CN117332738A - 基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法 - Google Patents
基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法 Download PDFInfo
- Publication number
- CN117332738A CN117332738A CN202311325277.7A CN202311325277A CN117332738A CN 117332738 A CN117332738 A CN 117332738A CN 202311325277 A CN202311325277 A CN 202311325277A CN 117332738 A CN117332738 A CN 117332738A
- Authority
- CN
- China
- Prior art keywords
- whale
- parasitic
- parameters
- optimization algorithm
- small signal
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 91
- 230000003071 parasitic effect Effects 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 229910002601 GaN Inorganic materials 0.000 description 23
- 238000010586 diagram Methods 0.000 description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 2
- 229910010271 silicon carbide Inorganic materials 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 208000032750 Device leakage Diseases 0.000 description 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Junction Field-Effect Transistors (AREA)
Abstract
本发明公开了基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,本发明方法首先根据测量结果提出了包含衬底/缓冲区泄漏分支的小信号模型,更好地描绘这一效应;其次,通过改进鲸鱼优化算法的适应度函数计算方式以及加入局部扰动和非线性收敛因子策略,使其能够跳出局部最优,实现了在全频段上的多点匹配,避免了只拟合某一频点的问题。这使得提取的模型参数更具物理意义,并显著提高了模型在全频段上的拟合精度与收敛速度。
Description
技术领域
本发明涉及高电子迁移率晶体管的技术领域,具体涉及基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法。
背景技术
目前GaN HEMT小信号模型参数的提取方法,主要是基于经典的等效电路模型拓扑结构,并使用去嵌算法来计算模型中的各个参数值。
目前主流的GaN HEMT小信号等效电路模型主要针对SiC衬底的器件进行建模,对于其他不同衬底造成的影响考虑不足。特别是在Si衬底上的GaN HEMT,由于硅与氮化镓的晶格失配,会形成寄生导通路径,导致缓冲层与衬底之间出现漏电流,尤其是在低频下可以看出该部分的电导呈现出和频率正相关的特性。而经典模型无法准确解释和建模这种衬底/缓冲区负载效应对HEMT小信号特性的影响。
原始的鲸鱼优化算法在搜索最优参数值时,可能会陷入局部最优解空间,无法跳出到全局最优点。在计算小信号等效电路模型参数时,算法可能只能优化匹配某一狭窄频段的响应,而无法实现在全频段上的多点匹配,这会导致最终模型的参数不具有广泛的物理意义,降低模型的泛化能力。
发明内容
本发明方法通过以下的技术方案实现:
基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,包括:
S1:计算寄生总电容;
S2:使用增强鲸鱼优化算法计算各个寄生电容参数;
S3:使用去嵌算法去掉Ygg和Ydd的影响,分别计算出源极寄生电感Ls、门极寄生电感Lg和漏极寄生电感Ld;
S4:使用去嵌算法去掉源极寄生电感Ls、门极寄生电感Lg、漏极寄生电感Ld、栅源电极间的交叉电容Cgsi和漏源电极间的交叉电容的影响Cdsi,分别计算出寄生电阻Rs、Rg和Rd;
