CN113868937A - 基于动态空间映射的硅场效应管射频开关谐波预测方法 - Google Patents

基于动态空间映射的硅场效应管射频开关谐波预测方法 Download PDF

Info

Publication number
CN113868937A
CN113868937A CN202110962245.2A CN202110962245A CN113868937A CN 113868937 A CN113868937 A CN 113868937A CN 202110962245 A CN202110962245 A CN 202110962245A CN 113868937 A CN113868937 A CN 113868937A
Authority
CN
China
Prior art keywords
field effect
dynamic
effect transistor
silicon field
model
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
CN202110962245.2A
Other languages
English (en)
Other versions
CN113868937B (zh
Inventor
李尔平
杨思晨
周杰峰
吴承翰
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110962245.2A priority Critical patent/CN113868937B/zh
Publication of CN113868937A publication Critical patent/CN113868937A/zh
Application granted granted Critical
Publication of CN113868937B publication Critical patent/CN113868937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

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)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Semiconductor Integrated Circuits (AREA)

Abstract

本发明公开了一种基于动态空间映射的硅场效应管射频开关谐波预测方法。建立射频开关的非线性电容等效电路作为粗模型；谐波平衡仿真获得输入信号及其输出信号，建立时域动态神经网络，用谐波平衡仿真获得的信号训练获得预测网络；通过实际测试输入信号及其输出信号，利用预测网络建立细模型，利用实际测试得到的信号训练，用训练后的细模型实现谐波预测。本发明方法结合了精细模型精度高和粗模型速度快的优点，预测静态神经空间映射中缺失的任何电容效应和非准静态效应，较等效电路模型能够准确预测谐波。

