CN110135010A - 使用建模指导射频功率放大器级间匹配电路的设计方法 - Google Patents
使用建模指导射频功率放大器级间匹配电路的设计方法 Download PDFInfo
- Publication number
- CN110135010A CN110135010A CN201910328798.5A CN201910328798A CN110135010A CN 110135010 A CN110135010 A CN 110135010A CN 201910328798 A CN201910328798 A CN 201910328798A CN 110135010 A CN110135010 A CN 110135010A
- Authority
- CN
- China
- Prior art keywords
- data
- power amplifier
- level
- impedance
- modeling
- 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]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Amplifiers (AREA)
Abstract
本发明公开一种使用建模指导射频功率放大器级间匹配电路的设计方法,包括以下步骤:获取第一、二级功率放大器宽带内各频点第一级的输出阻抗数据以及第二级的输入阻抗数据;第一级的输出阻抗数据、第二级的输入阻抗数据处理后作为阻抗值做建模的训练和测试数据,分别训练第一级输出阻抗及第二级输入阻抗的BPNN模型,获得BPNN模型;由BPNN模型得到的两级功率放大器的级间阻抗在各频点的数据,在做级间匹配电路设计及优化时直接调用BPNN模型中的数据。本发明借用神经网络的运算能力,使用神经网络根据电路的仿真数据建模,由模型预测电路未仿真的数据,从而节约大量的仿真优化的时间。
Description
技术领域
本发明涉及射频微波功率放大器的电路设计技术领域,特别是涉及一种使用建模指导射频功率放大器级间匹配电路的设计方法。
背景技术
随着现代无线通信的迅猛发展,射频功率放大器作为系统中最昂贵、功耗最大的非线性器件在射频领域得到广泛研究。射频功率放大器作为无线发射机射频前端最关键的模块,其研究一直以来都是射频/微波通信领域的焦点。在传统多级功率放大器的级间匹配设计过程中设计者需要花大量时间用在仿真修改优化上。为提高产品性能、缩短设计周期、降低成本,设计人员往往依赖于计算机辅助设计(Computer-Aided Design,CAD)中高效准确的器件模型。计算机辅助设计技术CAD和建模技术是微波/射频电路设计的基础。高效的仿真软件和精确的模型对提高产品设计成功率起着至关重要的作用。过去几十年中,微波CAD技术发展推动了有源、无源和微波电路器件模型的建立。精度高、性能好的模型为设计出结构复杂,要求严格的电路和系统提供了可能。
然而,在传统多级功率放大器的级间匹配设计过程中,为了达到好的匹配效果设计者需要长时间的优化匹配电路,尤其是复杂电路设计中仿真一次往往需要花费较长时间,而电路设计需要很多次仿真优化,完成一次设计常常花费很长时间。即基于传统的多级功率放大器的设计方法的费时费力的缺陷与现有的器件建模技术的快速发展不能相适应。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷,而提供一种使用建模指导射频功率放大器级间匹配电路的设计方法。
为实现本发明的目的所采用的技术方案是:
一种使用建模指导射频功率放大器级间匹配电路的设计方法,包括以下步骤:
S101,获取第一级功率放大器宽带内各频点第一级的输出阻抗数据;以及第二级功率放大器宽带内各频点第二级的输入阻抗数据;
S102,对第一级的输出阻抗数据、第二级的输入阻抗数据处理后作为阻抗值做建模的训练和测试数据,分别训练第一级输出阻抗及第二级输入阻抗的BPNN模型,训练后经测试达到预定目标后停止训练,获得BPNN模型;
S103,由BPNN模型得到的两级功率放大器的级间阻抗在各频点的数据,在做级间匹配电路设计及优化时直接调用BPNN模型中的数据进行设计与优化。
其中,所述一级的输出阻抗数据、第二级的输入阻抗数据,分别由复数整理分离为实部和虚部,并按照BPNN程序读取数据的要求整理成Excel文件,将总体数据按照1:1的比例间隔取点分为训练数据和测试数据。
其中,通过仿真第一级功率放大器用Load-pull得到宽带内各频点第一级的输出阻抗数据;仿真第二级功率放大器用Source-Pull得到宽带内各频点第二级的输入阻抗数据。
与现有技术相比,本发明的有益效果是:
本发明借用计算机神经网络的运算能力,使用神经网络根据电路的仿真数据建模,由模型预测电路未仿真的数据,从而节约大量的仿真优化的时间,缩短设计周期、降低成本,从而可以缩短在功率放大器的设计过程中需要花费的大量仿真优化时间。
附图说明
图1所示为使用建模指导射频功率放大器级间匹配电路的设计方法的整体流程示意图;
图2所示为BPNN神经网络模型的示意图;
图3-4所示为根据功率放大器的第一级仿真原理图仿真的在各频点的阻抗值的实部与虚部示意图;
图5-6所示为根据功率放大器的第二级仿真原理图仿真的在各频点的阻抗值的实部与虚部的示意图;
图7-8所示为第一级输出阻抗的建模结果的阻抗实部与阻抗虚部的模型数据和实测数据对比结果示意图;
图9-10所示为第二级输入阻抗的建模结果的阻抗实部与阻抗虚部的模型数据和实测数据对比结果;
图11所示为级间匹配电路设计原理图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明使用神经网络BPNN做两级功率放大器的阻抗建模,本发明的射频功率放大器级间匹配电路的设计方法,具体包括以下步骤:
