CN110362881A - 基于极限学习机的微波功率器件非线性模型方法 - Google Patents

基于极限学习机的微波功率器件非线性模型方法 Download PDF

Info

Publication number
CN110362881A
CN110362881A CN201910556892.6A CN201910556892A CN110362881A CN 110362881 A CN110362881 A CN 110362881A CN 201910556892 A CN201910556892 A CN 201910556892A CN 110362881 A CN110362881 A CN 110362881A
Authority
CN
China
Prior art keywords
parameter
power device
microwave power
elm
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.)
Granted
Application number
CN201910556892.6A
Other languages
English (en)
Other versions
CN110362881B (zh
Inventor
孙璐
薛曼丽
王博
梁佩佩
陈晓龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201910556892.6A priority Critical patent/CN110362881B/zh
Publication of CN110362881A publication Critical patent/CN110362881A/zh
Application granted granted Critical
Publication of CN110362881B publication Critical patent/CN110362881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种微波功率器件输入输出建模技术，特别是基于极限学习机的微波功率器件非线性模型方法,其特征是：至少包括如下步骤：第一步，对微波功率器件搭建电路；第二步，采用ADS仿真工具，在双端口提取电路的X参数样本；第三步，将提取的X参数生成一个包含偏置条件下每一项X参数的XNP文件，将生成的XNP文件中的数据复制保存到Excel表格中，用于下一步建模中的使用；第四步，依据公式，通过ELM网络计算获得隐层与输出层的连接权重；第五步，训练真实数据，使输出结果与真实结果t一致；第六步，求解方程得到ELM的训练过程；第七步，使用最小二乘法求解，使得误差最小化。本发明的建模速度快，并且精度更大，误差更小。