Description

基于动态空间映射的硅场效应管射频开关谐波预测方法
技术领域
本发明属于微波非线性建模领域的一种谐波预测方法，尤其是涉及一种基于动态空间映射神经网络的绝缘体上硅场效应晶体管(SOIFET)射频开关的谐波预测方法。
背景技术
射频开关是典型前端模块的重要组成部分，通常用于蜂窝手机中，作为外部世界与内部射频收发器和基带集成电路之间的接口。在摩尔定律的推动下，传统的互补金属氧化物半导体工艺已不能满足集成电路行业现代开关对更高集成度、更高功率和更高速率的要求，绝缘体上硅场效应晶体管以其优越的性能最初被开发用于数字应用。然而，绝缘体上硅场效应晶体管往往具有较高的非线性，当由大激励信号驱动时会产生不需要的谐波，这会导致电磁辐射杂散发射。因此，为射频开关的非线性行为开发准确的行为模型变得至关重要。
但是在不能充分得到内部物理结构参数的基础上，在电磁商用仿真软件中建立结合了基于物理的表面电势模型来描述晶体管的非线性和一个随电压变化的硅-二氧化硅反型层盒电容模型来描述衬底的非线性的混合等效电路模型无法预测真实的谐波输出。而且这种模型有近400多个参数，描述了绝缘体上硅场效应晶体管上如浮体效应，双极性效应，自热效应等多种物理效应，模型不开源无法优化，而且这些对非线性谐波的预测没有影响，从而提出了一种简化的极间非线性电容模型，只用来预测开关的非线性谐波效应。但是这种电路模型(即粗模型)还是无法完全匹配真实开关的行为(称为细模型)。
近年来，神经空间映射技术结合了神经网络和空间映射的概念，使用神经网络将给定的粗模型映射到满足非线性设备建模的设备数据的模型。研究证实，神经空间映射技术比起等效电路模型有更好的准确率，比起测试或全波仿真又更加简便和有效，它可以有效的预测射频开关的非线性谐波效应。
发明内容
为了解决背景技术中存在的问题，本发明方法的目的是针对现在粗模型精确度不够的情况，提供一种基于动态空间映射神经网络的绝缘体上硅场效应晶体管射频开关的谐波预测方法，对比等效电路模型实现了显著的性能和效率的提升，对比静态空间映射网络和直接用神经网络预测开关的输出信号也提高了准确率。
本发明方法的具体技术方案是：
过程一、针对绝缘体上硅场效应晶体管射频开关的非线性特性，建立一个射频开关的非线性电容等效电路，作为粗模型；
所述的射频开关由多个硅场效应晶体管构成；
过程二、对粗模型进行谐波平衡仿真获得粗模型的输入信号及其对应的输出信号，建立粗模型的输入信号与输出信号之间关系的时域动态神经网络，时域动态神经网络的输入为粗模型的输入信号，时域动态神经网络的输出为粗模型的输出信号，用谐波平衡仿真获得的粗模型的输入信号及其对应的输出信号训练时域动态神经网络获得预测网络，以实现粗模型的输出信号预测以替代谐波平衡仿真，用于后续空间映射神经网络技术的实现；
过程三、通过实际测试得到绝缘体上硅场效应晶体管射频开关的输入信号及其对应的输出信号，利用预测网络进一步建立细模型，利用实际测试得到的绝缘体上硅场效应晶体管射频开关的输入信号与输出信号对细模型进行训练，利用训练后的细模型对待测绝缘体上硅场效应晶体管射频开关的输入信号进行处理获得对应输出信号，实现谐波预测。
由此本发明通过时域动态神经网络建立动态输入映射和动态输出映射，调整粗模型的输入和输出，使得输出结果匹配细模型的输出结果，建立完整的动态空间映射神经网络，实现绝缘体上硅场效应管射频开关的谐波预测。
所述过程一，具体为：
分析绝缘体上硅场效应晶体管射频开关的非线性特性，在电磁仿真软件中建立了混合等效电路模型，然后对混合等效电路模型通过交流仿真得到硅场效应管的三种内部连接的电压差和电流关系，三种内部连接分别为栅极和源极之间的连接、栅极和漏极之间的连接以及栅极和衬底之间的连接；
具体实施中，对于晶体管的非线性，选择了集成在商用仿真软件中的物理表面电势体模型。对于衬底的非线性，硅-二氧化硅界面与硅衬底之间的反型层的埋盒氧化电容随电压的变化而变化。混合模型结合了两个模型，在物理参数完全获得的情况下，可以预测开关的非线性。
所述的硅场效应管包括了栅极、源极、漏极、衬底，栅极分别和源极、漏极、衬底连接。
将每种内部连接均视为一个非线性电容，均通过以下公式计算得到每种内部连接的随两端电压差离散变化的非线性电容的电容值，然后将硅场效应管各种内部连接的离散电压差和电流关系均转换为离散电压差-电容关系，绘制电压差-电容关系曲线图：