S101,在设计带宽内取点,仿真第一级功率放大器用Load-pull得到第一级的输出阻抗;仿真第二级功率放大器用Source-Pull得到第二级的输入阻抗;各频点对应的阻抗值做建模的训练和测试数据;
S102,分别训练第一级输出阻抗及第二级输入阻抗BPNN模型,在精度达到可用的即为完成;
S103,由模型得到的两级功率放大器的级间阻抗在各频点的数据,在做级间匹配电路设计及优化时可直接调用模型中的数据。
BP神经网络是目前为止最为成功的神经网络模型之一。在这个神经网络模型中,神经元接收来自n个其他神经元传递过来的输入信号,这些输入信号通过带权重的连接进行传递,神经元接收到的总输入值将与神经元的阈值进行比较,然后通过“激活函数”处理产生神经元的输出。对于BP神经网络,需要使用训练数据集对其进行参数训练,然后使用测试数据检验训练结果,如果训练效果达标,则可使用训练出的数据应用于电路在设计中。
在第一步S101中,在获得相应的阻抗值数据后,将阻抗值由复数整理分离为实部和虚部,并按照BPNN程序读取数据的要求整理成Excel文件。将总体数据按照1:1的比例间隔取点分为训练数据和测试数据,训练数据用于训练模型,测试数据用于测试模型的精度。
需要说明的,本发明获取阻抗数据可通过仿真实现,亦可采用实测的方法获取阻抗数据,方法不唯一,只为获取阻抗数据。图3-6为根据第一级仿真原理图与第二级仿真原理图仿真的在各频点的阻抗值,已经分离实部虚部。根据BPNN程序中读入数据的方式修改训练和测试数据的Excel。
其中,在形成阻抗值数据后,要进行BPNN建模:
具体是,将整理好的功率放大器第一级输入阻抗实部、虚部的Excel文件分别用BPNN建模,建模精度低于10-3则模型可用。使用BPNN设置为双隐藏层,第一层隐藏层5个神经元,第二层8个神经元。隐藏层数和隐藏层神经元数可以根据数据量和建模结果做调整达到精度要求即可。功率放大器第一级输出阻抗以及第二级的输入阻抗的的实部虚部模型数据和实测数据对比结果,如图7-10所示。由第二步数据对比图7-10中可以看出,测试数据与建模预测的数据重合度非常高,那么可认定在建模频率范围内的其他频率点的阻抗值均可得到很准确的阻抗值,即在阻抗匹配电路设计和优化的过程中可以直接用模型数据。
图11为本例中的阻抗匹配电路设计图示,第一级的输出阻抗数据输入Term1中,第二级的输入阻抗数据输入Term2中,包括后续整体仿真调整均可直接使用模型数据。
通过上述的阻抗建模结果显示,训练及测试得到的阻抗值的BPNN模型可精准得到设计带宽内的各个频率的阻抗值。仿真优化时即可使用建模的数据来快速的优化电路,不需要花费时间一遍遍的再仿真。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种使用建模指导射频功率放大器级间匹配电路的设计方法,其特征在于,包括以下步骤:
S101,获取第一级功率放大器宽带内各频点第一级的输出阻抗数据;以及第二级功率放大器宽带内各频点第二级的输入阻抗数据;
S102,对第一级的输出阻抗数据、第二级的输入阻抗数据处理后作为阻抗值做建模的训练和测试数据,分别训练第一级输出阻抗及第二级输入阻抗的BPNN模型,训练后经测试达到预定目标后停止训练,获得BPNN模型;
S103,由BPNN模型得到的两级功率放大器的级间阻抗在各频点的数据,在做级间匹配电路设计及优化时直接调用BPNN模型中的数据进行设计与优化。
2.如权利要求1所述使用建模指导射频功率放大器级间匹配电路的设计方法,其特征在于,所述一级的输出阻抗数据、第二级的输入阻抗数据,分别由复数整理分离为实部和虚部,并按照BPNN程序读取数据的要求整理成Excel文件,将总体数据按照1:1的比例间隔取点分为训练数据和测试数据。
3.如权利要求1所述使用建模指导射频功率放大器级间匹配电路的设计方法,其特征在于,通过仿真第一级功率放大器用Load-pull得到宽带内各频点第一级的输出阻抗数据;仿真第二级功率放大器用Source-Pull得到宽带内各频点第二级的输入阻抗数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328798.5A CN110135010A (zh) | 2019-04-23 | 2019-04-23 | 使用建模指导射频功率放大器级间匹配电路的设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328798.5A CN110135010A (zh) | 2019-04-23 | 2019-04-23 | 使用建模指导射频功率放大器级间匹配电路的设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135010A true CN110135010A (zh) | 2019-08-16 |
Family
ID=67570809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328798.5A Pending CN110135010A (zh) | 2019-04-23 | 2019-04-23 | 使用建模指导射频功率放大器级间匹配电路的设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135010A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102291091A (zh) * | 2011-06-16 | 2011-12-21 | 熊猫电子集团有限公司 | 一种线性微波功率放大器 |