Description

基于极限学习机的微波功率器件非线性模型方法
技术领域
本发明涉及一种微波功率器件输入输出建模技术，特别是基于极限学习机的微波功率器件非线性模型方法。
背景技术
随着微波电路中对器件的效率与输出功率要求的提高，功率器件常常工作于大信号非线性状态下，此时，已经不能用通常的线性S参数来表征器件行为了。X参数是S参数的超集，且具有数学上的严格定义，为一种非线性网络参数，可以表征射频/微波器件在大信号工作条件下的响应。
在对功率器件进行行为建模时，主要是建立输入输出关系的非线性模型。由于X参数不但可以表征功率器件的线性特性，而且也可以正确表征功率器件的非线性行为，故而建立X参数行为模型，对于器件建模十分有效。然而对于X参数的模型数据，在考虑多端口多次谐波时，数据量巨大，反复测量及提取需要大量的时间。
发明内容
本发明的目的是提供一种基于极限学习机的微波功率器件非线性模型方法，以便提高X参数建模效率。
本发明的目的是这样实现的，一种基于极限学习机的微波功率器件非线性模型方法，其特征是：至少包括如下步骤：
第一步，对微波功率器件搭建电路；
第二步，采用ADS仿真工具，在双端口提取电路的X参数样本；
X参数定义为：
p(p＝1,2)——端口号，k(k＝1,2)——谐波次数
写成入射波与反射波之间的关系：(行为模型表达式)
式中，以基波相位为基准，包含所有大信号激励和大信号响应项，代表了扰动小信号响应项；
第三步，将提取的X参数生成一个包含偏置条件下每一项X参数的XNP文件，将生成的XNP文件中的数据复制保存到Excel表格中，用于下一步建模中的使用；
第四步，依据如下公式，通过ELM网络计算获得隐层与输出层的连接权重；
在上述公式中，wi代表输入层与隐层之间的连接权重，bi代表网络隐层阈值，β为隐层到输出层的权重矩阵，是网络求解的目标；N 表示训练集的大小，表示隐层节点的数量，g(x)表示激活函数，g(x)需要无限可微。oj表示网络输出结果；
第五步，依据下式逼近训练真实数据，使输出结果与真实结果t 一致：
上式可以表示为用矩阵表示为 Hβ＝T，其中，
第六步，求解上述方程得到ELM的训练过程；
第七步，使用最小二乘法求解，使得误差最小化，表达式为：
第八步，根据Hβ＝T，如果H是一个可逆方阵的话，用β可以直接求解为H-1T；如果H不是方阵，最小误差的β为其中矩阵H+为矩阵H的Moore-Penrose广义逆，同时得到的最终解矩阵的范数最小且具有唯一性。
本发明的的优点是：本发明中的极限学习机(Extreme Learning Machine,ELM)是一类基于前馈神经网络(feedforward neuron network)的机器学习算法，其优点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。
下面结合实施例附图对本发明作进一步说明：
附图说明
图1是X参数建模整体流程图；
图2是X参数原理图；
图3是提取X参数的电路图；
图4 ELM神经网络结构图；
图5是ELM模型X参数预测误差图；
图6是BP模型X参数预测结果图；
图7是BP模型X参数预测误差图；
图8是ELM模型X参数建模时间图；
图9是BP模型X参数建模时间图。
图10为BP模型的建模时间。
本发明在主函数中将数据集分为两组，一组用于模型训练，一组用于模型测试。在完成ELM对X参数的行为模型的建模后，对模型进行测试，ELM模型对于X参数的预测输出结果如图4，模型的建模误差如图5。
图4中，圆圈代表ELM模型预测结果，星号代表原始提取的X参数值，可以看出模型预测结果与X参数实际值基本相同，从图5中也可以看出，ELM模型预测误差很小，模型非常准确。
为了进一步说明所提出的ELM算法对于建立X参数行为模型的优势，使用了BP神经网络对相同数据集的X参数进行了建模，BP模型对于X参数的预测结果如图6，BP的建模误差如图7。
从图(6)和图(7)的建模结果可以看出，使用ELM与使用BP 神经网络都可以对X参数进行建模，且模型比较准确。两个模型对X 参数的建模误差都较小，ELM的建模误差略小于BP网络的建模误差，建模精度更高一些。
具体实施方式
如图1和图2所示，基于极限学习机的微波功率器件非线性模型方法，其特征是：至少包括如下步骤：
第一步，以双端口网络3次谐波为例，X参数定义为：
p(p＝1,2)——端口号，k(k＝1,2)——谐波次数
写成入射波与反射波之间的关系：(行为模型表达式)
式中，以基波相位为基准，包含所有大信号激励和大信号响应项，代表了扰动小信号响应项；
第二步，对器件搭建电路，采用ADS仿真工具提取它的X参数；
如图3所示，器件搭建电路包括在电路中设置频率点、偏压、及功率值，采用频率范围中的单一频率进行基波激励。
器件搭建电路的工作条件为：Vgs＝-2.7V，Vds＝28V；输入功率为 27dB至32dBm，间隔为1dBm；频率范围为1GHz-5GHz，间隔为1GHz。
第三步，生成XNP文件，一个XNP文件中包含了特定偏置条件下 X参数的每一项，将生成的XNP文件中的数据复制保存到Excel表格中，用于下一步建模中的使用；
如图4所示，第四步，依据如下公式，通过ELM网络计算获得隐层与输出层的连接权重；
在上述公式中，wi代表输入层与隐层之间的连接权重，bi代表网络隐层阈值，β为隐层到输出层的权重矩阵，是网络求解的目标；N 表示训练集的大小，表示隐层节点的数量，g(x)表示激活函数，g(x)需要无限可微。oj表示网络输出结果；
第五步，依据下式逼近训练真实数据，使输出结果与真实结果t 一致：
上式可以表示为用矩阵表示为 Hβ＝T，其中，
第六步，求解上述方程得到ELM的训练过程；
第七步，使用最小二乘法求解，使得误差最小化，表达式为：
第八步，根据Hβ＝T，如果H是一个可逆方阵的话，用β可以直接求解为H-1T；如果H不是方阵，最小误差的β为其中矩阵H+为矩阵H的Moore-Penrose广义逆，同时得到的最终解矩阵的范数最小且具有唯一性。
所述的器件搭建电路包括在电路中设置频率点、偏压、及功率值，采用频率范围中的单一频率进行基波激励。
所述的器件搭建电路的工作条件为：Vgs＝-2.7V，Vds＝28V；输入功率为27dB至32dBm，间隔为1dBm；频率范围为1GHz-5GHz，间隔为1GHz。
本发明ELM函数中的激活函数可以是任意的无限可微非线性函数，常用的有以下几种：
三角函数：
h(x)＝cos(a*x+b) (8)
高斯函数：
径向基函数：
h(x)＝e(-b*||x-a||) (10)
反演S函数：
极限学习机中，不但可以使用上述几个非线性函数，还可以使用不可微函数。甚至使用不连续函数，该模型对激活函数的限制非常小。本发明中X参数的行为模型建模具体是通过在Matlab中编程实现的。在将参数提取后，在Matlab工作区建立.mat文件，将数据写入.mat 表格中，其中模型输入为不同取值的f、Vgs、Vds、Pin，输出为对应每一个输入条件下的X参数，每一个偏置条件下的输出都包含了X参数的183个分量。
本发明在主函数中将数据集分为两组，一组用于模型训练，另一组用于模型测试。在完成ELM对X参数的行为模型的建模后，对模型进行测试，图5X参数ELM模型建模结果图，图6X参数ELM模型建模误差图，图5中，圆圈代表ELM模型预测结果，星号代表原始提取的X参数值，可以看出模型预测结果与X参数实际值基本相同，从图5中也可以看出，ELM模型预测误差很小，模型非常准确。
为了进一步说明所提出的ELM算法对于建立X参数行为模型的优势，使用了BP神经网络对相同数据集的X参数进行了建模，BP模型对于X参数的预测结果如图7，BP的建模误差如图8。
从图7和图8的建模结果可以看出，使用ELM与使用BP神经网络都可以对X参数进行建模，且模型比较准确。两个模型对X参数的建模误差都较小，ELM的建模误差略小于BP网络的建模误差，建模精度更高一些。
本发明ELM模型的另一大优势为建模速度非常快，这是由于ELM 模型不用进行迭代运算，输出层权重由隐含层直接得到。这在Matlab 中可通过计算机自动解矩阵方程一次获得，大幅度地提高了运行速率与建模效率。在运行时间上，本发明对ELM模型与BP模型做了对比，图9为ELM模型的建模时间，图10为BP模型的建模时间。从图中可以看到，使用相同测试集的X参数对ELM模型与BP模型进行训练与预测，ELM模型运行时间大约为0.75秒，BP模型大约需要71.2秒，前者的运行时间大概为后者的1％，建模效率大大提高。