CNon＝-1/(2πf*Im(Vin/I))
其中，CNon表示非线性电容的电容值，Vin为交流仿真时的极间电压，仿真时设置直流电源电压Vg和交流电源电压，交流仿真时的极间电压Vin为直流电源电压Vg和交流电源电压之和；I为交流仿真时的极间电流，f为交流仿真时的工作频率，Im()表示取虚部；
栅极和源极之间、栅极和漏极之间和栅极和衬底之间的非线性电容分别为栅源电容Cgs、栅漏电容Cgd以及栅体电容Cgb。
根据非线性电容的离散电压差-电容关系代入以下公式的电容与电压差函数关系表达式拟合得到公式中的参数C0、a、b、C1，进而获得非线性电容的连续电压差-电容关系：
CNon＝C0tanh(aVg+b)+C1
其中，Vg为交流仿真时的直流电源电压Vg电压差，C0、C1分别表示第一电容参数、第二电容参数，a、b分别表示第一系数参数、第二系数参数；
在电磁商用仿真软件中利用非线性电容的连续电压差-电容关系设置到混合等效电路模型上构建非线性电容等效电路，作为粗模型。
具体实施可进一步用仿真软件中的优化控件，轻微调整函数表达式里的参数，使它的仿真谐波特性更靠近测试结果。
本发明中，Vg表示栅极侧的电压，源极，漏极和衬底端都接地，P表示交流电压。
如图2所示，所述的非线性电容等效电路/混合等效电路模型包括了多个硅场效应管，硅场效应管的数量为双数，多个硅场效应管依次串联，相邻两个硅场效应管之间以漏极和源极相连接，即上一个硅场效应管的源极和下一个硅场效应管的漏极连接，第一个硅场效应管的漏极经一个电阻和交流电源P的一端连接，交流电源P的另一端接地，最后一个硅场效应管的源极接地；每个硅场效应管的栅极经各自的一个电阻连接到直流电源电压Vg的正极，电源电压Vg的负极接地；
所有硅场效应管以相邻两个硅场效应管为一组，进而分为多组硅场效应管组，每组硅场效应管中的两个硅场效应管的衬底端均经各自的一个非线性盒电容连接到第一个电阻电容组件的两端，同时另外两个电阻电容组件串联后并联到第一个电阻电容组件的两端，另外两个电阻电容组件之间引出接地，每个电阻电容组件均由一个电阻和一个电容并联构成；所述的非线性电容等效电路的交流电源P的另一端引出作为输入端，最后一个硅场效应管的源极引出作为输出端，输入信号输入到输入端，输出信号从输出端输出。
由于基于物理表面电势的体模型无法完全获得物理参数，且不开源无法优化，描述的物理特性也太过复杂，针对硅场效应管简化的极间非线性电容结构足够描述绝缘体上硅晶体管的谐波特性。
如图3所示，所述的非线性电容等效电路中，将每个硅场效应管视为三个非线性盒电容的组合，每个硅场效应管分为栅极侧、漏极侧、源极侧和衬底侧的四条子路，四条子路的一端连接到一起，四条子路的另一端引出分别作为栅极、漏极、源极和衬底端，栅极所在子路不设有非线性盒电容和电源电压，漏极、源极和衬底端所在子路均由一个非线性盒电容构成。
漏极所在子路的非线性盒电容的电容值为栅漏电容Cgd，接地；源极所在子路的非线性盒电容的电容值为栅源电容Cgs，接地；衬底端所在子路的非线性盒电容的电容值为栅体电容Cgb，接地。
本发明上述针对射频开关和硅场效应管的等效结构处理，是针对于原混合模型的参数过多，不能很好优化，且描述了如自热效应，浮体效应等多种与谐波影响无关的物理效应的问题，这种等效结构参数简单，便于优化，根据实验结果轻微调整电容参数，能使得仿真结果更加接近测试结果。
所述过程二，具体为：在电磁仿真软件中建立粗模型的非线性电容等效电路图，确定基波频率在0.85GHz至1GHz，步长为0.1GHz，输入功率为-10dBm到50dBm，步长为0.1dBm，进行三阶谐波平衡仿真，得到输入信号和输出信号的三阶以内频谱大小数据；再通过逆傅里叶变换得到时域上的波形数据，时间步长1000点，时间范围为0～2e-12秒，大约两个周期长，每一个基波频率的每一个输入功率点得到的时域波形数据成为一条数据并保存，共保存9616条数据，将所有条数据构成作为时域动态神经网络的训练数据集；创建时域动态神经网络，将训练数据集输入到时域动态神经网络进行训练，获得训练后的时域动态神经网络作为预测网络。