S5:去掉全部寄生参数;
S6:计算本征部分参数值。
优选的,所述S1中,构建GaN HEMT的增强小信号等效电路模型,测量出GaN HEMT在冷截止、冷导通以及需要建模的相应偏置的工作状态下的S参数,并将冷截止状态下的S参数数据转换为Y参数,根据等效电路模型生成在冷截止时的简化模型拓扑结构和在冷导通条件下的简化模型拓扑结构,并计算寄生总电容。
所述S2中,首先设置鲸鱼优化算法的适应度函数,初始化增强鲸鱼优化算法的参数,包括鲸群规模、最大迭代次数、螺旋常数,随后将总电容作为边界,随机生成鲸群初始位置,开始遍历整个鲸群,找到距离猎物最近的鲸鱼位置A并将其标记为领队,和距离猎物最远的位置B。
更优的,所述领队有50%的概率选择向着位置B的反方向前进,鲸鱼位置更新公式如下:
其中,表示所有当前搜索代理中距离最远的鲸鱼位置;/>表示最差鲸鱼的位置到当前位置的方向向量,/>表示当前位置,/>表示更新后的位置。t表示当前迭代次数;
在原地按照柯西分布寻找更优位置,位置更新公式如下:
其中,Cauchy(0,1)是Cauchy算子,标准Cauchy分布函数的公式如下:
其余鲸鱼此时也分别有50%的概率选择包围猎物或者围攻搜寻猎物;
其中围攻搜寻猎物的鲸鱼位置更新公式如下:
其中表示最优鲸鱼的位置到当前位置的方向向量,/>表示所有当前搜索代理中距离最近的鲸鱼位置,e表示自然对数,b表示定义对数螺旋形状的常数,l是一个在-1到1之间的随机数,为位置计算提供随机值。
更优的,根据如下公式,计算围攻还是搜索猎物的概率:
向量表示重新设计的非线性收敛因子,/>表示一个每个值的取值范围都是从0到1的随机向量,t表示当前迭代的次数,T表示设定好的总的迭代次数,
若则表示鲸鱼围攻物时,反之则表示鲸鱼搜寻猎物;
鲸鱼在围攻猎物时位置更新公式如下:
鲸鱼在搜寻猎物时位置更新公式如下:
其中表示鲸鱼随机选择的一个位置。
优选的,所述S2中,计算各个鲸鱼位置的适应度以及储存新的最优和最差解,同时迭代次数加1;若到达了最大迭代次数,则停止循环,否则回到初始位置,此时领队所在位置为冷截止下的模型参数。
优选的,所述S3中,将冷导通状态下的S参数数据转换为Z参数,根据冷导通模型拓扑结构计算源极寄生电感Ls、门极寄生电感Lg、漏极寄生电感Ld以及对应的寄生电阻Rs、Rg、Rd,计算公式如下:
Z11=jω(Ls+Lg)+Rg+Rs
Z12=Z21=jωLs+Rs
Z22=jω(Ls+Ld)+Rd+Rs
Rs=Re(Z12)
Rg=Re(Z11)-Re(Z12)=Re(Z11)-Rs
Rd=Re(Z22)-Re(Z12)=Re(Z22)-Rs
其中Z参数即阻抗参数是用来描述电路输入端口和输出端口电压和电流之间的关系的,其中包含了Z11,Z12,Z21,Z22;Re和Im为虚数的计算方式,分别是计算该式子的实部Re和虚部Im。
优选的,所述S5中,去除寄生部分对工作状态下的S参数的影响,得到去嵌后的本征Y参数。
优选的,所述S6中,计算出本征参数值,包括Cgs、Ri、Cgd、Rgd、Cds、Rds、Gm和τ,得到模型中所有参数的值后,通过与测试S参数的对比,验证参数提取的正确性;
其中Cgs表示栅极和源极之间的电容,Ri表示栅极和源极之间的电阻,Cgd表示栅极和漏极之间的电容。Rgd表示栅极和漏极之间的电阻。Cds表示漏极和源极之间的电容,Rds表示漏极和源极之间的电阻,Gm表示跨导,τ表示栅极的延迟时间。
本发明给出了一种新的GaN HEMT小信号建模方法,将增强小信号模型和增强鲸鱼优化算法相结合,可快速求出在该偏置下的小信号模型,同时保证了精准度。这些优点大大提高了建立GaN HEMT小信号模型的效率。在评估小信号模型的准确性时,一个关键标准是降低整个频率范围内的误差。为了防止全局优化算法陷入只匹配特定频带的局部最优,一个合适的适应度计算函数是非常重要的。在本文中,我们引入了一个基于斜率的惩罚因子,以更好地将模型收敛到全局最优。该适应度函数有助于引导全局优化算法实现不偏向任何特定频带的最优解。
本发明的改进之处在于,首先根据测量结果提出了包含衬底/缓冲区泄漏分支的小信号模型,以便更好地描绘这一效应;其次,通过改进优化算法的适应度函数计算方式以及加入局部扰动等策略,使其能够跳出局部最优,实现了在全频段上的多点匹配,避免了只拟合某一频点的问题。这使得提取的模型参数更具物理意义,并显著提高了模型在全频段上的拟合精度与收敛速度。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法的实现流程图;
图2是本发明增强的GaN HEMT小信号等效电路模型图;
图3是本发明增强的GaN HEMT小信号等效电路模型在冷截止条件下的简化模型拓扑结构图;
