用压控电压源表示传输函数,表达式为:
并建立隐含层神经元模型等效电路,然后编写模型文件,其中数据归一化过程的电路语句为:
.subckt process 1 2
E_E1 2 0value={a*V(1)+b}
R_R1 2 0 100meg
.ends process
其中a、b为常值系数,由上文所提数据归一化公式计算得出,即
隐藏层中神经元的电路描述语句为:
.subckt nnhide 1 2 5
R_R1 0 1 100meg
R_R2 0 2 100meg
E_E1 N00490 0
R_R3 0N00490 100meg
R_R4 0 5 100meg
E_E2 5 0 VALUE={2/(1+EXP(-2*V(N00490)))-1}
.ends nnhide
输出层的电路描述语句为:
.subckt nn21 1 2 3 4 5 6
E_E1 60
.ends nn21
本发明中建立的模型在精确度和简单性之间找到了一个极佳的平衡点,不仅可以准确模拟SiC MOSFET器件特性,还易于操作,利于工程分析。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (9)
1.一种基于神经网络的碳化硅场效应管模型,其特征在于,模型采用的神经网络为多层前向型神经网络,包括一个输入层、一个隐含层和一个输出层,输入层有两个神经元,接收的参数分别为栅极电压和漏源电压,隐含层包括五个神经元,输出层的输出值为漏极电流。
2.如权利要求1所述一种基于神经网络的碳化硅场效应管模型,其特征在于,隐含层使用的激活函数为双曲正切函数。
3.如权利要求1所述一种基于神经网络的碳化硅场效应管模型,其特征在于,输出层使用的激活函数为线性函数。
4.一种确定碳化硅场效应管模型参数的方法,其特征在于,包括步骤:
步骤1.采集数据;
步骤2.处理采集的数据;
步骤3.训练模型,
其中步骤1中采集的数据包括栅极电压、漏源电压和漏极电流,通过碳化硅场效应管数据手册中的输出特性曲线和转移特性曲线确定每组数据的具体数值。
5.如权利要求4所述一种确定碳化硅场效应管模型参数的方法,其特征在于,将采集数据中的70%的数据作为训练数据,15%的数据作为验证数据,15%的数据作为测试数据。
6.如权利要求4所述一种确定碳化硅场效应管模型参数的方法,其特征在于,步骤2中对采集的数据进行归一化处理,采用的公式为:
7.如权利要求4所述一种确定碳化硅场效应管模型参数的方法,其特征在于,训练算法使用Matlab中的trainlm算法,通过均方差判定训练是否达到最优解。
8.如权利要求7所述一种确定碳化硅场效应管模型参数的方法,其特征在于,若验证数据的误差曲线经连续6次迭代后不再下降,则认为训练已经达到最优解。
9.一种将基于神经网络的碳化硅场效应管模型导入Pspice软件的方法,其特征在于,包括步骤:
步骤1.提取已经建立好的碳化硅场效应管模型中的权值和阈值;
步骤2.建立隐含层神经元模型等效电路;
步骤3.结合权值、阈值和等效电路编写Pspice支持的模型文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570107.8A CN108875172A (zh) | 2018-06-05 | 2018-06-05 | 一种基于神经网络的碳化硅场效应管模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570107.8A CN108875172A (zh) | 2018-06-05 | 2018-06-05 | 一种基于神经网络的碳化硅场效应管模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875172A true CN108875172A (zh) | 2018-11-23 |
Family
ID=64336870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810570107.8A Pending CN108875172A (zh) | 2018-06-05 | 2018-06-05 | 一种基于神经网络的碳化硅场效应管模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875172A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837721A (zh) * | 2019-10-28 | 2020-02-25 | 北京大学深圳研究院 | 一种基于神经网络算法的隧穿双栅晶体管特性模拟方法 |
CN116994954A (zh) * | 2023-09-26 | 2023-11-03 | 贵州芯际探索科技有限公司 | 一种igbt沟槽栅的排布方法及排布结构 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663200A (zh) * | 2012-04-24 | 2012-09-12 | 北京航空航天大学 | 一种砷化镓场效应管温度影响模型的建立方法 |
CN104915515A (zh) * | 2015-06-26 | 2015-09-16 | 武汉大学 | 一种基于bp神经网络的gfet建模方法 |
CN106446310A (zh) * | 2015-08-06 | 2017-02-22 | 新加坡国立大学 | 基于人工神经网络的晶体管及系统建模方法 |
-
2018
- 2018-06-05 CN CN201810570107.8A patent/CN108875172A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663200A (zh) * | 2012-04-24 | 2012-09-12 | 北京航空航天大学 | 一种砷化镓场效应管温度影响模型的建立方法 |
CN104915515A (zh) * | 2015-06-26 | 2015-09-16 | 武汉大学 | 一种基于bp神经网络的gfet建模方法 |
CN106446310A (zh) * | 2015-08-06 | 2017-02-22 | 新加坡国立大学 | 基于人工神经网络的晶体管及系统建模方法 |
Non-Patent Citations (7)
Title |
---|
(美)拉夫烈茨基 等: "《鲁棒自适应控制及其航空航天应用》", 28 February 2015, 北京:国防工业出版社 * |
丛爽: "《智能控制系统及其应用》", 31 August 2013, 合肥:中国科学技术大学出版社 * |
张妮 等: "《计算法学导论》", 30 June 2015, 成都:四川大学出版社 * |
李强: "《生物医用多孔金属材料的制备及表面改性》", 31 August 2016, 北京:冶金工业出版社 * |