这样建立了粗模型的输入信号与输出信号之间的关系，可以预测输出信号的频谱，用于后续空间映射神经网络技术的实现。
所述的时域动态神经网络采用LSTM(长短期记忆)神经网络模型。
所述过程三，具体为：
3.1)创建另外两个结构相同且初始权重相同的时域动态神经网络，分别为动态输入映射网络和动态输出映射网络，如图4所示，将动态输入映射网络、预测网络和动态输出映射网络依次级联形成动态空间映射神经网络，作为细模型；以动态输入映射网络的输入作为细模型的输入信号，动态输入映射网络的输出作为预测网络的输入，预测网络的输出作为动态输出映射网络的输入，动态输出映射网络的输出作为细模型的输出信号，从而形成整个动态空间映射神经网络；
一是动态输入映射网络，用来预测细模型的输入到粗模型的输入之间的关系；
二是动态输出映射网络，用来预测粗模型的输出和细模型的输出之间的关系。输入和输出信号都是步长为1000的时域波形。
本发明中，Vfi表示测试的输入信号，Vf2表示测试的输出信号，Vc1表示粗模型对应的预测网络的输入信号，Vc1表示粗模型对应的预测网络的输入信号。
所述的动态输入映射网络和动态输出映射网络均采用LSTM神经网络模型。
3.2）将实际测试得到的绝缘体上硅场效应晶体管射频开关的输入信号作为细模型的输入信号，将实际测试得到的绝缘体上硅场效应晶体管射频开关的输出信号作为细模型的输出信号，输入到动态空间映射神经网络中进行训练：
3.3）利用训练后的动态空间映射神经网络对待测绝缘体上硅场效应晶体管射频开关的输入信号进行处理获得对应输出信号，实现谐波预测。
所述3.2）具体为：
3.2.1）将动态空间映射神经网络联结好后，输入实际测试得到的绝缘体上硅场效应晶体管射频开关的一条时域输入数据到动态空间映射神经网络，将整个动态空间映射神经网络的输出与对应时域输入数据的实际输出数据进行比较，得到均方误差；利用均方误差通过反向传播的梯度下降法，找到使整个动态空间映射神经网络向最优解靠近的那个方向，从而改变权重，使得整个动态空间映射神经网络的输出结果更接近精确输出结果；
3.2.2）针对每一条细模型的时域输入数据，不断持续上述过程3.2.1），直到所有条时域输入数据全部训练完；
3.2.3）再打乱细模型的各条时域输入数据的排列顺序，重新进行上述过程3.2.1），直到误差不再变化或是变大，则结束训练；
3.2.4）改变神经网络中隐藏神经元的层数和个数，进行步骤3.2.3）；
3.2.5）不断迭代上述步骤3.2.2）～3.2.4）过程，使得整个动态空间映射神经预测网络获得的输出信号与细模型的输出信号误差最小，则确定最终的动态空间映射神经网络为最优网络。
所述方法用于非线性谐波建模问题。预测算法基于LSTM模型实现。
本发明上述针对动态空间映射神经网络的设计和训练处理，针对细模型难以获得和粗模型精度不高的问题，能够获得细模型精度高和粗模型便于计算和高效率的优势。
本发明方法分为三个总步骤，分别为利用射频开关的非线性特性建立简化的极间非线性电容等效电路模型，并利用动态神经网络模型LSTM与谐波仿真的频谱逆傅里叶变换到时域信号结果完成对粗模型输出信号的预测和利用加入了动态输入映射和动态输出映射的空间映射神经网络完成最终的开关谐波预测。
本发明方法能预测手机前端射频链路中绝缘体上硅场效应晶体管射频开关的谐波效应，使用简化的极间非线性电容等效电路模型来大致模拟开关的谐波效应，并使用加入了动态映射的空间映射神经网络和测试结果调整等效电路模型的输入与输出使得结果能匹配测试结果。
与传统技术相比，本发明增加了输出映射神经网络和动态电压映射，提出了一种结合描述体场效应管的高阶效应和非线性的基于物理表面电势的模型来模拟晶体管以及依赖于电压的非线性盒电容用于模拟各种机制例如电压不平衡、体漏电流等产生在晶体管的衬底的非线性混合等效电路模型。由于这个模型参数太多太复杂，从而提出了一个简化的电极间非线性电容模型来代替这个混合模型，它足以充分体现晶体管产生的谐波效应。
本发明的有益效果是：
在本发明之前，本领域尚未找到一套类似的空间映射神经网络方法对射频开关进行模拟。同时与等效电路模型，传统的静态空间映射网络，和动态神经网络直接预测方法对比，本发明方法给出的最终预测结果有较好的性能和效率提升，并突破了传统的处理方式。
