一种用于功率晶体管的神经网络空间映射建模方法与流程

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：

近些年来，为生产出精度更高和速度更快的电子产品，新工艺、新材料、新结构的电子器件不断涌现。随着电路结构复杂度的增长，设计误差的降低和设计时间周期的缩短，设计人员往往借助计算机辅助设计进行电路仿真和验证，导致设计者越来越依赖于精度高、速度快的器件模型。半导体器件模型是影响电路设计精度的最主要因素，电路规模越大、指标和频段越高，对器件模型要求也越高。微波射频领域的器件模型不仅能够描述微波器件的行为特性，还要准确反映器件随物理和几何参数不同而引发的特性改变。虽然已存在的建模技术比较成熟，适用于多数现有产品，但是需要对含有新型器件的电路或系统建模时，已有建模方法往往不能同时达到模型精度高和仿真速度快的要求。

器件建模方法研究已经成为微波设计领域重要的发展方向。目前，微波射频电路的建模方法主要包括三种：等效电路模型、物理模型和神经网络模型。相关研究已证明现有的建模方法具有一定应用局限性。

局限1：等效电路模型是根据晶体管的电子特性用电子元件搭建的模型，该模型可以构建一组关联终端电压和电流的非线性方程，但在建模过程中需要不断调整模型中参数值，参数直接对模型性能相互影响，故需要耗费大量的时间和精力获得合适的参数值。随着器件应用频率升高，现有的等效电路模型在高频仿真环境中往往出现失真现象。

局限2：物理模型是基于器件物理信息进行电磁仿真，能够精确描述器件性能的模型，但这种方法需要较多很难获得的参数信息，搭建与原器件相同的结构难度很大，且电磁计算需要强大的计算机资源，当模型设计过程中物理和几何参数被反复调整时，这一问题尤为突出。

局限3：神经网络模型是通过自动训练过程学习器件/电路的数据，训练好的神经网络模型能代替原始器件进行电路/系统的仿真与设计。训练后的神经网络模型不仅运行速度快、精度高，还能够准确反映器件输入与输出的非线性关系。现有的神经网络模型结构均是用神经网络同时控制器件的直流特性和交流特性，这会导致神经网络结构复杂，需要大量的权重参数，增加了模型训练难度。

因此，本发明的目的是通过提出一种适用于功率晶体管的神经网络空间映射建模方法，减少训练所需数据的数量，降低神经网络拓扑结构的复杂度。

技术实现要素：

本发明的目的是克服现有技术的上述不足，提出一种用于功率晶体管的神经网络空间映射建模方法。该方法将功率晶体管模型的输入/输出信号中的直流信号和交流信号分开处理，用输出映射网络调节功率晶体管模型的直流特性，用输入映射网络调节功率晶体管模型的交流特性。

一种用于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：将功率晶体管模型输入信号分离，将加载到功率晶体管栅极和漏极端的输入电压信号记为[v_gf，v_df]^T，经过信号分离模块得到直流信号[v_gf.dc，v_df.dc]^T和交流信号[v_gf.ac，v_df.ac]^T；

步骤2：将模型输出信号合并，将合并前电流信号中的直流成分记为[i_gf.dc，i_df.dc]^T，交流成分记为[i_gc.ac，i_dc.ac]^T，经过信号合并模型得到模型栅极和漏极端输出电流信号[i_gf，i_df]^T；

步骤3：将模型中输出映射网络单位化，调整输出映射网络中的参数，使输出信号[i_gf.dc，i_df.dc]^T与输入电流信号相等，从而保证模型不因引入映射网络使模型直流性能变差，即：

[i_gf.dc，i_df.dc]^T＝[i_gc.dc，i_dc.dc]^T (1)

步骤4：用输出映射网络调节功率晶体管模型的直流特性，功率晶体管的直流特性只受到直流偏置电压的控制，故用来调整交流信号的输入映射网络可以忽略。该步骤中用测量或仿真的直流数据对模型训练，调整输出映射网络中的参数值，使模型得到精确的直流特性；

步骤5：将模型中输入映射网络单位化，调整输入映射网络中的参数，使输入映射网络输出信号[v_gc.dc，v_dc.dc]^T与输入电压信号相等，从而保证模型不因引入映射网络使模型交流性能变差，即：

[v_gc.dc，v_dc.dc]^T＝[v_gf.dc，v_df.dc]^T (2)

步骤6：用输入映射网络调节功率晶体管模型的交流特性，在该步骤中用测量或仿真的交流数据训练模型时，固定输出映射网络的参数值，使输入映射网络中参数调整不影响模型的直流特性，而提高模型的交流特性；

