CN111967186A - 一种用于功率晶体管大信号建模的神经网络空间映射方法 - Google Patents

一种用于功率晶体管大信号建模的神经网络空间映射方法 Download PDF

Info

Publication number
CN111967186A
CN111967186A CN202010835458.4A CN202010835458A CN111967186A CN 111967186 A CN111967186 A CN 111967186A CN 202010835458 A CN202010835458 A CN 202010835458A CN 111967186 A CN111967186 A CN 111967186A
Authority
CN
China
Prior art keywords
neural network
model
dynamic
electric heating
mapping
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
CN202010835458.4A
Other languages
English (en)
Inventor
朱琳
赵坚
李梅
庞毅
袁文聪
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.)
Tianjin Chengjian University
Original Assignee
Tianjin Chengjian 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 Tianjin Chengjian University filed Critical Tianjin Chengjian University
Priority to CN202010835458.4A priority Critical patent/CN111967186A/zh
Publication of CN111967186A publication Critical patent/CN111967186A/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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Insulated Gate Type Field-Effect Transistor (AREA)

Abstract

本发明公开一种用于功率晶体管大信号建模的神经网络空间映射方法，可用于建立精确的考虑室温效应和自热效应的功率晶体管的大信号模型。包括：步骤1根据待建模功率晶体管的类型选择电热粗模型；步骤2初始化动态映射神经网络；步骤3分别建立动态神经网络空间映射电热初模型的直流仿真模型、小信号仿真模型和大信号仿真模型；步骤4获得动态映射神经网络的最终权重w1；步骤5在商用电路仿真软件中建立动态映射神经网络；步骤6在商用电路仿真软件中建立动态神经网络空间映射电热模型。本发明有益效果是：更精确地反映考虑室温效应和自热效应的功率晶体管的大信号电热特性；嵌入到商业电路仿真软件中用于高层次的微波电路、系统仿真、设计和优化。