在技术贡献上，本发明还能推广至其他非线性器件的谐波预测，例如放大器、可调电容等。只要有非线性器件相关的等效电路模型或是解析表达式，本发明中的方法就可以给出大信号的谐波预测方案。
附图说明
图1为绝缘体上硅场效应晶体管堆叠的开关结构和由电压不平衡引起的非线性特性示意图；
图2为本发明粗模型的结构示意图；
图3为针对硅场效应管简化的非线性电容等效电路模型图；
图4为动态空间映射神经网络的结构图；
图5为一组测试结果，静态空间映射神经网络模型预测结果和直接动态神经网络结果和动态空间映射神经网络模型在基波，二次谐波和三次谐波幅值上的预测结果的对比图。
具体实施方式
下面结合附图和实际开关谐波预测实例对本发明作进一步说明。
如图1所示为绝缘体上硅场效应晶体管堆叠的开关结构和由电压不平衡引起的非线性特性示意图。开关由堆叠绝缘体上硅场效应管形成。当开关处于OFF状态时，非线性主要通过电压不平衡、体漏电流等各种机制产生于晶体管和SOI衬底的寄生非线性电容和其他寄生效应。
本发明在实际开关谐波预测实例的具体实施步骤如下：
S1.在电磁商用仿真软件中的非线性电容等效电路图，确定基波频率在0.85GHz至1GHz，步长为0.1GHz，输入功率为-10dBm到50dBm，步长为0.1dBm，进行三阶谐波平衡仿真，得到输入和输出信号的三阶以内频谱大小数据，再通过逆傅里叶变换得到时域上的波形数据，时间步长1000点，时间范围为0～2e-12秒，大约两个周期长，每一个基波频率点的每一个输入功率点得到的时域波形数据成为一条数据，保存数据，共9616条数据，所有条数据构成作为时域动态神经网络的训练数据集，并创建时域动态神经网络，将训练数据集输入到时域动态神经网络进行训练，获得训练后的时域动态神经网络作为预测网络。这样建立了非线性电容等效电路输入信号与输出信号之间的关系，可以预测输出信号的频谱，用于后续空间映射神经网络技术的实现。
所述的时域动态神经网络采用LSTM(长短期记忆)神经网络模型。
S2.创建两个结构相同且初始权重相同的时域动态神经网络，一是动态输入映射网络，用来预测细模型的输入到粗模型的输入的关系；二是动态输出映射网络，用来预测粗模型的输出和细模型的输出的关系。输入和输出信号都是步长为1000的时域波形；
S3.将动态输入映射网络，粗模型的时域动态神经网络，动态输出映射网络结合在一起；动态输入映射网络的输入是细模型的输入信号，动态输入映射网络的输出当做粗模型的时域动态神经网络的输入，时域动态神经网络的输出当做动态输出映射网络的输入，动态输出映射网络的输出就是整个动态空间映射神经网络的输出；
S4.将网络联结好后，初步确定较合适激活函数、损失函数和优化器后，通过网络在验证集内的训练表现进一步调整以上深度神经网络相关要素；
S5.每一个测试得到的输入信号和输出信号的时域波形的作为一条数据，以此作为动态空间映射神经网络的相关数据集。将该数据集进行预处理并打乱相关性后，分为训练集、验证集与测试集
S6.输入一条细模型的时域输入数据，将整个动态空间映射神经网络的输出与对应这条数据的细模型的输出数据进行比较，得到均方误差，这个误差通过反向传播的梯度下降法，找到可以使整个网络向最优解靠近的那个方向，从而改变权重，使得整个网络的输出结果可以更加接近细模型的输出结果；再输入一条细模型的时域输入数据，持续上述过程，直到数据全部训练完。再打乱细模型的数据的排列顺序，重新进行上述过程，直到误差不再变化或是变大，结束训练。
S7.将测试集输入整个网络，得到预测结果，与测试集的输出比较。
图5为一组测试结果，静态空间映射神经网络模型预测结果和直接动态神经网络结果和动态空间映射神经网络模型预测结果的对比。
直接动态神经网络模型预测结果为一阶基波误差2.27％，二阶谐波误差4.87％，三阶误差为8.18％。静态空间映射神经网络模型预测结果为一阶基波误差3.86％，二阶谐波误差26.76％，三阶误差为43.15％。动态空间映射神经网络模型预测结果为一阶基波误差1.89％，二阶谐波误差3.13％，三阶误差为6.44％。。
由此实施可见，本发明方法结合了精细模型精度高和粗模型速度快的优点，可以预测静态神经空间映射中缺失的任何电容效应和非准静态效应，较等效电路模型能够准确预测谐波，并在射频前端链路辐射杂散发射问题的仿真设计阶段提供直观的指导。