图4是本发明增强的GaN HEMT小信号等效电路模型在冷导通条件下的简化模型拓扑结构图;
图5是本发明增强的GaN HEMT小信号等效电路模型寄生参数去嵌过程图;
图6是本发明增强鲸鱼优化算法流程图;
图7是本发明传统适应度函数与斜率增强的适应度函数计算方法对比图;
图8是本发明不同算法之间的性能比较图;
图9是本发明使用不同模型拟合碳化硅衬底(左图)和硅衬底(右图)GaN HEMT的S参数比较图。
具体实施方式
以下结合具体实施例对基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法作进一步的详细描述,这些实施例只用于比较和解释的目的,本发明不限定于这些实施例中。
如图1所示,基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,包括:
S1:计算寄生总电容;
S2:使用增强鲸鱼优化算法计算各个寄生电容参数;
S3:使用去嵌算法去掉Ygg和Ydd的影响,分别计算出源极寄生电感Ls、门极寄生电感Lg和漏极寄生电感Ld;
S4:使用去嵌算法去掉源极寄生电感Ls、门极寄生电感Lg、漏极寄生电感Ld、栅源电极间的交叉电容Cgsi和漏源电极间的交叉电容的影响Cdsi,分别计算出寄生电阻Rs、Rg和Rd;
S5:去掉全部寄生参数;
S6:计算本征部分参数值。
优选的,所述S1中,构建GaN HEMT的增强小信号等效电路模型,测量出GaN HEMT在冷截止、冷导通以及需要建模的相应偏置的工作状态下的S参数,并将冷截止状态下的S参数数据转换为Y参数,根据等效电路模型生成在冷截止时的简化模型拓扑结构和在冷导通条件下的简化模型拓扑结构,根据图2~图4,计算寄生总电容:
C1=Y11+Y12=Ygg+jω(Cgs+Cgsi)
C2=-Y12=jωCgd
C3=Y22+Y12=Ydd+jω(Cds+Cdsi)
其中,
其中j为虚数单位,ω为角频率;请参考图4,为该简化拓扑模型图,可以看作π型电路,其中C1为π型电路的左脚即栅极部分总电容,C2为π型电路的上面部分即栅源之间总电容,C3为π型电路的右脚即源极部分总电容;Y参数即导纳参数是用来描述电路输入端口和输出端口电流和电压之间的关系的,其中包含了Y11,Y12,Y21,Y22四个部分。Ygg是Cgg、Rgg、Cgp部分的总导纳,Ydd是Cdd、Rdd、Cdp部分的总导纳,这二者是为方便计算而提出的。
Cpd为源极寄生电容。Cpg为栅极寄生电容。Cdd和Rdd组成的电路拓扑结构描述源极漏电流。Cgg和Rgg组成的电路拓扑结构描述栅极漏电流。Cgs为此时本征栅源电容。Cgd为此时本征栅漏电容。Cds为此时本征漏源电容。Cgsi为栅源电极间的交叉电容。Cdsi为漏源电极间的交叉电容。
所述S2中,首先设置鲸鱼优化算法的适应度函数,初始化增强鲸鱼优化算法的参数,包括鲸群规模、最大迭代次数、螺旋常数,随后将总电容作为边界,随机生成鲸群初始位置,开始遍历整个鲸群,找到距离猎物最近的鲸鱼位置A并将其标记为领队,和距离猎物最远的位置B。
更优的,所述领队有50%的概率选择向着位置B的反方向前进,鲸鱼位置更新公式如下:
其中,表示所有当前搜索代理中距离最远的鲸鱼位置;/>表示最差鲸鱼的位置到当前位置的方向向量,/>表示当前位置,/>表示更新后的位置。t表示当前迭代次数;
在原地按照柯西分布寻找更优位置,位置更新公式如下:
其中,Cauchy(0,1)是Cauchy算子,标准Cauchy分布函数的公式如下:
其余鲸鱼此时也分别有50%的概率选择包围猎物或者围攻搜寻猎物;
其中围攻搜寻猎物的鲸鱼位置更新公式如下:
其中表示最优鲸鱼的位置到当前位置的方向向量,/>表示所有当前搜索代理中距离最近的鲸鱼位置,e表示自然对数,b表示定义对数螺旋形状的常数,l是一个在-1到1之间的随机数,为位置计算提供随机值。
更优的,根据如下公式,计算围攻还是搜索猎物的概率:
向量表示重新设计的非线性收敛因子,/>表示一个每个值的取值范围都是从0到1的随机向量,t表示当前迭代的次数,T表示设定好的总的迭代次数,
若则表示鲸鱼围攻物时,反之则表示鲸鱼搜寻猎物;
鲸鱼在围攻猎物时位置更新公式如下:
鲸鱼在搜寻猎物时位置更新公式如下:
其中表示鲸鱼随机选择的一个位置。
优选的,所述S2中,计算各个鲸鱼位置的适应度以及储存新的最优和最差解,同时迭代次数加1;若到达了最大迭代次数,则停止循环,否则回到初始位置,此时领队所在位置为冷截止下的模型参数。
具体参阅图6,为本发明增强鲸鱼优化算法流程图。
优选的,所述S3中,将冷导通状态下的S参数数据转换为Z参数,根据冷导通模型拓扑结构计算源极寄生电感Ls、门极寄生电感Lg、漏极寄生电感Ld以及对应的寄生电阻Rs、Rg、Rd,计算公式如下:
Z11=jω(Ls+Lg)+Rg+Rs
