[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

摘要

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。

主权项

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：将激励信号(输入功率Pin、源阻抗ZS、负载阻抗ZL、基频freq、栅极偏置电压Vgf和漏极偏置电压Vdf)加载到粗模型，得到粗模型的输出电流信号idc；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idc_DC和交流分量idc_AC；步骤3：在映射网络中直流分量直接传到细模型，交流信号idc_AC中通过非线性公式fFUN()·fANN()提取附加电流idc_add并添加到映射电流idf中，采用fFUN()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idc到idf信号调整，根据激励信号(输入功率Pin、源阻抗ZS、栅极偏置电压Vgf和漏极偏置电压Vdf)和映射电流idf计算大信号模型的精确输出(输出功率Pout、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fFUN(idc_AC，k)＝0和fANN(idc_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；步骤6：修正变量w0并优化变量k0至k*，使得训练误差尽可能小；步骤7：修正变量k*并优化变量w0至w*，使得训练误差尽可能小，提高神经网络空间映射模型在大信号模拟中的精度；步骤8：优化变量(k*，w*)至(k#，w#)，使训练误差尽可能小，使得神经网络空间映射模型与测量或仿真数据良好匹配。