CN111898320A - 基于神经网络的射频功放散射参数提取方法及装置 - Google Patents

基于神经网络的射频功放散射参数提取方法及装置 Download PDF

Info

Publication number
CN111898320A
CN111898320A CN202010783942.7A CN202010783942A CN111898320A CN 111898320 A CN111898320 A CN 111898320A CN 202010783942 A CN202010783942 A CN 202010783942A CN 111898320 A CN111898320 A CN 111898320A
Authority
CN
China
Prior art keywords
neural network
coefficient
power amplifier
propagation
sample data
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
Application number
CN202010783942.7A
Other languages
English (en)
Inventor
秦剑
黄兴原
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202010783942.7A priority Critical patent/CN111898320A/zh
Publication of CN111898320A publication Critical patent/CN111898320A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Amplifiers (AREA)

Abstract

本发明公开了一种基于神经网络的射频功放散射参数提取方法及装置，方法首先获取不同偏置条件下被测HEMT功率放大器对应的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括输入反射系数、正向传播系数、反向传播系数和输出反射系数；然后利用这些样本数据对两个神经网络进行训练，最终得到训练好的反射系数神经网络和传播系数神经网络；最后针对待测的HEMT功率放大器，将其偏置条件分别输入到反射系数神经网络和传播系数神经网络，利用两个神经网络提取出在该偏置条件下该HEMT功率放大器的散射参数。本发明可以快速高效地提取出射频功放散射参数，方法简单易操作，S参数的准确率也高。

