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:
随着电子技术的发展,封装晶体管的精确计算机辅助设计(cad)模型在电路/系统设计中起着决定性的作用。基于等效电路模型和电磁模型适用于成熟技术和现有晶体管的建模。然而随着设计复杂性的增加和设计周期的缩短,传统的cad方法难以同时满足精度和速度的需求。新的半导体技术和材料不断发展,因此有必要为封装晶体管开发有效的建模方法。
近来,基于知识型的神经网络建模技术已被认为是微波建模中传统技术的有效替代方法。基于知识型的模型以经验或等效电路模型的形式利用现有知识与神经网络一起开发更精确的模型。从基于知识型模型的输入到输出的评估也非常快。数学模型不可用时,基于知识型的技术已被用于晶体管建模。然而对于晶体管建模,现有的基于知识型的神经网络方法主要集中在核心晶体管而不对封装电路进行建模。封装晶体管系统和快速的建模方法仍然是一个开放的研究课题。
因此,本发明的目的是通过提出一种基于小信号知识型封装晶体管的神经网络建模方法和先进的训练方法,减少优化参数的相互干扰,避免重复改变优化参数。
技术实现要素:
本发明的目的是提出一种基于小信号知识型封装晶体管的神经网络建模方法。该方法提出将神经网络与核心晶体管模型相结合并通过不同的神经网络来调整封装晶体管的不同特性从而降低性能的干扰。用逐步的训练方法避免参数重复调整并且能加快建模过程。
一种基于小信号知识型封装晶体管的神经网络建模方法,包括下列步骤:
步骤1:将封装晶体管模型分为三部分:输入封装电路模块、核心电路模块、输出封装电路模块。核心电路模块模拟封装晶体管的直流特性,输入/输出封装电路模块和核心电路模块模拟封装晶体管的小信号特性;
步骤2:搭建直流模型,选用知识型模型表示现有的晶体管模型,神经网络(ann1)作为输入映射网络,将知识型模型的输入映射到核心电路上,构成直流模型;
步骤3:搭建s参数模型,分别为输入封装电路、核心电路、输出封装电路构建小信号模块,并根据散射矩阵实现了封装晶体管及其三部分之间的s参数的计算。基于直流模型,核心模块由知识型模型和ann1构成代表核心电路的小信号特征,偏置电压
步骤4:训练模型时首先初始化神经网络(ann1、ann2和ann3),避免本发明所提出的模型降低知识型模型的性能,从而得到初始变量
步骤5:优化变量
步骤6:优化变量
步骤7:微调权重
本发明步骤2中,神经网络用于描述知识型模型与被建模设备的信号之间的非线性关系:
fann表示多层前馈神经网络,w1表示神经网络fann内部权重。
本发明步骤3中,输入/输出封装模块表示频率与s参数之间的非线性关系分别为:
hann和gann表示多层前馈神经网络,w2和w3分别表示神经网络hann和gann内部权重。
本发明提出的高精度模型仅仅使用终端信号来实现,不需要封装晶体管的内部和物理结构信息,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,采用逐步训练模型的方法避免了变量的重复调整,减少优化参数的相互干扰,操作简单,缩短了建模周期。
附图说明
图1是本发明直流结构框图;
图2是本发明小信号结构框图;
图3是依照本发明实施例对知识型封装晶体管建模流程图;
图4是本发明实施例的直流样本数据和模型输出特性曲线;
图5是本发明实施例的小信号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。
采用本发明提出的建模方法对知识型封装晶体管建模时,其模型结构如图1、2所示。模型主要分为三部分:输入封装电路模块、核心电路模块、输出封装电路模块。核心电路模块模拟封装晶体管的直流特性,输入/输出封装电路模块和核心电路模块模拟封装晶体管的小信号特性。
搭建如图1所示的直流模型结构。封装电路由线性器件组成所以不会影响器件的直流特性,直流特性仅受核心电路的影响。在本发明中选用知识型模型来表示现有的晶体管模型,神经网络(ann1)作为输入映射网络,将知识型模型的输入映射到核心电路上,构成直流模型。神经网络用于描述知识型模型的信号与被建模设备的信号之间的非线性关系。
搭建如图2所示的小信号模型结构。在封装晶体管中,核心电路和封装电路都会影响器件的小信号特性。我们分别为输入封装电路,核心电路和输出封装电路建立小信号模块,并根据散射矩阵实现了封装晶体管及其三部分之间的s参数的计算。核心模块由知识型模型和ann1构成,此时代表核心电路的小信号特征。核心模块可以确保直流以及s参数特性。两个神经网络(ann2和ann3)分别表示输入/输出封装电路的特性,该神经网路表示频率与s参数之间的非线性关系,该电路由无源元件组成,例如,键合线,mos电容器等。频率是封装模块的唯一输入,s参数的实部和虚部为输出。
如图3所示,模型采用四阶段训练方法。在第一阶段,初始化神经网络的权重值,避免提出的模型降低知识型模型的性能;在第二阶段,调整图1中神经网络的权重值w1,使直流模型与设备数据相匹配;在第三阶段,调整图2中神经网络的权重值w2和w3,使得s参数仿真所提出的小信号模型与设备数据相匹配;在第四阶段,同时微调w1,w2,w3进一步提高所提出的模型的精度。
图4为利用本发明建模方法建立模型直流输出特性曲线与样本数据比较图,可以看出模型的直流输出曲线与样本数据拟合度良好。
图5为利用本发明建模方法建立模型小信号输出特性曲线与样本数据比较图,可以看出模型的小信号输出曲线与样本数据拟合度良好。