Claims (4)

1.一种基于极限学习机的微波功率器件非线性模型方法，其特征是：至少包括如下步骤：
第一步，对微波功率器件搭建电路；
第二步，采用ADS仿真工具，在双端口提取电路的X参数；
X参数定义为：
p(p＝1,2)——端口号，k(k＝1,2)——谐波次数
写成入射波与反射波之间的关系：(行为模型表达式)
式中，以基波相位为基准，包含所有大信号激励和大信号响应项，代表了扰动小信号响应项；
第三步，将提取的X参数生成一个包含偏置条件下每一项X参数的XNP文件，将生成的XNP文件中的数据复制保存到Excel表格中，用于下一步建模中的使用；
第四步，依据如下公式，通过ELM网络计算获得隐层与输出层的连接权重；
在上述公式中，wi代表输入层与隐层之间的连接权重，bi代表网络隐层阈值，β为隐层到输出层的权重矩阵，是网络求解的目标；N表示训练集的大小，表示隐层节点的数量，g(x)表示激活函数，g(x)需要无限可微；oj表示网络输出结果；
第五步，依据下式逼近训练真实数据，使输出结果与真实结果t一致：
上式可以表示为用矩阵表示为Hβ＝T，其中，
第六步，求解上述方程得到ELM的训练过程；
第七步，使用最小二乘法求解，使得误差最小化，表达式为：
第八步，根据Hβ＝T，如果H是一个可逆方阵的话，用β可以直接求解为H-1T；如果H不是方阵，最小误差的β为其中矩阵H+为矩阵H的Moore-Penrose广义逆，同时得到的最终解矩阵的范数最小且具有唯一性。
2.根据权利要求1所述的一种基于极限学习机的微波功率器件非线性模型方法，其特征是：所述的步骤1)器件搭建电路包括在电路中设置频率点、偏压、及功率值，采用频率范围中的单一频率进行基波激励。
3.根据权利要求1所述的一种基于极限学习机的微波功率器件非线性模型方法，其特征是：所述的步骤1)器件搭建电路的工作条件为：Vgs＝-2.7V，Vds＝28V；输入功率为27dB至32dBm，间隔为1dBm；频率范围为1GHz-5GHz，间隔为1GHz。
4.根据权利要求1所述的一种基于极限学习机的微波功率器件非线性模型方法，其特征是：所述的步骤4)ELM函数中的激活函数可以是任意的无限可微非线性函数，包括：
三角函数：
h(x)＝cos(a*x+b) (8)
高斯函数：
径向基函数：
h(x)＝e(-b*||x-a||) (10)
反演S函数：
式中的a和b分别代表各种函数中根据样本数据所需确定的待定系数。
CN201910556892.6A 2019-06-25 2019-06-25 基于极限学习机的微波功率器件非线性模型方法 Active CN110362881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910556892.6A CN110362881B (zh) 2019-06-25 2019-06-25 基于极限学习机的微波功率器件非线性模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910556892.6A CN110362881B (zh) 2019-06-25 2019-06-25 基于极限学习机的微波功率器件非线性模型方法