Description

基于神经网络的射频功放散射参数提取方法及装置
技术领域
本发明涉及射频功放散射参数提取技术领域，特别涉及一种基于神经网络的射频功放散射参数提取方法及装置。
背景技术
HEMT结构功率放大器是金属场效应晶体管和异质结结构相结合而开发出的一种器件，其电压对电流的调控原理与一般的FET器件基本一致，结构上不同于其他FET器件的地方在于，形成电流的电子沟道是由异质结组成的。异质结，是禁带宽度不同、但晶格能匹配的两种半导体材料所形成的，异质结的界面独特的特点就在于因为导带的不连续性会对应产生一个个量子阱结构，这样的量子阱能将电子限制在一个近似的二维平面中运动，从而获得一个二维电子气(2DEG)。通过在源漏两端加上不同的电势，就可以使得电子沿着源漏方向进行运动，从而形成沟道电流。由于电子运动的沟道基本是在一个平面里面，基本不受离子电荷的库伦散射作用，因此这样的器件的电子迁移率是非常高的，正是因为这样，HEMT结构功率放大器具有宽禁带宽度、高临界场强、高热导率、高载流子饱和速率等特性，其作为射频微波器件，可在5G通信领域将发挥重要作用。
在设计关于HEMT结构功率放大器的射频微波电路时，常常需要分析HEMT结构功率放大器的散射参数。散射参数(S参数)是微波传输中的一组重要参数，包括反射系数和传播系数，现有的分析方法分为两种，方法(1)是在二端口网络(如图1)下测试S参数：通过矢量网络分析仪对一个HMET二端口器件输入功率或者电压，然后测试反射回来和入射的功率及电压，就可以计算出来S参数。S参数根据输入端口和输出端口分为S11、S22、S21、S12四个不同的系数，S11代表的是输入反射系数，S22代表输出反射系数，需要注意的是在这两个输入输出端口一般会接50Ω的电阻进行端口匹配。S21代表正向传播系数，S12代表反向传播系数。S参数表示成矩阵形式如下：
Figure BDA0002621223470000021
其中，
Figure BDA0002621223470000022
是输入端口反射电压，
Figure BDA0002621223470000023
是输出端口反射电压，
Figure BDA0002621223470000024
是输入端口入射电压，
Figure BDA0002621223470000025
是输出端口入射电压，四个S参数为：
Figure BDA0002621223470000026
Figure BDA0002621223470000027
Figure BDA0002621223470000028
Figure BDA0002621223470000029
其中，Γi代表输入反射系数，Γo代表输出反射系数。
但是方法(1)所用的矢量网络分析仪价格昂贵，而且需要专业人员经过培训学习才能使用这个仪器，测试成本高，其次，这种测试是需要多个测试点，还是会有一定误差(有来自操作的误差，也有来自仪器的误差)，消耗时间也较长，过程繁琐。方法(2)是使用ADS软件进行仿真设计来获取参数，设计好再把样板的版图拿去生产。但是在ADS设计过程中需要进行直流分析、稳定性分析、偏置电路设计、负载阻抗匹配和源阻抗匹配等等步骤才能最终仿真出散射参数，这是需要一定的射频电路知识储备才能仿真设计出来，设计过程也比较复杂。由此可见，现有的方法还是无法做到高效地提取出射频功放散射参数，因此，有必要研究出高效的射频功放散射参数提取方法。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于神经网络的射频功放散射参数提取方法，该方法可以快速高效地提取出射频功放散射参数，方法简单易操作，S参数的准确率高。
本发明的第二目的在于提供一种基于神经网络的射频功放散射参数提取装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种基于神经网络的射频功放散射参数提取方法，步骤如下：
S1、针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数；
S2、利用这些样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，样本数据中该偏置条件下对应的正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
S3、针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
优选的，不同偏置设置下的功率放大器的散射参数值通过查阅被测HEMT功率放大器的产品资料得到，或者是通过仿真得到；
仿真得到不同偏置设置下的功率放大器的散射参数值具体为：使用ADS软件仿真设计该器件的电路；然后在ADS软件中设置不同的偏置条件，从而仿真得出不同偏置设置下的功率放大器的散射参数值，这些偏置条件和散射参数值即为散射参数的样本数据。
优选的，输入反射系数S11分为输入反射幅度Mag(S11)和输入反射相位角Ang(S11)，正向传播系数S21分为正向传播幅度Mag(S21)和正向传播相位角Ang(S21)，反向传播系数S12分为反向传播幅度Mag(S12)和反向传播相位角Ang(S12)，输出反射系数S22分为输出反射幅度Mag(S22)和输出反射相位角Ang(S22)；