Description

一种用于功率晶体管大信号建模的神经网络空间映射方法
技术领域
本发明涉及一种微波器件与电路建模领域，尤其涉及一种用于功率晶体管大信号建模的神经网络空间映射方法。适于神经网络技术在微波晶体管建模领域的应用。
背景技术
随着无线通信和雷达探测等技术的快速发展，现代电子设备对微波晶体管的工作频率和功率密度等方面的要求越来越高。功率晶体管具有较好的高频性能和较高的功率品质因子，使它在高频和大功率的应用中具有非常重要的作用。目前，大部分微波、射频晶体管的特性都受温度的影响，尤其是对功率器件。其工作温度严重影响器件工作的可靠性和电特性。所以，建立考虑室温效应和自热效应的功率晶体管的大信号模型是非常必要的。
目前对功率晶体管的传统建模方法主要有两种：热比例建模方法和等效电路电热建模方法。早期采用热比例模型来反映器件特性随温度的变化关系，即模型中的参数是温度变量的函数，建模器件的温度变量一般通过估计获得。然而功率晶体管的自热效应主要是由其内部呈周期性变化的功率耗散引起的，因为热比例模型没有考虑器件瞬时电压和电流的变化，所以通过估计获得的器件温度与器件实际温度不符，故热比例模型无法准确模拟功率晶体管特性随温度的变化。等效电路电热建模方法是采用电热等效电路模型，即把温度变量及其引起的效应嵌入到原有的大信号等效电路拓扑中组成经验公式电热模型，从而对其进行非线性分析。等效电路电热模型具有结构简单、运算速度快、收敛性能好、易于与电路仿真软件兼容等优点，是目前应用最广泛的模型。但当新型功率晶体管出现时，该方法需要人为地反复调整等效电路的结构、参数以准确地模拟新型功率晶体管的电特性及晶体管特性随温度的变化关系，往往不能兼顾建模精度和速度。且每种方法一般只适用于特定类型的晶体管，缺乏通用性。因此，需要研究一种更有效、通用的功率晶体管建模方法。
近年来，在微波、射频器件建模领域，人工神经网络被公认为是传统建模技术的有效补充和优化。基于神经网络的晶体管建模方法主要有两种，人工神经网络直接建模方法和神经网络空间映射建模方法。人工神经网络直接建模方法是采用人工神经网络表征微波器件的非线性输入和输出关系，具有适用性强、精度高等优点，已被应用到有源、无源器件建模、自热效应、陷阱效应建模等多个领域。但因模型中缺乏经验知识信息，所以精确建模所需训练数据较多，从而使建模成本增加、周期变长。神经网络空间映射建模方法利用人工神经网络的学习能力自动映射粗模型与建模器件之间输入电压、电流的非线性关系，使包含粗模型和映射神经网络的神经网络空间映射模型能够更精确地匹配建模器件数据。神经网络空间映射建模方法融合了神经网络和空间映射的优点，可同时兼顾建模速度和精度。相比神经网络直接建模，它能大大减少精确建模所需数据量，降低神经网络拓扑结构的复杂度。但目前考虑室温效应和自热效应的神经网络空间映射建模方法未见报道。
发明内容
本发明所要解决的技术问题是提供一种用于功率晶体管大信号建模的神经网络空间映射方法，可用于建立精确的考虑室温效应和自热效应的功率晶体管的大信号模型，进一步提高功率晶体管建模的精度、效率和系统性。
本发明以功率晶体管为研究对象，基于先进的神经网络空间映射建模方法，公开了一种系统、通用的功率晶体管管芯大信号建模方法，涵盖室温效应、自热效应建模，不仅可以大大缩短微波、射频电路的设计周期，而且为进一步设计更大规模的微波电路、系统提供了可能，具有广泛的应用前景。
为了解决上述技术问题，本发明采用的技术方案是：
1、一种用于功率晶体管大信号建模的神经网络空间映射方法，包括下列步骤：
步骤1：根据待建模功率晶体管的类型，选择电热粗模型：所选的电热粗模型同时具备模型精度仅粗略表征功率晶体管的自热效应、室温效应及非线性特性和其特性与待建模功率晶体管相近的两个重要特征；先选择电热粗模型，再以此为基础建立所述动态神经网络空间映射电热模型，可降低神经网络拓扑结构的复杂性，降低精确建模所需训练数据，提高建模精度。