Z12=Z21=jωLs+Rs
Z22=jω(Ls+Ld)+Rd+Rs
Rs=Re(Z12)
Rg=Re(Z11)-Re(Z12)=Re(Z11)-Rs
Rd=Re(Z22)-Re(Z12)=Re(Z22)-Rs
其中Z参数即阻抗参数是用来描述电路输入端口和输出端口电压和电流之间的关系的,其中包含了Z11,Z12,Z21,Z22;Re和Im为虚数的计算方式,分别是计算该式子的实部Re
和虚部Im。
优选的,所述S5中,去除寄生部分对工作状态下的S参数的影响,得到去嵌后的本征Y参数。
请参考图5,为增强的GaN HEMT小信号等效电路模型寄生参数去嵌过程图。
优选的,所述S6中,计算出本征参数值,包括Cgs、Ri、Cgd、Rgd、Cds、Rds、Gm和τ,得到模型中所有参数的值后,通过与测试S参数的对比,验证参数提取的正确性。
其计算公式如下所示:
Yds=Y22+Y12=Gds+jωCds
Cds=imag(Yds)
Cgs表示栅极和源极之间的电容;Ri表示栅极和源极之间的电阻;Cgd表示栅极和漏极之间的电容;Rgd表示栅极和漏极之间的电阻;Cds表示漏极和源极之间的电容;Rds表示漏极和源极之间的电阻;Gm表示跨导;τ表示栅极的延迟时间。
在本发明中引入了一个基于斜率的惩罚因子,以更好地将模型收敛到全局最优。该适应度函数有助于引导全局优化算法实现不偏向任何特定频带的最优解。如图7所示,圆圈表示测量的硅衬底器件泄漏源导纳数据的实部,深色线表示不使用基于斜率的惩罚因子的收敛结果,浅色线表示使用该惩罚因子的收敛结果。从图中可以看出,如果不使用惩罚因子,测量数据就无法在低频下很好地拟合。
图8展示了不同算法之间的性能比较,展示了在“冷”夹断条件下计算寄生电容值的速度和准确性。评估的四种算法是鲸鱼优化算法、增强鲸鱼优化算法(本文使用算法)、粒子群优化和灰狼算法。从图中可以明显看出,本文的增强鲸鱼优化算法在收敛精度和收敛速度方面都优于其他算法。
图9展示了不同衬底上GaN HEMT的小信号模型的拟合结果。红色圆圈表示测量数据,蓝色线对应于增强小信号模型的拟合结果,黑色虚线表示传统小信号模型拟合结果。实验结果表明,与传统模型相比,增强的小信号模型在拟合硅衬底上GaN HEMT的行为方面表现出优异的性能。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (9)
1.基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,包括:
S1:计算寄生总电容;
S2:使用增强鲸鱼优化算法计算各个寄生电容参数;
S3:使用去嵌算法去掉Ygg和Ydd的影响,分别计算出源极寄生电感Ls、门极寄生电感Lg和漏极寄生电感Ld;
S4:使用去嵌算法去掉源极寄生电感Ls、门极寄生电感Lg、漏极寄生电感Ld、栅源电极间的交叉电容Cgsi和漏源电极间的交叉电容的影响Cdsi,分别计算出寄生电阻Rs、Rg和Rd;
S5:去掉全部寄生参数;
S6:计算本征部分参数值。
2.根据权利要求1所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述S1中,构建GaN HEMT的增强小信号等效电路模型,测量出GaN HEMT在冷截止、冷导通以及需要建模的相应偏置的工作状态下的S参数,并将冷截止状态下的S参数数据转换为Y参数,根据等效电路模型生成在冷截止时的简化模型拓扑结构和在冷导通条件下的简化模型拓扑结构,并计算寄生总电容。
3.根据权利要求1所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述S2中,首先设置鲸鱼优化算法的适应度函数,初始化增强鲸鱼优化算法的参数,包括鲸群规模、最大迭代次数、螺旋常数,随后将总电容作为边界,随机生成鲸群初始位置,开始遍历整个鲸群,找到距离猎物最近的鲸鱼位置A并将其标记为领队,和距离猎物最远的位置B。
4.根据权利要求3所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述领队有50%的概率选择向着位置B的反方向前进,鲸鱼位置更新公式如下:
其中,表示所有当前搜索代理中距离最远的鲸鱼位置;/>表示最差鲸鱼的位置到当前位置的方向向量,/>表示当前位置,/>表示更新后的位置。t表示当前迭代次数;
在原地按照柯西分布寻找更优位置,位置更新公式如下:
其中,Cauchy(0,1)是Cauchy算子,标准Cauchy分布函数的公式如下:
其余鲸鱼此时也分别有50%的概率选择包围猎物或者围攻搜寻猎物;
其中围攻搜寻猎物的鲸鱼位置更新公式如下:
其中表示最优鲸鱼的位置到当前位置的方向向量,/>表示所有当前搜索代理中距离最近的鲸鱼位置,e表示自然对数,b表示定义对数螺旋形状的常数,l是一个在-1到1之间的随机数,为位置计算提供随机值。
