[发明专利]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

权利要求书

1.一种用于大信号功率晶体管的神经网络空间映射建模方法，包括下列步骤：

步骤1：将输入功率P_in、源阻抗Z_S、负载阻抗Z_L、基频freq、栅极偏置电压V_gf和漏极偏置电压V_df加载到粗模型，得到粗模型输出电流信号i_dc；

步骤2：粗模型输出电流信号i_dc通过电路中的电容电感分为直流分量信号i_{dc_DC}和交流分量信号i_{dc_AC}；

步骤3：在映射网络中，利用交流分量信号i_{dc_AC}提取附加电流信号i_{dc_add}并添加到细模型输出电流信号i_df中，附加电流信号i_{dc_add}的表达式为i_{dc_add}＝f_FUN(i_{dc_AC}，k)·f_ANN(i_{dc_AC}，w)，其中f_ANN()表示多层感知器，w表示多层感知神经网络的内部权重变量，f_FUN()计算公式为k是f_FUN()中所有优化变量a₁、a₂、b₁和b₂的总称，采用分段函数保证了在不改变粗模型S参数的情况下使得大信号特性得到改善；

步骤4：根据输入功率P_in、源阻抗Z_S、栅极偏置电压V_gf、漏极偏置电压V_df和电流信号i_df计算大信号模型的输出功率P_out、增益Gain、功率效率η和功率附加效率PAE；

步骤5：求解f_FUN(i_{dc_AC}，k)＝0和f_ANN(i_{dc_AC}，w)＝1进行映射网络初始化，并得到变量k的初始值k₀，得到变量w的初始值w₀，从而保证模型不因引入映射网络使模型性能变差；

步骤6：为了使训练误差满足要求，固定变量值w₀并优化变量值k₀至k^*；

步骤7：为了使训练误差满足要求，固定变量值k^*并优化变量值w₀至w^*，进一步提高神经网络空间映射模型在大信号仿真中的精度；

步骤8：为了使训练误差满足要求，优化变量值k^*至k^#，优化变量值w^*至w^#，从而使得神经网络空间映射模型与测量或仿真数据良好匹配。

2.根据权利要求1所述的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，其特征在于，步骤2中，粗模型输出电流信号i_dc表达式为i_dc＝i_{dc_DC}+i_{dc_AC}。

3.根据权利要求1所述的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，其特征在于，步骤3中，细模型输出电流信号i_df表达式为i_df＝i_{dc_DC}+i_{dc_AC}+i_{dc_add}。