步骤2，初始化动态映射神经网络：调整动态映射神经网络的权重w，使该网络输出在待建模功率晶体管的整个工作范围内尽量与该网络对应输入相等；经初始化后，所述动态神经网络空间映射电热模型的非线性电热特性与电热粗模型相同，为动态映射神经网络提供了良好的训练起点，且确保经训练后动态神经网络空间映射电热模型的精度优于电热粗模型，保证公开方法的有效性。
步骤3，假设初始化后的映射神经网络权重为w0，将基于步骤1所述电热粗模型和步骤2所述初始化后的动态映射神经网络建立的模型命名为动态神经网络空间映射电热初模型，在基于神经网络的建模、优化软件中分别建立动态神经网络空间映射电热初模型的直流仿真模型、小信号仿真模型和大信号仿真模型；使采用测量所得待建模功率晶体管在不同环境温度下的脉冲、非脉冲直流、小信号S参数和大信号HB数据训练所述动态神经网络空间映射电热模型成为可能。
步骤4，采用待建模功率晶体管在不同室温下的脉冲、非脉冲直流、小信号S参数和大信号HB测量数据在基于神经网络的建模、优化软件中同时训练步骤3的直流仿真模型、小信号仿真模型和大信号仿真模型，获得动态映射神经网络的最终权重w1；通过训练，自动、快速地确定动态映射神经网络最终权重w1，使动态神经网络空间映射电热模型准确表征考虑自热效应和室温效应的待建模功率晶体管的非线性电热特性。通过训练，动态映射神经网络自动修正电热粗模型与待建模功率晶体管电热特性之间的差异，使公开的建模方法不局限于一个或一种功率晶体管建模，具有通用性和系统性。
步骤5，根据步骤4所述动态映射神经网络的最终权重w1和动态映射神经网络表达式在商用电路仿真软件中建立动态映射神经网络；
步骤6，根据步骤1所述电热粗模型和步骤5所述动态映射神经网络，在商用电路仿真软件中建立动态神经网络空间映射电热模型。将所述动态神经网络空间映射电热模型嵌入到商用电路仿真软件中，使其可用于高层次电路、系统仿真、设计、优化等。
步骤2中，初始化动态映射神经网络是训练动态映射神经网络权重w使
Figure RE-GDA0002664360420000041
其中，fANN1、fANN2和fANN3为动态映射神经网络fANN的三个输出神经元，即 fANN＝[fANN1,fANN2,fANN3]T，w为fANN的所有权重组成的向量，p和P分别为动态动态映射神经网络初始化训练数据的序号和总集合，vf1、vf2和Taf为动态映射神经网络的三个输入，分别表征模型的栅电压、漏电压和室温输入，vc1、 vc2和Tac为动态映射神经网络的三个输出，分别表征电热粗模型的栅电压、漏电压和室温输入。动态映射神经网络初始化训练数据可以采用网格的形式遍历器件的整个工作范围获得。通过初始化，使所述动态神经网络空间映射电热模型的非线性电热特性与电热粗模型相同。
步骤3中，假设采用时滞神经网络作为动态映射神经网络，令粗模型中的栅、漏直流电压分别设Vc1,DC和Vc2,DC，令粗模型中的栅、漏直流电流设为 Ic,DC＝[Ic1,DC,Ic2,DC]T，令时滞神经网络中栅、漏电压延迟单元数相等且均设为 Nd。直流仿真情况下，时滞神经网络中当前的电压信号和历史电压信号相等，设为Vf,DC＝＝[Vf1,DC,Vf2,DC]T，则所述动态神经网络空间映射电热初模型在室温 Taf＝Ta的直流仿真模型的解析表达式为：
Figure RE-GDA0002664360420000051
其中，
Figure RE-GDA0002664360420000052
Figure RE-GDA0002664360420000053
其中，w0为经初始化后fANN＝[fANN1,fANN2,fANN3]T的所有权重组成的向量， Rth为电热粗模型中的热电阻，当不考虑自热效应时，Rth设置为0，当考虑自热效应时，Rth≠0，*表征电热粗模型中的其他电路参数。动态神经网络空间映射电热初模型的直流仿真输出与动态映射神经网络权重的解析关系式，可用于建立所述动态神经网络空间映射电热初模型的直流仿真模型，使基于不同环境温度下的脉冲、非脉冲直流数据的模型训练成为可能。从上述解析关系式可知，本发明公开的神经网络空间映射方法通过合理引入室温信号，使动态神经网络空间映射电热模型精确表征待建模功率晶体管的室温效应，同时通过修正电热粗模型中电压、温度信号，提高模型自热效应建模的精度。