5.根据权利要求4所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,根据如下公式,计算围攻还是搜索猎物的概率:
向量表示重新设计的非线性收敛因子,/>表示一个每个值的取值范围都是从0到1的随机向量,t表示当前迭代的次数,T表示设定好的总的迭代次数,
若则表示鲸鱼围攻物时,反之则表示鲸鱼搜寻猎物;
鲸鱼在围攻猎物时位置更新公式如下:
鲸鱼在搜寻猎物时位置更新公式如下:
其中表示鲸鱼随机选择的一个位置。
6.根据权利要求1所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述S2中,计算各个鲸鱼位置的适应度以及储存新的最优和最差解,同时迭代次数加1;若到达了最大迭代次数,则停止循环,否则回到初始位置,此时领队所在位置为冷截止下的模型参数。
7.根据权利要求1所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述S3中,将冷导通状态下的S参数数据转换为Z参数,根据冷导通模型拓扑结构计算源极寄生电感Ls、门极寄生电感Lg、漏极寄生电感Ld以及对应的寄生电阻Rs、Rg、Rd,计算公式如下:
Z11=jω(Ls+Lg)+Rg+Rs
Z12=Z21=jωLs+Rs
Z22=jω(Ls+Ld)+Rd+Rs
Rs=Re(Z12)
Rg=Re(Z11)-Re(Z12)=Re(Z11)-Rs
Rd=Re(Z22)-Re(Z12)=Re(Z22)-Rs
其中Z参数即阻抗参数是用来描述电路输入端口和输出端口电压和电流之间的关系的,其中包含了Z11,Z12,Z21,Z22;Re和Im为虚数的计算方式,分别是计算该式子的实部Re和虚部Im。
8.根据权利要求1所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述S5中,去除寄生部分对工作状态下的S参数的影响,得到去嵌后的本征Y参数。
9.根据权利要求1所述的基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法,其特征在于,所述S6中,计算出本征参数值,包括Cgs、Ri、Cgd、Rgd、Cds、Rds、Gm和τ,得到模型中所有参数的值后,通过与测试S参数的对比,验证参数提取的正确性;
其中Cgs表示栅极和源极之间的电容,Ri表示栅极和源极之间的电阻,Cgd表示栅极和漏极之间的电容。Rgd表示栅极和漏极之间的电阻。Cds表示漏极和源极之间的电容,Rds表示漏极和源极之间的电阻,Gm表示跨导,τ表示栅极的延迟时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311325277.7A CN117332738A (zh) | 2023-10-12 | 2023-10-12 | 基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311325277.7A CN117332738A (zh) | 2023-10-12 | 2023-10-12 | 基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117332738A true CN117332738A (zh) | 2024-01-02 |
Family
ID=89290009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311325277.7A Pending CN117332738A (zh) | 2023-10-12 | 2023-10-12 | 基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332738A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832238A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于支持向量机的GaN HEMT小信号模型建模方法 |
-
2023
- 2023-10-12 CN CN202311325277.7A patent/CN117332738A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832238A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于支持向量机的GaN HEMT小信号模型建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117332738A (zh) | 基于鲸鱼优化算法提取GaN HEMT小信号模型寄生参数的方法 | |
