[发明专利]基于HPSO和GA-BP算法的螺旋电感优化方法

说明书

本发明公开了一种基于HPSO和GA‑BP算法的螺旋电感优化方法，包括采用电磁仿真软件HFSS制作片上螺旋电感数据集并进行数据预处理；采用遗传算法(GA)优化BP神经网络，再训练优化后的BP神经网络，建立GA‑BP模型；采用HPSO对片上螺旋电感进行布局搜索，得到特定目标电感值下满足约束条件的结构参数；采用GA‑BP模型对片上螺旋电感特定电感值下的结构参数进行表征参数预测。本发明可以帮助设计者折衷分析电感性能和电感尺寸，使电路拥有最佳性能和最佳尺寸，不仅保证了计算结果的准确性，更能节省时间和成本，具有良好的应用前景。

技术领域

本发明涉及一种基于HPSO和GA-BP算法的螺旋电感优化方法，属于无线通信领域。

背景技术

随着无线通信的迅猛发展，射频器件设计要求越来越高。片上螺旋电感是射频电路的关键元器件，品质因素Q值是片上电感极为重要的参数，电感的Q值越高，其损耗越小，效率越高；高Q值的片上电感易于集成并且极具灵活性，适合现代射频微波领域对低损耗、低成本器件的要求，对于实现高性能的滤波、调谐、放大有着极为重要的意义。但目前缺乏快速并且精确的计算机辅助设计(CAD)工具是射频电路设计的瓶颈之一，在传统的建模技术中，如求解代数和微分方程的数值方法能够获得片上电感准确的结果，但需要耗费太多时间，增大设计成本，分析和经验建模技术可以有效节约时间，但计算的精度不够准确，以及有些模型计算方法不便于电感优化。近些年来，有些研究人员提出如遗传算法(GeneticAlgorithm，简称GA)、人工神经网络等智能优化算法对器件结构参数进行优化的方法。这类算法可以折衷处理器件的结构参数，在控制器件面积满足一定的约束条件下，性能有所提升，且在很大程度上节省设计的时间和成本。目前人工神经网络已逐渐成为传统建模技术的有效替代方案，它能够从相应的数据中学习任意非线性输入输出关系，模型将输出和输入之间的关系变为闭式表达式，训练的网络由于低延迟而提供几乎即时的输出，同样由于其在射频建模中的准确性，因此，神经网络模型比物理/EM模型快得多，并且具有比传统建模方式更高的精度。

发明内容

为克服上述现有技术的不足，本发明的目的是提供一种基于HPSO和GA-BP算法的射频片上螺旋电感优化方法。

本发明的原理在于，通过采用基于人类行为的粒子群(HPSO)算法对片上螺旋电感的进行布局搜索，得到特定目标电感值下满足约束条件的结构参数，通过HFSS(HighFrequency Structure Simulator)软件对大量电感进行仿真测试分析获取数据集，通过遗传算法优化BP神经网络的权值和阈值，将制作的片上螺旋电感数据集训练优化后的BP神经网络，建立模型，实验结果表明遗传算法优化后的BP神经网络比优化前的网络性能更好，结果更加精准。

本发明通过以下优化方案实现：平面螺旋电感典型结构参数如图1所示，N为螺旋电感的圈数，Dout为螺旋电感外径，w是金属导体的宽度，s是导体间隔；步骤101、制作数据集：依据0.13-μm CMOS工艺技术，确定片上螺旋电感结构参数即圈数N，外径Dout，线宽W，线间距s取值范围，确定数据集样本，所取数据样本共1056组，采用电磁仿真软件HFSS仿真求解片上螺旋电感表征参数即有效电感值L，品质因数Q和自谐振频率SRF；步骤102、数据预处理：随机选出500组数据进行归一化预处理，按照4:1的比例划分为训练数据和测试数据；

步骤103、建立GA-BP模型；

步骤104、采用HPSO对片上螺旋电感进行布局搜索，得到特定目标电感值下满足约束条件的结构参数；

步骤105、采用GA-BP模型对片上螺旋电感特定电感值的结构参数进行表征参数预测。

所述的步骤103中GA-BP模型的建立过程包括：

定义BP模型的输入：选择片上螺旋电感结构参数即圈数N，外径Dout，线宽W，线间距s作为模型的输入变量；