步骤3中，假设采用时滞神经网络作为动态映射神经网络，所述动态神经网络空间映射电热初模型在室温Taf＝Ta的小信号仿真模型的解析表达式通过变换其Y参数获得，该初模型的Y参数解析表达式为
Figure RE-GDA0002664360420000061
其中，
Figure RE-GDA0002664360420000062
其中，动态映射神经网络fANN的一阶导数可以通过伴随神经网络获得， k为动态映射神经网络中栅、漏电压延迟单元的序号。
上述步骤的有益效果是：本发明推导出了所述动态神经网络空间映射电热初模型的小信号Y参数仿真输出与动态映射神经网络权重的解析关系式，经Y-S参数转换后，可用于建立了所述动态神经网络空间映射电热初模型的小信号仿真模型，使基于不同环境温度下的脉冲、非脉冲小信号S参数数据的模型训练成为可能。
步骤3中，假设采用时滞神经网络作为动态映射神经网络，所述动态神经网络空间映射电热初模型在室温Taf＝Ta的大信号HB仿真模型的解析表达式为
Figure RE-GDA0002664360420000063
其中，
Figure RE-GDA0002664360420000071
其中，If(ωk)和Vf(ωk)分别代表所述动态神经网络空间映射电热初模型在基频或谐波频率ωk的谐波电流和电压，ic(tn)和qc(tn)分别代表电热粗模型在tn时刻的时域电流和电荷，WN(n,k)为第n个时间抽样点和第k次谐波的傅里叶变换系数，
Figure RE-GDA0002664360420000072
为WN(n,k)的共轭，NH和NT分别表征谐波仿真中考虑的谐波总数和抽样点数，m为动态映射神经网络中栅、漏电压延迟单元的序号。动态神经网络空间映射电热初模型的大信号HB仿真输出与动态映射神经网络权重的解析关系式，可用于建立了所述动态神经网络空间映射电热初模型的大信号HB仿真模型，使基于大信号HB数据的模型训练成为可能。
步骤5中，假设采用时滞神经网络作为动态映射神经网络，所述时滞神经网络fANN＝[fANN1,fANN2,fANN3]T将动态神经网络空间映射电热模型中当前时间电压信号vf(t)、历史电压信号vf(t-τ),...,vf(t-Ndτ)和室温Taf映射为电热粗模型当前时间的栅、漏电压信号(vc1(t)和vc2(t))和温度信号Tac，其解析表达式为
vci(t)＝fANNi(vf(t),vf(t-τ),...,vf(t-Ndτ),Taf,w1),i＝1,2 (9)
Tac＝fANN3(vf(t),vf1(t-τ),...,vf(t-Ndτ),Taf,w1) (10)
其中，w1为训练后动态映射神经网络fANN的所有最终权重组成的向量。在商业电路仿真软件中，采用带延迟单元的电压控制电压源模块实现电压信号延迟，采用控制系数为1电压控制电压源模块引入室温变量，采用通用型电压控制电压源模块实现动态映射网络fANN的非线性表达式。电热粗模型与待建模功率晶体管精确模型的差异可能不仅仅是因为非记忆元件，如电阻引起的，部分是因为记忆元件如电容、电感的差异导致。因此，本发明采用动态映射神经网络不仅可修正电热粗模型的非记忆效应差异，而且可以修正记忆效应，提高了建模精度；本发明不仅采用动态神经网络修正电热粗模型中的电压信号，而且修正了温度信号，可进一步提高待建模功率晶体管室温效应建模和自热效应建模的精度。最后，公开了所述动态映射神经网络的解析表达式，可将其嵌入到商业仿真软件中。
步骤6中，所述动态神经网络空间映射电热模型由电热粗模型和动态映射神经网络两部分组成，在商业电路仿真软件中，首先嵌入电热粗模型，然后根据公开的动态神经网络空间映射电热模型结构，连接电热粗模型与步骤 6所述动态映射神经网络之间的变量，最后采用控制系数为1的电流控制电流源实现if1＝ic1，if2＝ic2。