CN1303557C (zh) | 引入了晶体管的扩散长度依赖性的电路仿真装置以及用于生成晶体管模型的方法 | |
US20180307789A1 (en) | STATISTICAL ANALYSIS METHOD FOR TECHNOLOGICAL PARAMETERS OF GaN DEVICES BASED ON LARGE-SIGNAL EQUIVALENT CIRCUIT MODEL | |
CN110717240B (zh) | 一种InP HEMT器件噪声等效电路模型建立方法 | |
Jarndal | AlGaN/GaN HEMTs on SiC and Si substrates: a review from the small‐signal‐modeling's perspective | |
CN110717241A (zh) | 一种InP HEMT小信号等效电路模型及其参数提取方法 | |
KR100413214B1 (ko) | Fet 등가 회로 모델 파라미터를 유니크하게 결정하기위한 방법 | |
Jarndal et al. | Hybrid small‐signal model parameter extraction of GaN HEMTs on Si and SiC substrates based on global optimization | |
CN110287582B (zh) | 一种新型场效应晶体管小信号等效电路模型参数提取方法 | |
Guo et al. | A new lossy substrate de-embedding method for sub-100 nm RF CMOS noise extraction and modeling | |
Abushawish et al. | Hybrid particle swarm optimization‐grey wolf optimization based small‐signal modeling applied to GaN devices | |
Gibiino et al. | Measurement-based automatic extraction of FET parasitic network by linear regression | |
CN114970419B (zh) | 一种InP太赫兹HEMT晶体管正负栅压小信号模型 | |
CN110717242B (zh) | 一种InP HEMT器件噪声等效电路模型建立方法 | |
Cao et al. | Application of the genetic algorithm in MOSFET modeling and parameter extraction | |
CN114330192A (zh) | 一种GaN HEMT晶体管小信号模型建模方法 | |
Murakawa et al. | Towards automatic parameter extraction for surface-potential-based MOSFET models with the genetic algorithm | |
Jarndal | Parasitic elements extraction of AlGaN/GaN HEMTs on SiC substrate using only pinch-off S-parameter measurements | |
CN108875105B (zh) | Soi晶体管四端口网络射频模型参数提取方法 | |
Cerantonio et al. | From T-CAD simulations to large signal model for GaN RF device | |
JP3361698B2 (ja) | Fetチャネルプロファイル抽出方法 | |
Hasani | Modeling of distributed effects in modern MOS transistors for millimeter wave applications | |
CN114065859A (zh) | 一种氮化镓高电子迁移率晶体管本征参数提取方法 | |
TWI808751B (zh) | 產生元件模型參數的系統及方法 | |
JP3340535B2 (ja) | 半導体特性測定システム |
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 |