反射系数神经网络的输入输出关系式为：
Mag(Sij)＝F1[Vds,Id,f]
Ang(Sij)＝F1[Vds,Id,f]
传播系数神经网络的输入输出关系式为：
Mag(Sij)＝F2[Vds,Id,f]
Ang(Sij)＝F2[Vds,Id,f]
其中，i＝1,2；j＝1,2；
当反射系数神经网络同时输入频率f、器件的漏源电压Vds和漏极电流Id时，反射系数神经网络同时输出输入反射幅度Mag(S11)、输入反射相位角Ang(S11)、输出反射幅度Mag(S22)和输出反射相位角Ang(S22)；
当传播系数神经网络同时输入频率f、器件的漏源电压Vds和漏极电流Id时，传播系数神经网络同时输出正向传播幅度Mag(S21)、正向传播相位角Ang(S21)、反向传播幅度Mag(S12)和反向传播相位角Ang(S12)。
优选的，利用这些样本数据对两个神经网络进行训练具体为：
分别选取部分样本数据作为训练样本数据和测试样本数据，利用训练样本数据对两个神经网络进行训练；
再利用测试样本数据对两个神经网络进行误差测试评估：将测试样本的偏置条件分别输入两个神经网络中，得到神经网络输出的散射参数值，然后计算神经网络输出的散射参数值和样本数据中该偏置条件下的散射参数值之间的误差，当误差在允许范围内，说明训练完成，两个神经网络即作为最终的反射系数神经网络和传播系数神经网络，当误差超过允许范围，说明还需要继续训练神经网络。
优选的，利用matlab训练两个神经网络。
本发明的第二目的通过下述技术方案实现：一种基于神经网络的射频功放散射参数提取装置，包括：
样本数据获取模块，用于针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数；
模型构建模块，用于利用样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
散射参数提取模块，用于针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
优选的，模型构建模块包括样本选取模块、模型训练模块和模型测试模块，其中，
样本数据选取模块用于选取部分样本数据作为训练样本数据和测试样本数据；
模型训练模块用于利用训练样本数据对两个神经网络进行训练；
模型测试模块用于利用测试样本数据对两个神经网络进行误差测试评估：将测试样本的偏置条件分别输入两个神经网络中，得到神经网络输出的散射参数值，然后计算神经网络输出的散射参数值和样本数据中该偏置条件下的散射参数值之间的误差，当误差在允许范围内，说明训练完成，两个神经网络即作为最终的反射系数神经网络和传播系数神经网络，当误差超过允许范围，说明还需要继续训练神经网络。
本发明的第三目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的基于神经网络的射频功放散射参数提取方法。
本发明的第四目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的基于神经网络的射频功放散射参数提取方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明基于神经网络的射频功放散射参数提取方法构建了以漏源电压、漏极电流和频率作为输入，输出S参数的神经网络，相对于传统的二端口网络方法和ADS仿真设计方法，这两种传统方法设计过程繁琐，复杂，消耗时间长，本发明方法使用神经网络就可以快速、准确地提取S参数，操作简单，利用人工智能算法得出的S参数可以避免仪器和操作的误差，准确率相对较高。
(2)本发明的神经网络分为反射系数神经网络和传播系数神经网络，利用这两个神经网络模型可以分开提取出反射系数(输入反射系数、输出反射系数)和传播系数(正向传播系数、反向传播系数)，避免相互干扰和影响，有利于准确测量出HMET结构的功率放大器器件S参数。
附图说明
图1是现有分析方法的二端口网络的示意图。
图2是本发明基于神经网络的射频功放散射参数提取方法的流程图。
图3是神经网络的基本结构示意图。
图4是图2方法中反射系数神经网络和传播系数神经网络的示意图。
图5是实施例中输入反射系数S11的ADS仿真结果和神经网络输出结果的拟合对比图。
图6是实施例中正向传播系数S21的ADS仿真结果和神经网络输出结果的拟合对比图。
图7是实施例中反向传播系数S12的ADS仿真结果和神经网络输出结果的拟合对比图。
图8是实施例中输出反射系数S22的ADS仿真结果和神经网络输出结果的拟合对比图。
图9是本发明基于神经网络的射频功放散射参数提取装置的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种基于神经网络的射频功放散射参数提取方法，如图2所示，步骤如下：
S1、针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据。