本发明的有益效果是：动态映射神经网络通过修正电热粗模型中的动态电压和温度信号，使动态神经网络空间映射电热模型相比电热粗模型能够更精确地反映考虑室温效应和自热效应的功率晶体管的大信号电热特性。公开的动态神经网络空间映射电热模型可以嵌入到商业电路仿真软件中，用于高层次的微波电路、系统仿真、设计和优化。
附图说明
图1是本发明实施例提供的动态神经网络空间映射电热模型原理框图，
图2是本发明实施例提供的动态神经网络空间映射电热模型结构框图，
图3是本发明实施例提供的动态神经网络空间映射电热模型训练框图，
图4a是本发明实施例提供的待建模功率晶体管在室温为25°时脉冲直流样本数据和模型输出特性曲线对比。
图4b是本发明实施例提供的待建模功率晶体管在室温为75°时脉冲直流样本数据和模型输出特性曲线对比。
图4c是本发明实施例提供的待建模功率晶体管在室温为125°时脉冲直流样本数据和模型输出特性曲线对比。
图4d是本发明实施例提供的待建模功率晶体管在室温为25°时非脉冲直流样本数据和模型输出特性曲线对比。
图4e是本发明实施例提供的待建模功率晶体管大信号HB样本数据和模型输出特性曲线对比。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明：
如图1所示，动态神经网络空间映射电热模型由电热粗模型和动态映射神经网络两部分组成。首先，待建模功率晶体管栅、漏两端的外部电压vf1、vf2和室温Taf分别由动态映射神经网络fANN1()、fANN2()和 fANN3()将其映射为电热粗模型栅、漏两端的电压vc1、vc2和室温Tac。其次，电压激励vc1和vc2加载在电热粗模型栅、漏两端，可以获得当室温为Tac时栅、漏两端电流响应ic1和ic2。最后，将电热粗模型栅、漏两端的电流输出ic1、ic2作为动态神经网络空间映射电热模型栅、漏两端的电流输出if1和if2。
假设采用时滞神经网络作为粗模型，且栅、漏电压延迟单元数相等且均为Nd，则动态神经网络空间映射电热模型结构如图2所示。首先，栅、漏两端当前时间的外部电压vf1(t)和vf2(t)经延迟单元模块分别实现对应电压的延迟信号vf1(t-τ)、vf1(t-2τ)、……、vf1(t-Ndτ)和vf2(t-τ)、 vf2(t-2τ)、。。。、vf2(t-Ndτ)，室温Taf经控制系数为1的电压控制电压源模块转化为电压信号；其次，栅、漏两端当前时间的外部电压vf1(t)、vf2(t) 和对应延迟信号vf1(t-τ)、vf1(t-2τ)、。。。、vf1(t-Ndτ)、vf2(t-τ)、vf2(t-2τ)、……、 vf2(t-Ndτ)以及室温Taf经三个通用型电压控制电压源模块映射为电热粗模型栅、漏两端的电压vc1(t)、vc2(t)和室温Tac,通用型电压控制电压源模块内嵌动态映射神经网络的表达式，即vci(t)＝fANNi(vf(t),vf(t-τ),...,vf(t-Ndτ),Taf,w1),i＝1,2 和Tac＝fANN3(vf(t),vf1(t-τ),...,vf(t-Ndτ),Taf,w1)；再次，栅、漏两端的电压vc1(t)、vc2(t)和室温Tac输入到电热粗模型得到栅、漏两端的电流输出ic1(t)和ic2(t)，电热粗模型一般由表征自热效应的热子电路和表征器件电热非线性特性的电热特性子电路两部分组成；最后，ic1(t)和ic2(t)分别经控制系数为1的电流控制电流源模块转化为动态神经网络空间映射电热模型输出if1(t)和 if2(t)。
如图3所示，本发明的一种用于功率晶体管大信号建模的神经网络空间映射方法，包括下列步骤：
步骤1，根据待建模功率晶体管的类型，选择电热粗模型：所选的电热粗模型同时具备模型精度仅粗略表征功率晶体管的自热效应、室温效应及非线性特性和其特性与待建模功率晶体管相近的两个重要特征；
步骤2，初始化动态映射神经网络：调整动态映射神经网络的权重w，使该网络输出在待建模功率晶体管的整个工作范围内尽量与该网络对应输入相等；
步骤3，假设初始化后的映射神经网络权重为w0，将基于步骤1电热粗模型和步骤2初始化后的动态映射神经网络建立的模型命名为动态神经网络空间映射电热初模型，在基于神经网络的建模、优化软件中分别建立动态神经网络空间映射电热初模型的直流仿真模型、小信号仿真模型和大信号仿真模型；