Claims (8)

1.一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：
过程一、针对绝缘体上硅场效应晶体管射频开关的非线性特性，建立一个射频开关的非线性电容等效电路，作为粗模型；
过程二、对粗模型进行谐波平衡仿真获得粗模型的输入信号及其对应的输出信号，建立粗模型的输入信号与输出信号之间关系的时域动态神经网络，用谐波平衡仿真获得的粗模型的输入信号及其对应的输出信号训练时域动态神经网络获得预测网络；
过程三、通过实际测试得到绝缘体上硅场效应晶体管射频开关的输入信号及其对应的输出信号，利用预测网络进一步建立细模型，利用实际测试得到的绝缘体上硅场效应晶体管射频开关的输入信号与输出信号对细模型进行训练，利用训练后的细模型对待测绝缘体上硅场效应晶体管射频开关的输入信号进行处理获得对应输出信号，实现谐波预测。
2.根据权利要求1所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述过程一，具体为：
分析绝缘体上硅场效应晶体管射频开关的非线性特性，在电磁仿真软件中建立了混合等效电路模型，然后对混合等效电路模型通过交流仿真得到硅场效应管的三种内部连接的电压差和电流关系；
将每种内部连接均视为一个非线性电容，均通过以下公式计算得到每种内部连接的随两端电压差离散变化的非线性电容的电容值，然后将硅场效应管各种内部连接的离散电压差和电流关系均转换为离散电压差-电容关系：
CNon＝-1/(2πf*Im(Vin/I))
其中，CNon表示非线性电容的电容值，Vin为交流仿真时的极间电压，I为交流仿真时的极间电流，f为交流仿真时的工作频率，Im()表示取虚部；
根据非线性电容的离散电压差-电容关系代入以下公式的电容与电压差函数关系表达式拟合得到公式中的参数C0、a、b、C1，进而获得非线性电容的连续电压差-电容关系：
CNon＝C0tanh(aVg+b)+C1
其中，Vg为交流仿真时的直流电源电压Vg电压差，C0、C1分别表示第一电容参数、第二电容参数，a、b分别表示第一系数参数、第二系数参数；
利用非线性电容的连续电压差-电容关系设置到混合等效电路模型上构建非线性电容等效电路，作为粗模型。
3.根据权利要求1所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述的非线性电容等效电路包括了多个硅场效应管，多个硅场效应管依次串联，相邻两个硅场效应管之间以漏极和源极相连接，第一个硅场效应管的漏极经一个电阻和交流电源P的一端连接，交流电源P的另一端接地，最后一个硅场效应管的源极接地；每个硅场效应管的栅极经各自的一个电阻连接到电源电压Vg的正极，电源电压Vg的负极接地；
所有硅场效应管以相邻两个硅场效应管为一组，进而分为多组硅场效应管组，每组硅场效应管中的两个硅场效应管的衬底端均经各自的一个非线性盒电容连接到第一个电阻电容组件的两端，同时另外两个电阻电容组件串联后并联到第一个电阻电容组件的两端，每个电阻电容组件均由一个电阻和一个电容并联构成；所述的非线性电容等效电路的交流电源P的另一端引出作为输入端，最后一个硅场效应管的源极引出作为输出端。
4.根据权利要求1所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述的非线性电容等效电路中，将每个硅场效应管视为三个非线性盒电容的组合，每个硅场效应管分为栅极侧、漏极侧、源极侧和衬底侧的四条子路，四条子路的一端连接到一起，四条子路的另一端引出分别作为栅极、漏极、源极和衬底端，栅极所在子路不设有非线性盒电容和电源电压，漏极、源极和衬底端所在子路均由一个非线性盒电容构成。