其中，HEMT功率放大器为GaN基HEMT功率放大器。偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数S11和输出反射系数S22，反射系数分为正向传播系数S21和反向传播系数S12。
不同偏置设置下的功率放大器的散射参数值可以查阅被测HEMT功率放大器的产品资料(datasheet)得到，也可以是通过仿真得到：使用ADS软件仿真设计该器件的电路；然后在ADS软件中设置不同的偏置条件，从而仿真得出不同偏置设置下的功率放大器的散射参数值，这些偏置条件和散射参数值即为散射参数的样本数据。
S2、利用这些样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，样本数据中该偏置条件下对应的正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
本实施例利用matlab训练两个神经网络，两个神经网络均为由多个基本神经元组成的多层感知器网络(Muti-Layer Perception，MLP)。如图3所示，在神经网络中，神经元分层排列，从下到上分别为输入层，隐含层，输出层，中间的隐含层可以是多层，可根据实际精度需要设置中间隐含层的层数和神经元数。神经网络的表达式如下：
Figure BDA0002621223470000071
ok＝f(netk+bk)
其中，netk是第k个神经网络加权和；ok是第k个神经网络计算出的输出；wky为第y个输入到第k个神经元的权重，y≤m；ay为第y个输入分量；f()为激励函数，一般用sigmoid函数；bk为第k个神经元的偏置。
在本实施例中，输入反射系数S11和输出反射系数S22同时作为反射系数神经网络的输出，正向传播系数S21和反向传播系数S12同时作为传播系数神经网络的输出。
由于输入反射系数S11分为输入反射幅度Mag(S11)和输入反射相位角Ang(S11)，正向传播系数S21分为正向传播幅度Mag(S21)和正向传播相位角Ang(S21)，反向传播系数S12分为反向传播幅度Mag(S12)和反向传播相位角Ang(S12)，输出反射系数S22分为输出反射幅度Mag(S22)和输出反射相位角Ang(S22)，
反射系数神经网络的输入输出关系式为：
Mag(Sij)＝F1[Vds,Id,f]
Ang(Sij)＝F1[Vds,Id,f]
传播系数神经网络的输入输出关系式为：
Mag(Sij)＝F2[Vds,Id,f]
Ang(Sij)＝F2[Vds,Id,f]
其中，i＝1,2；j＝1,2；
因此，如图4所示，当反射系数神经网络同时输入频率f、器件的漏源电压Vds和漏极电流Id时，反射系数神经网络同时输出输入反射幅度Mag(S11)、输入反射相位角Ang(S11)、输出反射幅度Mag(S22)和输出反射相位角Ang(S22)这4组S参数；
当传播系数神经网络同时输入频率f、器件的漏源电压Vds和漏极电流Id时，传播系数神经网络同时输出正向传播幅度Mag(S21)、正向传播相位角Ang(S21)、反向传播幅度Mag(S12)和反向传播相位角Ang(S12)这4组S参数，所以最终通过反射系数神经网络和传播系数神经网络提取得到的是8组S参数。
利用这些样本数据对两个神经网络进行训练的过程具体如下：
分别选取部分样本数据作为训练样本数据和测试样本数据，利用训练样本数据对两个神经网络进行训练；
再利用测试样本数据对两个神经网络进行误差测试评估：将测试样本的偏置条件分别输入两个神经网络中，得到神经网络输出的散射参数值，然后计算神经网络输出的散射参数值和样本数据中该偏置条件下的散射参数值之间的误差，当误差在允许范围内，说明训练完成，两个神经网络即作为最终的反射系数神经网络和传播系数神经网络，当误差超过允许范围，说明还需要继续训练神经网络。
S3、针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
本实施例还选取了CREE公司的GaN材料CGH40010F器件作为研究对象，来验证上述方法。该产品为各种射频和微波应用提供通用宽带，具有高效率、高增益和宽带宽特性。由于datasheet表格中提供数据稀少，所以使用ADS进行仿真设计获取器件的散射参数：
(1)对器件进行直流扫描，分析选取偏置点。这里选取偏置点为Vds为28V，Id从100mA到500mA，以100mA为间隔进行设计，工作频率从2到3Ghz，工作频率点选取为2.6Ghz。
(2)在直流分析基础上进行偏置电路设计。
(3)对设计的电路进行稳定性分析。
(4)为了使得设计电路符合参数要求，需要进行负载阻抗匹配(load—Pull)和源阻抗匹配(Source—Pull)分析，并进行史密斯圆图的微带线匹配。
(5)最后进行散射参数的仿真获取散射参数。前面步骤的阻抗匹配设计要使得偏置条件Vds＝28V，Id从100mA到500mA；S参数结果中，正向传播系数S21的数值在2Ghz到3Ghz的范围内都是大于13dB。