步骤4，采用待建模功率晶体管在不同室温下的脉冲、非脉冲直流、小信号S参数和大信号HB测量数据在基于神经网络的建模、优化软件中同时训练步骤3的直流仿真模型、小信号仿真模型和大信号仿真模型，获得动态映射神经网络的最终权重w1；
步骤5，根据步骤4动态映射神经网络的最终权重w1和动态映射神经网络表达式在商用电路仿真软件中建立动态映射神经网络；
步骤6，根据步骤1电热粗模型和步骤5动态映射神经网络，在商用电路仿真软件中建立动态神经网络空间映射电热模型。
只有经过训练，动态神经网络空间映射电热模型才能准确地反映待建模功率晶体管的自热效应、室温效应、大信号特性等。动态神经网络空间映射电热模型训练的目标为：通过优化动态映射神经网络的权重w0和自热效应子模块中热电阻Rth，使训练误差E小于训练停止最大误差
Figure RE-GDA0002664360420000111
训练完成后，该电热模型可准确反映功率晶体管的室温效应、自热效应和大信号特性等。
本发明训练误差E定义为公开的动态神经网络空间映射电热模型在不同环境温度下的脉冲、非脉冲直流、小信号S参数、大信号HB仿真输出与其训练数据的差，解析表达式为
Figure RE-GDA0002664360420000112
其中，Ipulse(.)、Spulse(.)、Iunpulse(.)和Sunpulse(.)分别为动态神经网络空间映射电热模型在不同环境温度下的脉冲、非脉冲直流、小信号S参数仿真输出， IpulseD、SpulseD、IunpulseD和SunpulseD分别为公开的电热模型在不同环境温度下的脉冲、非脉冲直流、小信号S参数训练数据，HB(.)和HBD分别为动态神经网络空间映射电热模型的大信号HB仿真输出和训练数据。
Figure RE-GDA0002664360420000113
Figure RE-GDA0002664360420000114
和Nfreq_pulse分别为公开的电热模型的脉冲直流、小信号S参数训练数据的所有室温、漏电压、栅电压、频率点总数，
Figure RE-GDA0002664360420000121
和Nfreq_unpulse分别为公开的电热模型的非脉冲直流、小信号S参数训练数据的所有室温、漏电压、栅电压、频率点总数，
Figure RE-GDA0002664360420000122
NH和NP分别为HB训练数据的所有室温、漏电压、栅电压、谐波、输入功率总数。比例因子矩阵A、 B、C、D和G与待建模功率晶体管的脉冲直流输出IpulseD、脉冲小信号S 参数输出SpulseD、非脉冲直流输出IunpulseD、非脉冲小信号S参数输出SunpulseD和大信号HB输出HBD的幅度范围成反比。
为了测试公开的用于功率晶体管大信号建模的神经网络空间映射方法的有效性，我们对手机中的某个功率晶体管进行建模，并将所得动态神经网络空间映射电热模型与电热粗模型进行对比，结果如图4(a)～(e)所示。图 4(a)～(c)为不考虑自热效应情况下室温分别为25°、75°和125°时动态神经网络空间映射电热模型、电热粗模型的I-V输出与待建模晶体管测量数据的对比，从图中可见，电热粗模型仅能粗略表征待建模功率晶体管的室温效应和直流特性，而动态神经网络空间映射电热模型与测量数据匹配良好；图4(d) 为考虑自热效应情况下室温为25°时动态神经网络空间映射电热模型、电热粗模型直流输出与待建模晶体管测量数据的对比，从图中可见，动态神经网络空间映射电热模型可以精确表征待建模晶体管的自热效应；图4(e)为室温为25°时动态神经网络空间映射电热模型、电热粗模型的大信号HB输出与待建模晶体管测量数据的对比，从图中可见，动态神经网络空间映射电热模型可以精确表征待建模晶体管的非线性特性。综上所述，公开的用于功率晶体管大信号建模的神经网络空间映射方法可以用于建立考虑自热效应和室温效应的功率晶体管的精确大信号模型。