5.根据权利要求1所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述过程二，具体为：确定基波频率在0.85GHz至1GHz，步长为0.1GHz，输入功率为-10dBm到50dBm，步长为0.1dBm，进行三阶谐波平衡仿真，得到输入信号和输出信号的三阶以内频谱大小数据；再通过逆傅里叶变换得到时域上的波形数据，时间步长1000点，时间范围为0～2e-12秒，每一个基波频率的每一个输入功率点得到的时域波形数据成为一条数据并保存，将所有条数据构成作为时域动态神经网络的训练数据集；创建时域动态神经网络，将训练数据集输入到时域动态神经网络进行训练，获得训练后的时域动态神经网络作为预测网络。
6.根据权利要求1所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述的时域动态神经网络采用LSTM神经网络模型。
7.根据权利要求1所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述过程三，具体为：
3.1)创建另外两个结构相同且初始权重相同的时域动态神经网络，分别为动态输入映射网络和动态输出映射网络，将动态输入映射网络、预测网络和动态输出映射网络依次级联形成动态空间映射神经网络，作为细模型；以动态输入映射网络的输入作为细模型的输入信号，动态输入映射网络的输出作为预测网络的输入，预测网络的输出作为动态输出映射网络的输入，动态输出映射网络的输出作为细模型的输出信号；
3.2)将实际测试得到的绝缘体上硅场效应晶体管射频开关的输入信号作为细模型的输入信号，将实际测试得到的绝缘体上硅场效应晶体管射频开关的输出信号作为细模型的输出信号，输入到动态空间映射神经网络中进行训练：
3.3)利用训练后的动态空间映射神经网络对待测绝缘体上硅场效应晶体管射频开关的输入信号进行处理获得对应输出信号，实现谐波预测。
8.根据权利要求7所述的一种基于动态空间映射的硅场效应管射频开关谐波预测方法，其特征在于：所述3.2)具体为：
3.2.1)将动态空间映射神经网络联结好后，输入实际测试得到的绝缘体上硅场效应晶体管射频开关的一条时域输入数据到动态空间映射神经网络，将整个动态空间映射神经网络的输出与对应时域输入数据的实际输出数据进行比较，得到均方误差；利用均方误差通过反向传播的梯度下降法，找到使整个动态空间映射神经网络向最优解靠近的那个方向，从而改变权重，使得整个动态空间映射神经网络的输出结果更接近精确输出结果；
3.2.2)针对每一条细模型的时域输入数据，不断持续上述过程3.2.1)，直到所有条时域输入数据全部训练完；
3.2.3)再打乱细模型的各条时域输入数据的排列顺序，重新进行上述过程3.2.1)，直到误差不再变化或是变大，则结束训练；
3.2.4)改变神经网络中隐藏神经元的层数和个数，进行步骤3.2.3)；
3.2.5)不断迭代上述步骤3.2.2)～3.2.4)过程，使得整个动态空间映射神经预测网络获得的输出信号与细模型的输出信号误差最小，则确定最终的动态空间映射神经网络。
CN202110962245.2A 2021-08-20 2021-08-20 基于动态空间映射的硅场效应管射频开关谐波预测方法 Active CN113868937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962245.2A CN113868937B (zh) 2021-08-20 2021-08-20 基于动态空间映射的硅场效应管射频开关谐波预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962245.2A CN113868937B (zh) 2021-08-20 2021-08-20 基于动态空间映射的硅场效应管射频开关谐波预测方法