以上述样本数据的90％作为训练样本数据，以10％作为测试样本数据。然后构建如图3所示的反射系数神经网络和传播系数神经网络，令神经网络输入端输入的漏源电压为28V，漏极电流为100mA，200MA，300mA，400mA，500mA。频率f从2GHz到3GHz等间隔0.01GHz选取频率点，神经网络输出的S参数值有输入反射系数、输出反射系数、正向传播系数和反向传播系数，得到8组S参数。并且还选取ADS电路在漏源电压28V，漏极电流200MA，同时频率f从2.02GHz到2.5GHz以0.01GHz变化的数据来测试神经网络。
这里是在matlab开发环境下完成神经网络的训练，设置神经网络的两层隐含层的神经元个数为8～10个。
最终神经网络输出结果所拟合出的8个S参数的图形如图5～8所示。图中的左、右竖坐标分别代表相位角(Ang)和幅度(Mag)，横坐标代表频率。实直线代表神经网络预测数据，三角和圆圈代表ADS仿真得到的数据。可见，神经网络输出结果和仿真结果显示出较好的一致性。
这里，还使用平均相对误差(mean relative error，MRE％)和均方根误差(rootmean square error，RMSE％)计算两个结果的误差，结果如表1。
表1
Figure BDA0002621223470000101
从表1的数据可以看出，8组S参数值无论是平均相对误差和均方根误差都小于1％，最后两组误差的平均值都小于1％，可见，神经网络输出的预测数值与ADS仿真数值接近，神经网络的预测精度高，说明利用本实施例方法可以准确且又高效率地提取出HEMT功率放大器的散射参数，同时也说明此时神经网络训练完成，可用于射频功放散射参数的提取。
实施例2
本实施例公开了一种基于神经网络的射频功放散射参数提取装置，如图9所示，包括样本数据获取模块、模型构建模块和散射参数提取模块：
样本数据获取模块，用于针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数。
模型构建模块，用于利用样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络。
其中，模型构建模块包括样本选取模块、模型训练模块和模型测试模块：
样本数据选取模块用于选取部分样本数据作为训练样本数据和测试样本数据；
模型训练模块用于利用训练样本数据对两个神经网络进行训练；
模型测试模块用于在模型训练模块训练完神经网络之后，利用测试样本数据对两个神经网络进行误差测试评估：将测试样本的偏置条件分别输入两个神经网络中，得到神经网络输出的散射参数值，然后计算神经网络输出的散射参数值和样本数据中该偏置条件下的散射参数值之间的误差，当误差在允许范围内，说明神经网络训练完成，两个神经网络即作为最终的反射系数神经网络和传播系数神经网络，当误差超过允许范围，说明还需要继续训练神经网络。
散射参数提取模块，用于针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
在此需要说明的是，本实施例的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的基于神经网络的射频功放散射参数提取方法，具体如下：
S1、针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数；
S2、利用这些样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
S3、针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
本实施例中的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的基于神经网络的射频功放散射参数提取方法，具体如下：
S1、针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数；
S2、利用这些样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
S3、针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有处理器功能的终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于神经网络的射频功放散射参数提取方法，其特征在于，步骤如下：
S1、针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数；
S2、利用这些样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，样本数据中该偏置条件下对应的正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
S3、针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
2.根据权利要求1所述的基于神经网络的射频功放散射参数提取方法，其特征在于，不同偏置设置下的功率放大器的散射参数值通过查阅被测HEMT功率放大器的产品资料得到，或者是通过仿真得到；
仿真得到不同偏置设置下的功率放大器的散射参数值具体为：使用ADS软件仿真设计该器件的电路；然后在ADS软件中设置不同的偏置条件，从而仿真得出不同偏置设置下的功率放大器的散射参数值，这些偏置条件和散射参数值即为散射参数的样本数据。