Claims (7)

1.一种用于功率晶体管大信号建模的神经网络空间映射方法，包括下列步骤：
步骤1，根据待建模功率晶体管的类型选择电热粗模型：所选的电热粗模型同时具备模型精度仅粗略表征功率晶体管的自热效应、室温效应及非线性特性和其特性与待建模功率晶体管相近的两个重要特征；
步骤2，初始化动态映射神经网络：调整动态映射神经网络的权重w，使该网络输出在待建模功率晶体管的整个工作范围内与该网络对应输入相等；
步骤3，假设初始化后的映射神经网络权重为w0，将基于步骤1所述电热粗模型和步骤2所述初始化后的动态映射神经网络建立的模型命名为动态神经网络空间映射电热初模型，在基于神经网络的建模、优化软件中分别建立动态神经网络空间映射电热初模型的直流仿真模型、小信号仿真模型和大信号仿真模型；
步骤4，采用待建模功率晶体管在不同室温下的脉冲、非脉冲直流、小信号S参数和大信号HB测量数据在基于神经网络的建模、优化软件中同时训练步骤3的直流仿真模型、小信号仿真模型和大信号仿真模型，获得动态映射神经网络的最终权重w1；
步骤5，根据步骤4所述动态映射神经网络的最终权重w1和动态映射神经网络表达式在商用电路仿真软件中建立动态映射神经网络；
步骤6，根据步骤1所述电热粗模型和步骤5所述动态映射神经网络，在商用电路仿真软件中建立动态神经网络空间映射电热模型。
2.根据权利要求1所述的一种用于功率晶体管大信号建模的神经网络空间映射方法，其特征在于，步骤2中所述初始化动态映射神经网络是训练动态映射神经网络权重w使
Figure RE-FDA0002664360410000021
其中，fANN1、fANN2和fANN3为动态映射神经网络fANN的三个输出神经元，即fANN＝[fANN1,fANN2,fANN3]T，w为fANN的所有权重组成的向量，p和P分别为动态动态映射神经网络初始化训练数据的序号和总集合，vf1、vf2和Taf为动态映射神经网络的三个输入，分别表征模型的栅电压、漏电压和室温输入，vc1、vc2和Tac为动态映射神经网络的三个输出，分别表征电热粗模型的栅电压、漏电压和室温输入，动态映射神经网络初始化训练数据可以采用网格的形式遍历器件的整个工作范围获得。
3.根据权利要求1所述的一种用于功率晶体管大信号建模的神经网络空间映射方法，其特征在于，步骤3中，假设采用时滞神经网络作为动态映射神经网络，令粗模型中的栅、漏直流电压分别设Vc1,DC和Vc2,DC，令粗模型中的栅、漏直流电流设为Ic,DC＝[Ic1,DC,Ic2,DC]T，令时滞神经网络中栅、漏电压延迟单元数相等且均设为Nd。直流仿真情况下，时滞神经网络中当前的电压信号和历史电压信号相等，设为Vf,DC＝＝[Vf1,DC,Vf2,DC]T，则所述动态神经网络空间映射电热初模型在室温Taf＝Ta的直流仿真模型的解析表达式为：
Figure RE-FDA0002664360410000022
其中，
Figure RE-FDA0002664360410000023
Figure RE-FDA0002664360410000024
其中，w0为经初始化后fANN＝[fANN1,fANN2,fANN3]T的所有权重组成的向量，Rth为电热粗模型中的热电阻，当不考虑自热效应时，Rth设置为0，当考虑自热效应时，Rth≠0，*表征电热粗模型中的其他电路参数。
4.根据权利要求1所述的一种用于功率晶体管大信号建模的神经网络空间映射方法，其特征在于，步骤3中，假设采用时滞神经网络作为动态映射神经网络，所述动态神经网络空间映射电热初模型在室温Taf＝Ta的小信号仿真模型的解析表达式通过变换其Y参数获得，该初模型的Y参数解析表达式为
Figure RE-FDA0002664360410000031
Figure RE-FDA0002664360410000032
其中，
Figure RE-FDA0002664360410000033
其中，动态映射神经网络fANN的一阶导数可以通过伴随神经网络获得，k为动态映射神经网络中栅、漏电压延迟单元的序号。
5.根据权利要求1所述的一种用于功率晶体管大信号建模的神经网络空间映射方法，其特征在于，步骤3中，假设采用时滞神经网络作为动态映射神经网络，所述动态神经网络空间映射电热初模型在室温Taf＝Ta的大信号HB仿真模型的解析表达式为
Figure RE-FDA0002664360410000041
其中，
Figure RE-FDA0002664360410000042
其中，If(ωk)和Vf(ωk)分别代表所述动态神经网络空间映射电热初模型在基频或谐波频率ωk的谐波电流和电压，ic(tn)和qc(tn)分别代表电热粗模型在tn时刻的时域电流和电荷，WN(n,k)为第n个时间抽样点和第k次谐波的傅里叶变换系数，
Figure RE-FDA0002664360410000043
为WN(n,k)的共轭，NH和NT分别表征谐波仿真中考虑的谐波总数和抽样点数，m为动态映射神经网络中栅、漏电压延迟单元的序号。
6.根据权利要求1所述的一种用于功率晶体管大信号建模的神经网络空间映射方法，其特征在于，步骤5中，假设采用时滞神经网络作为动态映射神经网络，所述时滞神经网络fANN＝[fANN1,fANN2,fANN3]T将动态神经网络空间映射电热模型中当前时间电压信号vf(t)、历史电压信号vf(t-τ),...,vf(t-Ndτ)和室温Taf映射为电热粗模型当前时间的栅、漏电压信号(vc1(t)和vc2(t))和温度信号Tac，其解析表达式为
vci(t)＝fANNi(vf(t),vf(t-τ),...,vf(t-Ndτ),Taf,w1),i＝1,2 (9)
Tac＝fANN3(vf(t),vf1(t-τ),...,vf(t-Ndτ),Taf,w1) (10)
其中，w1为训练后动态映射神经网络fANN的所有最终权重组成的向量，在商业电路仿真软件中，采用带延迟单元的电压控制电压源模块实现电压信号延迟，采用控制系数为1电压控制电压源模块引入室温变量，采用通用型电压控制电压源模块实现动态映射网络fANN的非线性表达式。
7.根据权利要求1所述的一种用于功率晶体管大信号建模的神经网络空间映射方法，其特征在于，步骤6中，所述动态神经网络空间映射电热模型由电热粗模型和动态映射神经网络两部分组成，在商业电路仿真软件中，首先嵌入电热粗模型，然后根据公开的动态神经网络空间映射电热模型结构，连接电热粗模型与步骤6所述动态映射神经网络之间的变量，最后采用控制系数为1的电流控制电流源实现if1＝ic1，if2＝ic2。
CN202010835458.4A 2020-08-19 2020-08-19 一种用于功率晶体管大信号建模的神经网络空间映射方法 Pending CN111967186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010835458.4A CN111967186A (zh) 2020-08-19 2020-08-19 一种用于功率晶体管大信号建模的神经网络空间映射方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010835458.4A CN111967186A (zh) 2020-08-19 2020-08-19 一种用于功率晶体管大信号建模的神经网络空间映射方法