杨光辉 等: "《冷连轧带钢板形控制与检测》", 31 January 2015, 北京:冶金工业出版社 * |
梁景凯 等: "《智能控制技术》", 31 March 2016, 哈尔滨:哈尔滨工业大学出版社 * |
马凌云: "基于神经网络的传感器PSPice模型的建模方法研究", 《万方数据库.学位论文库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837721A (zh) * | 2019-10-28 | 2020-02-25 | 北京大学深圳研究院 | 一种基于神经网络算法的隧穿双栅晶体管特性模拟方法 |
CN116994954A (zh) * | 2023-09-26 | 2023-11-03 | 贵州芯际探索科技有限公司 | 一种igbt沟槽栅的排布方法及排布结构 |
CN116994954B (zh) * | 2023-09-26 | 2023-12-26 | 贵州芯际探索科技有限公司 | 一种igbt沟槽栅的排布方法及排布结构 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871976B (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
Cheng et al. | A rapid spiking neural network approach with an application on hand gesture recognition | |
CN105160401B (zh) | 一种基于忆阻器阵列的wta神经网络及其应用 | |
US20220222409A1 (en) | Method and system for predicting remaining useful life of analog circuit | |
CN103678941A (zh) | 电极空气间隙击穿电压的预测方法 | |
CN108875172A (zh) | 一种基于神经网络的碳化硅场效应管模型 | |
CN104750915A (zh) | 一种Buck电路多参数在线辨识方法 | |
Weihong et al. | Optimization of BP neural network classifier using genetic algorithm | |
Zhang et al. | Growing-type WASD for power-activation neuronet to model and forecast monthly time series | |
Zhang | Evaluating the effects of size and precision of training data on ANN training performance for the prediction of chaotic time series patterns | |
Lee et al. | Simplified silicon carbide MOSFET model based on neural network | |
Duan et al. | PD pattern recognition of XLPE cable based on parameter optimal support vector machine algorithm | |
Xuan | Research on quantum adaptive resonance theory neural network | |
Lu et al. | Hybrid Methodology Based on Extension Neural Network for Fault Diagnosis of Photovoltaic Module. | |
Chen | Research on multi-sensor data fusion technology based on PSO-RBF neural network | |
Wei et al. | A three layers multiple kernel learning model for analog circuit fault diagnosis | |
Gong et al. | Fault pattern recognition of partial discharge based on improved particle swarm optimization | |
Kejie et al. | A Multi-sensor Fusion Approach for Susceptibility Analysis in Smart Substation based on Deep Bayesian Network | |
Zhang et al. | Self-powered Triboelectric Sensor with Data Classification Model based on Support Vector Machine and Convolutional Neural Network | |
Li et al. | Prediction technique for transformer oil breakdown voltage via multi-parameter correlation based on grey theory and BP neural network | |
Zhang et al. | Fault Recognition of Analog Circuits Based on Ultra-Lightweight Subspace Attention Module | |
Mo | Study on surface settlement prediction technique based on BP neural network | |
Zhao et al. | A generalized regression neural network based on fuzzy means clustering and its application in system identification | |
Zhang | Chaotic System Design Based on Recurrent Artificial Neural Network for the Simulation of EEG Time Series | |
CN116819382A (zh) | 一种基于数字孪生的dc-dc变换器状态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |