CN114297925A - 基于可行域收缩贝叶斯优化的功放设计方法 - Google Patents
基于可行域收缩贝叶斯优化的功放设计方法 Download PDFInfo
- Publication number
- CN114297925A CN114297925A CN202111617236.6A CN202111617236A CN114297925A CN 114297925 A CN114297925 A CN 114297925A CN 202111617236 A CN202111617236 A CN 202111617236A CN 114297925 A CN114297925 A CN 114297925A
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- parameter
- training sample
- optimization
- feasible
- 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
Images
Landscapes
- Amplifiers (AREA)
Abstract
本发明公开了基于可行域收缩贝叶斯优化的功放设计方法,该方法首先基于负载牵引和源牵引确定匹配网络目标阻抗,然后通过切比雪夫低通拓扑方法确定匹配网络结构和元件参数值,使用最优拉丁超立方抽样对初始值采样获得输入样本集,以归一化加权方式实现样本点评估,利用粒子群算法搜索最优超参数,基于训练好的高斯过程模型在可行域内最大化采集函数UCB获取下一个评估点,不断迭代,实现了宽带高效功率放大器。本发明首次提出了基于可行域收缩贝叶斯优化的功放设计方法,通过动态改变参数值β来收缩可行域,使得优化在全局和局部之间实现平衡,加快收敛速度,能有效指导功放版图优化,实现了功放设计。
Description
技术领域
本发明属于机器学习及射频功率放大器设计领域,具体涉及基于可行域收缩贝叶斯优化的功放设计方法。
背景技术
功率放大器的设计指标,如输出功率和效率等是相互制约的,同时满足这些指标需要复杂的拓扑设计和精确的参数计算,而且即便所选择的参数符合“帕累托最优”,一旦制造的功放与模拟设计不匹配,设计师也必须再次重复整个设计周期,因此功率放大器的设计过程非常复杂。一般步骤包括负载牵引和源牵引、设计拓扑结构、确保电路稳定性、元件参数计算和电路优化等,其中最重要的一步便是电路优化,而一种有效的优化方法可以大大缩短电路设计的时间。
功率放大器的优化涉及到匹配网络微带线的长度和宽度,参数众多,形成了巨大的高维参数空间,使得优化问题面临两大困难,一方面,目标函数的未知形式使得设计者无法使用梯度信息,另一方面,目标函数的计算具有不确定性,无法准确估计函数值。最重要的是,在设计过程中,目标函数的评估需要花费大量时间、金钱和人力资源。换句话说,功放优化实际上是一个昂贵的高维黑箱优化问题,而在高维空间中寻找最优方案是一个难题,电子设计自动化(EDA)工具中的内嵌优化工具往往存在优化时间长、优化过程中报错和版图调试困难等问题。
贝叶斯优化(BO)作为优化黑箱函数的有力工具近年来得到广泛关注,其基于概率代理模型对目标函数建模,通过采集函数确定下一个最有希望的参数所在位置。与其它全局优化算法相比,贝叶斯优化能够有效利用优化历史所提供的信息,使得搜索变得高效,极大提升了收敛速度。在此背景下,将贝叶斯优化算法应用于功率放大器的设计具有重要的现实意义。
发明内容
针对现有技术的不足,本发明提出了基于可行域收缩贝叶斯优化的功放设计方法,提出了处理多目标优化的加权指数方法以及基于可行域收缩的贝叶斯优化。建立了对功放参数样本点的有效评估,并在此基础上实现了优化方法的快速收敛,不止可以用于原理图优化,也可以用于版图仿真优化。
基于可行域收缩贝叶斯优化的功放设计方法,具体包括以下步骤:
步骤一、确定电路结构和元件参数
首先通过负载牵引和源牵引确定输入、输出匹配网络的目标阻抗,即负载阻抗和源阻抗。然后利用切比雪夫低通拓扑方法通过查表的方式确定输入、输出匹配网络的阶数n和匹配网络元件参数值,其次考虑整体电路的稳定性,添加合适的LC稳定网络,最后考虑实际功放的焊接需求,在电路合适位置加入微带线,并给予参数值。匹配网络元件参数值和焊接微带线参数值都是初始值,初始参数点x0={W1,W2,…,Wi,L1,L2,…,Li},i是可调微带线个数。
步骤二、获取训练样本集
初始训练样本集包括初始训练样本输入集和初始训练样本输出集,具体步骤包括:
s2.1、在步骤一获得的初始参数点x0基础上,利用最优拉丁超立方抽样(OLHS)的方法,在初始参数点周围λ%范围内抽样m次,得到初始训练样本输入集X={x1,x2,...,xm}。
s2.2、将初始训练样本输入集X送入ADS仿真,获得输出功率y1和功率附加效率y2,为了对每一个输入样本进行有效评估,建立评估函数y:
y1target和y2target分别表示预先设定的输出功率和功率附加效率目标值。通过归一化消除量纲,引入exp函数平滑掉一些尖锐差异。得到m个评估函数y的值作为训练样本输出集。
步骤三、训练高斯过程模型
将步骤二得到的数据组合成训练样本集D(x,y)。选择核函数k(x,x′),根据训练样本集 D(x,y),利用粒子群算法优化对数边缘似然函数,搜索核函数k(x,x′)的最优超参数,对数边缘似然函数L(θ)为:
其中,Lii表示Cholesky分解中的下三角矩阵,i表示Lii的大小,α表示中间变量,上标T 表示转置。
步骤四、获取下一个评估点
选择训练样本输出集中的最大值,令f+=ymax,作为判别依据将参数空间划分为可行域和不可行域,将f+周围10%的区域视为最有可能出现下一个评估点的区域,基于步骤三训练好的高斯过程模型,在该可行域内通过最大化采集函数UCB确定下一个评估点xt=argmax UCB。
步骤五、更新训练集
使用评估函数y对步骤四确定的评估点xt进行评估,得到对应的评估值yt,判断yt是否达到目标值,若yt没有达到则更新训练集Dt=D∪{xt,yt},同时更新最大化采集函数UCB的参数β,然后返回步骤三。参数β的更新方法为:
若yt达到目标值则迭代结束,进入步骤六。
步骤六、版图调试
将步骤五得到的原理图参数xt进行版图仿真,如果版图仿真达不到要求,则将步骤四确定的评估点xt视为新的初始参数点x0,进入步骤二,直到版图仿真达到要求。
本发明具有以下有益效果:
1、通过加权处理的方式,可以有效评估每一个样本点的性能,引入exp函数平滑了评估函数空间的多峰特性。
2、通过动态调整β的值,使得贝叶斯优化过程更加灵活,当迭代有所进展时,使得下一次优化侧重于局部,当没有进展时,让下一次优化侧重于全局。一方面避免陷入局部最优解,另一方面提高了优化的收敛速度,切实平衡了探索和开发。
3、本方法不止可以应用于原理图优化,而且对当前EDA工具的版图调试困难问题是极大的补充。
附图说明
图1为本功法设计方法流程图
图2为实施例中最优负载阻抗随频率变化轨迹图;
图3为实施例中电路结构及参数设置;
图4为实施例中多输入样本点仿真输出功率和效率曲线;
图5为本方法中采集函数UCB在不同参数β下的可行域比较;
图6为实施例中制备的功率放大器实物图;
图7为实施例中宽带高效功放的实测结果与原理图和版图仿真结果的增益、输出功率和功率附加效率对比图;
具体实施方式
为使本发明的优点更加明确,下面结合附图对本发明作进一步的解释说明;
如图1所示,基于可行域收缩贝叶斯优化的功放设计方法,具体包括以下步骤:
步骤一、确定电路结构和元件参数
在输入频率为2-3GHz,偏置条件为Vgs=-2.7v,Vds=28v,输入功率为30dBm的条件下,利用Keysight公司高级设计系统(ADS)软件中的负载牵引提取负载阻抗,并在史密斯圆图上绘制每个频点的最优负载阻抗变化轨迹,结果图2所示,选取轨迹中心频点2.5GHz的负载阻抗20+j6Ω作为匹配网络目标阻抗。源阻抗确定方法与负载阻抗类似,通过源牵引获得。确定负载阻抗和源阻抗之后,通过切比雪夫低通拓扑结构确定输入输出匹配网络阶数,考虑稳定网络、偏置和焊接等因素之后,最终确定的功放电路结构如图3所示,初始参数值为 x0={W1,W2,…,W10,L1,L2,…,L10},其中{W1,W2,…,W10}={1.86,8.27,1.86,2.49,4.65,1.12,1.05,1.52,2.5,2.5},{L1,L2,…,L10}={6.83,2.85,11.8,4.14,6.05,10,4.85,8.18, 3,3}。
步骤二、获取训练样本集
初始训练样本集包括初始训练样本输入集和初始训练样本输出集,具体步骤包括:
s2.1、在步骤一获得的初始参数点x0基础上,利用最优拉丁超立方抽样的方法,在初始参数点x0周围10%范围内抽样50次,确定初始训练样本输入集X={x1,x2,...,x50}。
s2.2、将初始训练样本输入集X送入ADS仿真,多样本点仿真的输出功率y1和功率附加效率y2如图4所示,设定输出功率和功率附加效率目标值分别为40dBm和65%,则y1target=40,y2target=65,评估函数y为:
将50个评估函数y的值作为初始训练样本输出集,并与训练样本集X组成训练样本D(x,y)。
步骤三、训练高斯过程模型
选择平方指数协方差核函数kSE(x,x′),根据步骤二获得的训练样本集D(x,y),利用粒子群算法优化对数边缘似然函数搜索核函数的最优超参数,对数边缘似然函数L(θ)为
其中,Lii表示Cholesky分解中的下三角矩阵,i表示Lii的大小,α表示中间变量,上标T 表示转置。
步骤四、获取下一个评估点
选择训练样本输出集中的最大值,令f+=ymax,作为判别依据将参数空间划分为可行域和不可行域,将f+周围10%的区域视为最有可能出现下一个评估点的区域,基于步骤三训练好的高斯过程模型,在该可行域内通过最大化采集函数UCB确定下一个评估点xt=argmax UCB。
步骤五、更新训练集
使用评估函数y对步骤四确定的评估点xt进行评估,得到对应的评估值yt,判断yt是否达到目标值,若yt达到目标值则迭代结束,进入步骤六;若yt没有达到则更新训练集 Dt=D∪{xt,yt},同时更新最大化采集函数UCB的参数β,然后返回步骤三。参数β的更新方法为:
为有效说明可行域的划分方式,给出了在不同参数β的取值下,得到的一维可行域划分结果如图5所示。
步骤六、版图调试
将步骤五得到的原理图参数xt进行版图仿真,如果版图仿真达不到要求,则将步骤四确定的评估点xt视为新的初始参数点x0,进入步骤二,直到版图仿真达到要求。
图6为本实施例得到的功率放大器实物图,图7为在2-3GHz频带范围内,输入功率为 30dBm,偏置条件为Vgs=-2.7v,Vds=28v,本实施例得到的功放电路的实测增益、输出功率和功率附加效率结果与原理图和版图仿真结果对比,其中增益大于10dB、输出功率在40.5-41.8dBm,功率附加效率维持在65%到70%。由图6可看出在整个工作频带范围内,原理图优化结果和版图优化结果都十分接近,表明基于可行域收缩的宽带高效功放设计方法是有效可行的,测量结果表明本文所提方法是可靠的。
Claims (6)
