[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

说明书

本发明属于微波电路与器件建模领域，提供了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。该方法首先建立一个带电容和电感的神经网络空间映射模型，分别改变模型的直流和交流特性；然后采用新颖的非线性函数提取附加电流信号，以改善现有器件模型的大信号特性，同时保持S参数不变。最后采用逐步的训练方法快速训练所提出的神经网络空间映射模型，避免变量重复调整，缩短了建模周期。

技术领域

本发明涉及微波电路与器件建模领域，尤其涉及神经网络空间映射技术在微波建模领域的应用。

背景技术

随着半导体制造工艺的发展，建立精确的大信号功率晶体管的计算机辅助设计模型是必要的。用于商用微波电路仿真软件中的大信号功率晶体管模型在电路和系统设计中起决定性作用。电路的集成度越来越高，为了缩短设计和生产电路周期，对高效的大信号建模需求越来越大。

近来，神经网络空间映射(Neuro-SM)技术已被认为是微波建模领域中代替传统方法的有效方法。该技术使用神经网络将现有模型的电压和电流信号映射为精确的电压和电流信号。对于大信号功率晶体管建模，目前提出了两种方法：用动态神经网络作为功率晶体管的Neuro-SM模型的映射网络；在现有器件模型上添加两个映射网络，以匹配晶体管的大信号特性。这些现有的Neuro-SM建模方法通过用相同的神经网络改善模型的直流和交流特性，增加了优化难度，所以对精度高，操作简单的大信号建模仍然有待研究的。

因此，本发明的目的是通过提出一种适用于大信号功率晶体管的神经网络空间映射建模方法和先进的训练方法，避免变量重复调整，降低优化难度，提高建模效率。

发明内容

本发明的目的是提出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。该方法建立了一个新的Neuro-SM模型，分别改变模型的直流和交流特性；用新颖的非线性函数提取附加电流信号，以改善现有器件模型的大信号特性，同时保持S参数不变。用逐步的训练方法快速训练所提出的Neuro-SM模型，避免变量重复调整。

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：将激励信号(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，得到粗模型的输出电流信号i_dc；

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

步骤3：映射网络中直流分量直接加载到细模型，交流信号i_{dc_AC}中通过非线性公式f_FUN()·f_ANN()提取附加电流i_{dc_add}并添加到映射电流i_df中，采用f_FUN()函数来保证粗模型的大信号特征发生变化，而S参数保持不变；

步骤4：映射网络实现了漏极电流从i_dc到i_df信号调整，根据激励信号(输入功率P_in、源阻抗Z_S、栅极偏置电压V_gf和漏极偏置电压V_df)和映射电流i_df计算大信号模型的精确输出(输出功率P_out、增益Gain、功率效率η和功率附加功率PAE)：

步骤5：训练模型时首先通过求解f_FUN(i_{dc_AC}，k)＝0和f_ANN(i_{dc_AC}，w)＝1初始化映射网络，并得到初始变量(k₀，w₀)，从而保证模型不因引入映射网络使模型性能变差；