Publications (2)

Publication Number Publication Date
CN113868937A true CN113868937A (zh) 2021-12-31
CN113868937B CN113868937B (zh) 2022-08-23

Family

ID=78988070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962245.2A Active CN113868937B (zh) 2021-08-20 2021-08-20 基于动态空间映射的硅场效应管射频开关谐波预测方法

Country Status (1)

Country Link
CN (1) CN113868937B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492253A (zh) * 2022-01-20 2022-05-13 电子科技大学 一种联合高斯过程的微带电路半空间映射快速优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8533136B1 (en) * 2011-02-28 2013-09-10 Agilent Technologies, Inc. Method and system for generating nonlinear simulation model
WO2014011510A2 (en) * 2012-07-07 2014-01-16 Skyworks Solutions, Inc. Circuits, devices, methods and combinations related to silicon-on-insulator based radio-frequency switches
CN111880003A (zh) * 2020-08-06 2020-11-03 广州大学 基于神经网络的射频功放谐波平衡参数提取方法
CN111967186A (zh) * 2020-08-19 2020-11-20 天津城建大学 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8533136B1 (en) * 2011-02-28 2013-09-10 Agilent Technologies, Inc. Method and system for generating nonlinear simulation model
WO2014011510A2 (en) * 2012-07-07 2014-01-16 Skyworks Solutions, Inc. Circuits, devices, methods and combinations related to silicon-on-insulator based radio-frequency switches
CN111880003A (zh) * 2020-08-06 2020-11-03 广州大学 基于神经网络的射频功放谐波平衡参数提取方法
CN111967186A (zh) * 2020-08-19 2020-11-20 天津城建大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
B.K.ESFEH ET AL.: "A SPDT RF switch small- and large-signal characteristics on TR-HR SOI substrates", 《IEEE》 *
G.GILDENBLAT ET AL.: ""PSP: An Advanced Surface-Potential-Based MOSFET Model for Circuit Simulation", 《IEEE》 *
H.WANG ET AL.: "Thin Layer SOI-FETs Used for Stress-Sensing and Its Application in Accelerometers", 《IEEE》 *
莘海维: "不同设计参数对SOI射频开关谐波性能影响的分析研究", 《集成电路应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492253A (zh) * 2022-01-20 2022-05-13 电子科技大学 一种联合高斯过程的微带电路半空间映射快速优化方法
CN114492253B (zh) * 2022-01-20 2024-05-10 电子科技大学 一种联合高斯过程的微带电路半空间映射快速优化方法

Also Published As

Publication number Publication date
CN113868937B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Freeborn et al. Measurement of supercapacitor fractional-order model parameters from voltage-excited step response
CN106372357B (zh) 一种GaN HEMT非线性噪声模型建立方法
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
CN106202835A (zh) 包含沟道高级寄生元件的场效应晶体管小信号等效电路模型
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
Amara et al. Black box EMC modeling of a three phase inverter
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
Yang et al. A neuro-space mapping method for harmonic interference prediction of SOIFET radio frequency switches
CN106484962A (zh) 一种基于e类逆变的谐振式无线输电系统的符号分析方法
Xu et al. Measurement-based non-quasi-static large-signal FET model using artificial neural networks
CN108470104A (zh) 用于阻抗分析仪的等效电路参数建模计算方法
JPH1114677A (ja) 電力系統の高調波電圧推定方法
Koh et al. Frequency scalable large signal transistor behavioral model based on admittance domain formulation
Moure et al. Broadband non-linear FET behavioral model defined in the admittance domain
Taher et al. Constitutive relations for nonlinear modeling of Si/SiGe HBTs using an ANN model
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
Skibin et al. Behavioral circuit modeling of chokes with multi-resonances using genetic algorithm
Wen et al. Model parameter calibration method of SiC power MOSFETs behavioural model
Johnson et al. Generalized nonlinear FET/HEMT modeling
Cao et al. A new nonlinear transient modelling technique for high-speed integrated circuit applications based on state-space dynamic neural network
Marinković et al. Neural network modelling of GaAs pHEMTs suitable for millimeter-wave mixer design
Zhang et al. A simple conducted noise modeling method for DC-DC converters with accurate noise source model
Suryanarayana et al. A simplified approach to CM modeling of a Vienna rectifier for electromagnetic compliance
CN116486864A (zh) 晶体管中非线性电容的去嵌方法
Petzel et al. Modeling of TVS Diode Harmonic Distortion Using Piecewise Linear Capacitance

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