3.根据权利要求1所述的基于神经网络的射频功放散射参数提取方法，其特征在于，输入反射系数S11分为输入反射幅度Mag(S11)和输入反射相位角Ang(S11)，正向传播系数S21分为正向传播幅度Mag(S21)和正向传播相位角Ang(S21)，反向传播系数S12分为反向传播幅度Mag(S12)和反向传播相位角Ang(S12)，输出反射系数S22分为输出反射幅度Mag(S22)和输出反射相位角Ang(S22)；
反射系数神经网络的输入输出关系式为：
Mag(Sij)＝F1[Vds,Id,f]
Ang(Sij)＝F1[Vds,Id,f]
传播系数神经网络的输入输出关系式为：
Mag(Sij)＝F2[Vds,Id,f]
Ang(Sij)＝F2[Vds,Id,f]
其中，i＝1,2；j＝1,2；
当反射系数神经网络同时输入频率f、器件的漏源电压Vds和漏极电流Id时，反射系数神经网络同时输出输入反射幅度Mag(S11)、输入反射相位角Ang(S11)、输出反射幅度Mag(S22)和输出反射相位角Ang(S22)；
当传播系数神经网络同时输入频率f、器件的漏源电压Vds和漏极电流Id时，传播系数神经网络同时输出正向传播幅度Mag(S21)、正向传播相位角Ang(S21)、反向传播幅度Mag(S12)和反向传播相位角Ang(S12)。
4.根据权利要求1所述的基于神经网络的射频功放散射参数提取方法，其特征在于，利用这些样本数据对两个神经网络进行训练具体为：
分别选取部分样本数据作为训练样本数据和测试样本数据，利用训练样本数据对两个神经网络进行训练；
再利用测试样本数据对两个神经网络进行误差测试评估：将测试样本的偏置条件分别输入两个神经网络中，得到神经网络输出的散射参数值，然后计算神经网络输出的散射参数值和样本数据中该偏置条件下的散射参数值之间的误差，当误差在允许范围内，说明训练完成，两个神经网络即作为最终的反射系数神经网络和传播系数神经网络，当误差超过允许范围，说明还需要继续训练神经网络。
5.根据权利要求1所述的基于神经网络的射频功放散射参数提取方法，其特征在于，利用matlab训练两个神经网络。
6.一种基于神经网络的射频功放散射参数提取装置，其特征在于，包括：
样本数据获取模块，用于针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的散射参数的样本数据，偏置条件包括频率、器件的漏源电压和漏极电流，散射参数包括反射系数和传播系数，反射系数分为输入反射系数和输出反射系数，反射系数分为正向传播系数和反向传播系数；
模型构建模块，用于利用样本数据对两个神经网络进行训练，其中，偏置条件作为两个神经网络的输入，样本数据中该偏置条件下对应的输入反射系数和输出反射系数作为其中一个神经网络的输出，正向传播系数和反向传播系数作为另一个神经网络的输出，最终得到训练好的反射系数神经网络和传播系数神经网络；
散射参数提取模块，用于针对待测的HEMT功率放大器，将其偏置条件输入到反射系数神经网络以及输入到传播系数神经网络，利用反射系数神经网络和传播系数神经网络分别提取出在该偏置条件下该HEMT功率放大器的反射系数和传播系数。
7.根据权利要求6所述的基于神经网络的射频功放散射参数提取装置，其特征在于，模型构建模块包括样本选取模块、模型训练模块和模型测试模块，其中，
样本数据选取模块用于选取部分样本数据作为训练样本数据和测试样本数据；
模型训练模块用于利用训练样本数据对两个神经网络进行训练；
模型测试模块用于利用测试样本数据对两个神经网络进行误差测试评估：将测试样本的偏置条件分别输入两个神经网络中，得到神经网络输出的散射参数值，然后计算神经网络输出的散射参数值和样本数据中该偏置条件下的散射参数值之间的误差，当误差在允许范围内，说明训练完成，两个神经网络即作为最终的反射系数神经网络和传播系数神经网络，当误差超过允许范围，说明还需要继续训练神经网络。
8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至5中任一项所述的基于神经网络的射频功放散射参数提取方法。
9.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至5中任一项所述的基于神经网络的射频功放散射参数提取方法。
CN202010783942.7A 2020-08-06 2020-08-06 基于神经网络的射频功放散射参数提取方法及装置 Pending CN111898320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010783942.7A CN111898320A (zh) 2020-08-06 2020-08-06 基于神经网络的射频功放散射参数提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010783942.7A CN111898320A (zh) 2020-08-06 2020-08-06 基于神经网络的射频功放散射参数提取方法及装置