CN102931927A (zh) * | 2012-10-09 | 2013-02-13 | 昆山美博通讯科技有限公司 | 一种功率放大模组的阻抗匹配方法 |
CN104243062A (zh) * | 2014-08-27 | 2014-12-24 | 京信通信系统(中国)有限公司 | 上行系统以及改善上行系统性能的方法和系统 |
CN107370468A (zh) * | 2017-07-23 | 2017-11-21 | 成都斯普奥汀科技有限公司 | 一种用于磁谐振耦合无线电能传输的功放源 |
CN108268700A (zh) * | 2017-12-22 | 2018-07-10 | 天津大学 | 一种基于bpnn的射频功放温度特性建模方法 |
CN109190202A (zh) * | 2018-08-15 | 2019-01-11 | 天津大学 | 一种基于人工神经网络的压电能量收集器件阻抗建模方法 |
-
2019
- 2019-04-23 CN CN201910328798.5A patent/CN110135010A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102291091A (zh) * | 2011-06-16 | 2011-12-21 | 熊猫电子集团有限公司 | 一种线性微波功率放大器 |
CN102931927A (zh) * | 2012-10-09 | 2013-02-13 | 昆山美博通讯科技有限公司 | 一种功率放大模组的阻抗匹配方法 |
CN104243062A (zh) * | 2014-08-27 | 2014-12-24 | 京信通信系统(中国)有限公司 | 上行系统以及改善上行系统性能的方法和系统 |
CN107370468A (zh) * | 2017-07-23 | 2017-11-21 | 成都斯普奥汀科技有限公司 | 一种用于磁谐振耦合无线电能传输的功放源 |
CN108268700A (zh) * | 2017-12-22 | 2018-07-10 | 天津大学 | 一种基于bpnn的射频功放温度特性建模方法 |
CN109190202A (zh) * | 2018-08-15 | 2019-01-11 | 天津大学 | 一种基于人工神经网络的压电能量收集器件阻抗建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245436A (zh) | 一种基于遗传算法和机器学习的并行模拟电路优化方法 | |
CN110470966B (zh) | 散射参数测量方法及器件校准方法 | |
CN103150459B (zh) | 一种基于遗传算法的低噪声放大器的优化设计方法 | |
CN101478069A (zh) | 基于核机器学习的微波滤波器辅助调试方法 | |
CN106372357A (zh) | 一种GaN HEMT非线性噪声模型建立方法 | |
CN101501691A (zh) | 使用可配置环形振荡器的电路仿真器参数提取 | |
CN108549767B (zh) | 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 | |
CN107370464A (zh) | 射频功放功率补偿系统及方法 | |
CN109284541A (zh) | 一种用于微波无源器件的神经网络多物理建模方法 | |
CN111191361A (zh) | 一种基于随机森林的螺旋电感建模方法 | |
Xu et al. | Application of deep learning for high-speed differential via TDR impedance fast prediction | |
CN110135010A (zh) | 使用建模指导射频功率放大器级间匹配电路的设计方法 | |
CN102403965B (zh) | 一种基于Volterra模型的功率放大器模拟方法 | |
CN113591390A (zh) | 一种接收机射频链路非线性效应的模型筛选方法、平台 | |
Li | A simulation-based evolutionary approach to LNA circuit design optimization | |
CN116362180B (zh) | 一种GaN HEMT大信号模型参数一体化提取方法 | |
CN111898320A (zh) | 基于神经网络的射频功放散射参数提取方法及装置 | |
CN101813747B (zh) | 基于维纳核和神经网络的非线性模拟电路故障诊断方法 | |
CN110287582A (zh) | 一种新型场效应晶体管小信号等效电路模型参数提取方法 | |
CN116248202A (zh) | 一种基于深度学习实现射频通道校准的方法 | |
US11062072B1 (en) | Yield load pull system-based IC design method and system thereof | |
CN114002649A (zh) | 基于数据孪生的雷达数据采集系统及其研制方法 | |
CN106055765B (zh) | 毫米波fet的噪声模型建立方法 | |
CN106021670A (zh) | 一种毫米波fet的建模方法 | |
CN104811259B (zh) | 一种卫星通信频偏验证方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190816 |