1.基于可行域收缩贝叶斯优化的功放设计方法,其特征在于:该方法包括以下步骤:
步骤一、获取训练样本集
初始训练样本集包括初始训练样本输入集和初始训练样本输出集,具体步骤包括:
s1.1、将功率放大器的匹配网络元件参数值和焊接微带线参数值的初始值作为初始参数点x0={W1,W2,…,Wi,L1,L2,…,Li},i是可调微带线个数;在初始参数点周围λ%范围内抽样m次,得到初始训练样本输入集X={x1,x2,...,xm};
s1.2、将初始训练样本输入集X送入ADS仿真,获得输出功率y1和功率附加效率y2,建立如下评估函数y:
y1target和y2target分别表示预先设定的输出功率和功率附加效率目标值;将得到的m个评估函数y的值作为训练样本输出集;
步骤二、训练高斯过程模型
将步骤一得到的数据组合成训练样本集D(x,y);选择核函数k(x,x′),根据训练样本集D(x,y),利用粒子群算法优化对数边缘似然函数,搜索核函数k(x,x′)的最优超参数,对数边缘似然函数L(θ)为:
其中,Lii表示Cholesky分解中的下三角矩阵,i表示Lii的大小,α表示中间变量,上标T表示转置;
步骤三、获取下一个评估点
选择训练样本输出集中的最大值,令f+=ymax,作为判别依据将参数空间划分为可行域和不可行域,将f+周围10%的区域视为最有可能出现下一个评估点的区域,基于步骤二训练后的高斯过程模型,在该可行域内通过最大化采集函数UCB确定下一个评估点xt=argmax UCB;
步骤四、更新训练集
使用评估函数y对步骤三确定的评估点xt进行评估,得到对应的评估值yt,若yt没有达到目标值,则更新训练集Dt=D∪{xt,yt},同时更新最大化采集函数UCB的参数β,然后返回步骤三;参数β的更新方法为:
若yt达到目标值则迭代结束,完成功率放大器的优化设计。
2.如权利要求1所述基于可行域收缩贝叶斯优化的功放设计方法,其特征在于:将步骤四迭代后得到的原理图参数xt进行版图仿真,如果版图仿真达不到要求,则将步骤三确定的评估点xt视为新的初始参数点x0,并返回步骤一,直到版图仿真达到要求,完成功率放大器的优化设计。
3.如权利要求1所述基于可行域收缩贝叶斯优化的功放设计方法,其特征在于:步骤一中的抽样方法为最优拉丁超立方抽样。
4.如权利要求1所述基于可行域收缩贝叶斯优化的功放设计方法,其特征在于:高斯过程模型的训练过程中选用平方指数协方差核函数。
5.如权利要求1所述基于可行域收缩贝叶斯优化的功放设计方法,其特征在于:首先通过负载牵引和源牵引确定输入、输出匹配网络的目标阻抗;然后利用切比雪夫低通拓扑方法,通过查表的方式确定输入、输出匹配网络的阶数n和匹配网络元件参数值,其次考虑整体电路的稳定性,添加合适的LC稳定网络,最后考虑实际功放的焊接需求,在电路合适位置加入微带线,得到功率放大器的匹配网络元件参数值和焊接微带线参数值的初始值。
6.如权利要求5所述基于可行域收缩贝叶斯优化的功放设计方法,其特征在于:使用的晶体管为Wolfspeed公司的10W GaN HEMT晶体管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111617236.6A CN114297925A (zh) | 2021-12-27 | 2021-12-27 | 基于可行域收缩贝叶斯优化的功放设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111617236.6A CN114297925A (zh) | 2021-12-27 | 2021-12-27 | 基于可行域收缩贝叶斯优化的功放设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297925A true CN114297925A (zh) | 2022-04-08 |
Family
ID=80969963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111617236.6A Pending CN114297925A (zh) | 2021-12-27 | 2021-12-27 | 基于可行域收缩贝叶斯优化的功放设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297925A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502566A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
TWI819917B (zh) * | 2022-12-07 | 2023-10-21 | 緯創資通股份有限公司 | 前置補償方法及其前置補償電路 |
CN117217156A (zh) * | 2023-08-31 | 2023-12-12 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
-
2021
- 2021-12-27 CN CN202111617236.6A patent/CN114297925A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819917B (zh) * | 2022-12-07 | 2023-10-21 | 緯創資通股份有限公司 | 前置補償方法及其前置補償電路 |
CN116502566A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法 |