Publications (1)

Publication Number Publication Date
CN111898320A true CN111898320A (zh) 2020-11-06

Family

ID=73247094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010783942.7A Pending CN111898320A (zh) 2020-08-06 2020-08-06 基于神经网络的射频功放散射参数提取方法及装置

Country Status (1)

Country Link
CN (1) CN111898320A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595945A (zh) * 2023-07-14 2023-08-15 浙江大华技术股份有限公司 高精度仿真散射参数提取方法、电子设备和存储介质
CN117110700A (zh) * 2023-08-23 2023-11-24 易集康健康科技(杭州)有限公司 一种射频电源脉冲功率检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598849A (zh) * 2019-08-26 2019-12-20 广州大学 基于神经网络的hmet散射参数提取方法、系统及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598849A (zh) * 2019-08-26 2019-12-20 广州大学 基于神经网络的hmet散射参数提取方法、系统及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595945A (zh) * 2023-07-14 2023-08-15 浙江大华技术股份有限公司 高精度仿真散射参数提取方法、电子设备和存储介质
CN116595945B (zh) * 2023-07-14 2023-10-20 浙江大华技术股份有限公司 高精度仿真散射参数提取方法、电子设备和存储介质
CN117110700A (zh) * 2023-08-23 2023-11-24 易集康健康科技(杭州)有限公司 一种射频电源脉冲功率检测方法及系统
CN117110700B (zh) * 2023-08-23 2024-06-04 易集康健康科技(杭州)有限公司 一种射频电源脉冲功率检测方法及系统

Similar Documents

Publication Publication Date Title
Kabir et al. Smart modeling of microwave devices
Feng et al. Artificial neural networks for microwave computer-aided design: The state of the art
CN101341488A (zh) 合成电流源驱动模型用于分析单元特征
CN111898320A (zh) 基于神经网络的射频功放散射参数提取方法及装置
US20210173011A1 (en) Physics-Based Artificial Intelligence Integrated Simulation and Measurement Platform
CN115203935A (zh) 基于深度学习的频率选择表面结构拓扑逆预测方法及装置
Geng et al. Accurate and effective nonlinear behavioral modeling of a 10-W GaN HEMT based on LSTM neural networks
Wang et al. Large-signal behavior modeling of GaN P-HEMT based on GA-ELM neural network
CN113591390B (zh) 一种接收机射频链路非线性效应的模型筛选方法、平台
Xiao et al. Parametric modeling of microwave components based on semi-supervised learning
Geng et al. Small-signal behavioral model for GaN HEMTs based on Long-Short Term Memory networks
Cai et al. Adaptive particle swarm optimization based hybrid small-signal modeling of GaN HEMT
CN103778281A (zh) GaAs pHEMT管芯非线性模型参数提取方法
Lin et al. X-parameter modeling investigation for microwave power devices
CN111880003B (zh) 基于神经网络的射频功放谐波平衡参数提取方法
CN110598849A (zh) 基于神经网络的hmet散射参数提取方法、系统及存储介质
CN105808796A (zh) 高功率电磁脉冲作用下pin管可重构天线性能评估方法
JPWO2004109560A1 (ja) 回路解析と電磁波解析との連携による電磁界強度算出装置および算出方法
CN114201883A (zh) 一种使用高效自适应插值的宽带电磁仿真方法
Wu et al. Large Signal Modeling for Microwave Power Devices Based on LSTM
Zhang et al. Novel time domain integral equation method hybridized with the macromodels of circuits
CN107729694B (zh) 一种基于神经网络的多参数电磁场建模仿真方法
Mohammadzade et al. Time‐domain signal and noise modelling and analysis of millimetre‐wave and THz high electron mobility transistors
Liu et al. Parameters extraction for equivalent circuit model based on artificial intelligence
Neda et al. Exploring Artificial Neural Network for X-Parameter and S-Parameter Modelling of HEMT

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