Publications (2)

Publication Number Publication Date
CN110362881A true CN110362881A (zh) 2019-10-22
CN110362881B CN110362881B (zh) 2023-04-18

Family

ID=68216990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910556892.6A Active CN110362881B (zh) 2019-06-25 2019-06-25 基于极限学习机的微波功率器件非线性模型方法

Country Status (1)

Country Link
CN (1) CN110362881B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111478314A (zh) * 2020-03-20 2020-07-31 广西电网有限责任公司电力科学研究院 一种电力系统暂态稳定评估方法
CN113553700A (zh) * 2021-07-02 2021-10-26 西安电子科技大学 用于微波功率晶体管建模的温度相关x参数模型构建方法
CN113567793A (zh) * 2021-09-22 2021-10-29 成都工业学院 一种射频微波二端口器件非线性行为模型提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN105844332A (zh) * 2016-03-10 2016-08-10 中国石油大学(华东) 快速递归Elman神经网络建模学习算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN105844332A (zh) * 2016-03-10 2016-08-10 中国石油大学(华东) 快速递归Elman神经网络建模学习算法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111478314A (zh) * 2020-03-20 2020-07-31 广西电网有限责任公司电力科学研究院 一种电力系统暂态稳定评估方法
CN113553700A (zh) * 2021-07-02 2021-10-26 西安电子科技大学 用于微波功率晶体管建模的温度相关x参数模型构建方法
CN113567793A (zh) * 2021-09-22 2021-10-29 成都工业学院 一种射频微波二端口器件非线性行为模型提取方法

Also Published As

Publication number Publication date
CN110362881B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
US10922464B2 (en) RC tool accuracy time reduction
Leary et al. A knowledge-based approach to response surface modelling in multifidelity optimization
CN111275521B (zh) 一种基于用户评论与满意层面嵌入的商品推荐方法
US5999714A (en) Method for incorporating noise considerations in automatic circuit optimization
CN110362881A (zh) 基于极限学习机的微波功率器件非线性模型方法
Tavakolpour-Saleh et al. Parametric and nonparametric system identification of an experimental turbojet engine
KR20190052604A (ko) 순환 신경망에 기반한 회로 시뮬레이션을 위한 시스템 및 방법
CN108052979A (zh) 对模型预测值进行融合的方法、装置和设备
US20230195986A1 (en) Method for predicting delay at multiple corners for digital integrated circuit
US20140310216A1 (en) Method for generating compact representations of spike timing-dependent plasticity curves
da Silva et al. Phasor estimation in power systems using a neural network with online training for numerical relays purposes
CN105005197B (zh) 基于切比雪夫多项式展开的时变神经动力学系统辨识方法
Grabmann et al. Power to the model: Generating energy-aware mixed-signal models using machine learning
Ayala et al. Efficient hardware implementation of radial basis function neural network with customized-precision floating-point operations
Dolin et al. Modified methods of circuit simulation of radio engineering devices in the time domain
US7007252B2 (en) Method and apparatus for characterizing the propagation of noise through a cell in an integrated circuit
Cao et al. Transient behavioral modeling of nonlinear I/O drivers combining neural networks and equivalent circuits
CN113553771B (zh) 基于rnn网络的动态x参数核计算方法
Zhang et al. Ridge regression and lasso regression based least squares algorithm for a time-delayed rational model via redundant rule
CN113408702B (zh) 音乐神经网络模型预训练方法及电子设备和存储介质
Wang BP network implementation based on computer MATLAB neural network toolbox
Vasu et al. A novel method for optimal model simplification of large scale linear discrete-time systems
Sami et al. Artificial neural network and dataset optimization for implementation of linear system models in resource‐constrained embedded systems
US20040162716A1 (en) Method and system for modeling logical circuit blocks including transistor gate capacitance loading effects
Zhang et al. Prediction of the real estate industry economics based on LSTM model

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
GR01 Patent grant
GR01 Patent grant