CN117217156A (zh) * | 2023-08-31 | 2023-12-12 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
CN117217156B (zh) * | 2023-08-31 | 2024-05-28 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114297925A (zh) | 基于可行域收缩贝叶斯优化的功放设计方法 | |
Chen et al. | Bayesian optimization for broadband high-efficiency power amplifier designs | |
CN109960834A (zh) | 一种基于多目标贝叶斯优化的模拟电路多目标优化设计方法 | |
Guo et al. | A novel design methodology for a multioctave GaN-HEMT power amplifier using clustering guided Bayesian optimization | |
Guney et al. | Resonant frequency calculation for circular microstrip antennas with a dielectric cover using adaptive network-based fuzzy inference system optimized by various algorithms | |
Liu et al. | Unbalanced classification method using least squares support vector machine with sparse strategy for steel surface defects with label noise | |
CN113066528B (zh) | 基于主动半监督图神经网络的蛋白质分类方法 | |
Fang et al. | Learning decomposed spatial relations for multi-variate time-series modeling | |
Geng et al. | Accurate and effective nonlinear behavioral modeling of a 10-W GaN HEMT based on LSTM neural networks | |
CN112286996A (zh) | 一种基于网络链接和节点属性信息的节点嵌入方法 | |
CN111159915A (zh) | 一种器件设计的参数优化方法及装置 | |
CN114662624B (zh) | 基于可再训练孪生网络的非侵入式负荷识别方法及系统 | |
Kouhalvandi et al. | Multi-objective efficiency and phase distortion optimizations for automated design of power amplifiers through deep neural networks | |
Chen et al. | A novel expectation–maximization-based separable algorithm for parameter identification of RBF-AR model | |
Xu et al. | An AGO–SVM drift modelling method for a dynamically tuned gyroscope | |
Xiao et al. | Data mining techniques in artificial neural network for UWB antenna design | |
Kong et al. | HACScale: Hardware-aware compound scaling for resource-efficient DNNs | |
Zhong et al. | A generative method for antenna optimization | |
Li et al. | Non-Foster Matching Circuit Synthesis Using Artificial Neural Networks | |
Dervenis et al. | Neural network specialists for inverse spiral inductor design | |
CN112465253A (zh) | 一种城市路网中的链路预测方法及装置 | |
Khan et al. | A generalized approach to real-time performance estimation of antenna types using deep learning | |
CN107506778A (zh) | 一种基于最小生成树的海量数据聚类处理方法 | |
CN118070685B (zh) | 一种隐身电站设计的优化方法及系统 | |
CN117574783B (zh) | 基于深度高斯过程的天线优化方法、装置、设备和介质 |
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 |