Publications (1)

Publication Number Publication Date
CN111967186A true CN111967186A (zh) 2020-11-20

Family

ID=73389454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010835458.4A Pending CN111967186A (zh) 2020-08-19 2020-08-19 一种用于功率晶体管大信号建模的神经网络空间映射方法

Country Status (1)

Country Link
CN (1) CN111967186A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347704A (zh) * 2020-12-03 2021-02-09 北京工业大学 一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法
CN113536675A (zh) * 2021-07-14 2021-10-22 哈尔滨工程大学 一种基于微结构热效应分析的mems器件温漂误差精密建模方法
CN113868937A (zh) * 2021-08-20 2021-12-31 浙江大学 基于动态空间映射的硅场效应管射频开关谐波预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108549767A (zh) * 2018-04-13 2018-09-18 天津工业大学 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108549767A (zh) * 2018-04-13 2018-09-18 天津工业大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱琳: ""基于神经网络空间映射的微波射频器件建模"", 《博士电子期刊》, vol. 2016, no. 08, 15 August 2016 (2016-08-15), pages 1 - 6 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347704A (zh) * 2020-12-03 2021-02-09 北京工业大学 一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法
CN112347704B (zh) * 2020-12-03 2023-10-20 北京工业大学 一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法
CN113536675A (zh) * 2021-07-14 2021-10-22 哈尔滨工程大学 一种基于微结构热效应分析的mems器件温漂误差精密建模方法
CN113868937A (zh) * 2021-08-20 2021-12-31 浙江大学 基于动态空间映射的硅场效应管射频开关谐波预测方法

Similar Documents

Publication Publication Date Title
CN111967186A (zh) 一种用于功率晶体管大信号建模的神经网络空间映射方法
Di Piazza et al. Dynamic PV model parameter identification by least-squares regression
CN106446310B (zh) 基于人工神经网络的晶体管及系统建模方法
CN108549767A (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
Hariri et al. Open‐source python‐OpenDSS interface for hybrid simulation of PV impact studies
CN108448631A (zh) 基于模型降阶的含分布式电源接入配电网的动态相量建模方法
You et al. Design method of self-driving RF-DC rectifier based on waveform-guided solutions to passive matching network
Celsa et al. Matlab/Simulink model of photovoltaic modules/strings under uneven distribution of irradiance and temperature
Abdelhamid et al. Fast and accurate PV model for SPICE simulation
Wang et al. Large-signal behavior modeling of GaN P-HEMT based on GA-ELM neural network
CN110502842A (zh) 功率半导体模块的热模型建模方法及其应用方法和装置
Chen et al. Model reduction in the time-domain using Laguerre polynomials and Krylov methods
Li et al. Analog VLSI implementation of wavelet transform using switched-current circuits
CN105608256B (zh) 一种吸纳不同步长接口延时的并行计算分网方法
CN103778281A (zh) GaAs pHEMT管芯非线性模型参数提取方法
CN111695296B (zh) 一种适用于hbt晶体管的新型神经网络空间映射建模方法
CN113868937B (zh) 基于动态空间映射的硅场效应管射频开关谐波预测方法
CN110350546A (zh) 一种单相有源电力滤波器控制方法
Taher et al. Constitutive relations for nonlinear modeling of Si/SiGe HBTs using an ANN model
CN106546824B (zh) 基于变系数回归的含光伏电网系统谐波阻抗估计方法
Uhl et al. Non-linear behavioral X-Parameters model of single-phase rectifier in the frequency domain
Gong et al. Parametric identification of DQ impedance model for three-phase voltage-source converters
Han et al. Modeling of heterojunction bipolar transistors based on novel Wiener‐type dynamic neural network
Hsiung et al. A linear 4-element model of VRM—Characteristics, practical uses and limitations
Yan et al. Neurospace mapping modeling for packaged transistors

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