步骤7：对模型中的输入映射网络和输出映射网络参数做微调，进一步提高模型精度，使模型的直流特性和交流特性与测量或仿真功率晶体管性能相同。

本发明提出的功率晶体管模型中的输入映射网络和输出映射网络均采用三层感知器神经网络结构实现，其表达式为

其中y为神经网络的输出变量，x为神经网络的输入变量，i表示神经网络第i个隐含神经元，j和k分别表示第j个输入神经元和第k个输出神经元，n和m分别表示神经网络输入变量和输出变量的总个数。激励函数采用sigmoid函数，公式为σ(γ)＝1/(1+e^-γ)。

本发明步骤4中，训练后的输出映射网络公式为

(i_gf.dc，i_df.dc)＝f_ANN(v_gf.dc，v_df.dc，i_gc.dc，i_dc.dc，w₁) (4)

其中f_ANN表示神经网络映射关系，w₁表示神经网络内部权重。

本发明步骤6中，训练后的输出映射网络公式为

(v_gc.ac，v_dc.ac)＝h_ANN(v_gf.ac，v_df.ac，w₂) (5)

其中h_ANN表示神经网络映射关系，w₂表示神经网络内部权重。

本发明提出的神经网络空间映射建模方法不仅不需要功率晶体管内部结构信息，而且神经网络结构简单，优化参数独立控制模型不同特性输出，模型直流特性和交流特性之间互不影响，减少了迭代次数，缩短了建模周期。

附图说明

图1是本发明结构框图；

图2是依照本发明实施例对功率晶体管建模流程图。

图3是本发明实施例的样本数据和模型输出特性曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施例作详细描述。

如图2所示，本发明一种用于功率晶体管的神经网络空间映射建模方法中，首先要获得用于模型训练的样本数据。直流输入样本数据是输入电压，记为[v_gf，v_df]^T；直流输出样本数据是输出电流，记为[i_df]。交流输入样本数据是输入电压和频率，记为[v_gf，v_df，freq]^T；交流输出样本数据是S参数，记为[S₁₁，S₁₂，S₂₁，S₂₂]^T。样本数据可以通过实际测量器件或者仿真软件得到。

搭建如图1所示的神经网络结构，设置输出映射网络结构。输出映射网络采用3层感知器结构，输入信号为[v_gf.dc，v_df.dc，i_gc.dc，i_dc.dc]^T，输出信号为用[i_gf.dc，i_df.dc]^T。为保证加载输出映射网络不降低粗模型的直流特性，对输出映射网络进行单位化。调整输出映射网络中的权重值，使[i_gf.dc，i_df.dc]w＝[i_gc.dc，i_dc.dc]^T，其中[i_gc.dc，i_dc.dc]^T遍历整个工作域。由于本发明中的输入映射网络用于对交流信号的调整，输入映射网络不影响模型的直流特性，故暂不对输入映射网络参数值讨论，输入映射网络可用任意2输入2输出的3层感知器结构实现。

用直流样本数据对图1中的模型训练，调整输出映射网络中的权重值，使模型的输出电流i_df与样本数据之间的误差不断减小。若测试误差不满足精度要求，则继续用训练数据训练或者调整输出映射网络结构，改变隐含层神经元的个数，重新训练。若测试误差满足精度要求，则进行模型交流特性调整。

搭建如图1所示的神经网络结构，重新设置输入映射网络结构。输入映射网络采用3层感知器结构，输入信号为[v_gf.dc，v_df.dc]^T，输出信号为用[v_gc.dc，v_dc.dc]^T。为保证加载输入映射网络不降低粗模型的交流特性，对输入映射网络进行单位化。调整输出映射网络中的权重值，使[v_gc.dc，v_dc.dc]^T＝[v_gf.dc，v_df.dc]^T，其中[v_gf.dc，v_df.dc]^T遍历整个工作域。此时，为避免训练时功率晶体管工作点变化，降低模型的直流特性，需将输出映射网络中的权重值固定。

将图1中的模型放入S参数仿真环境中，并用交流样本数据对其训练，调整输入映射网络中的权重值，使模型的交流输出[S₁₁，S₁₂，S₂₁，S₂₂]^T与样本数据之间的误差不断减小。若测试误差不满足精度要求，则继续用训练数据训练或者调整输入映射网络结构，改变隐含层神经元的个数，重新训练。若测试误差满足精度要求，则对模型进行验证，若模型的直流特性和交流特性精度同时满足要求，则停止训练，否则对输入映射网络和输出映射网络中的参数值进行微调，直到满足要求。

图3为利用本发明建模方法建立模型输出特性曲线与样本数据比较图，可以看出模型的输出曲线与样本数据一致。