exp (2.804 *V)+ (4. 272e-010)*exp( 2.399 *V); 15nw 的拟合方程：1=( I. 916e-010)*exp( 2.868 *V)+ (8. 862e-010 )*exp( 2.741 *V)。 b、 C-V特性曲线簇拟合 为了使拟合后的曲线较好的和测试得到的I-V曲线相重合，采用"Matlab"软件拟合得 到不同光功率下的C与V之间的函数关系C=f (V)，由此可以在等效电路中可以用一个在固 定偏压下的电阻实现。同理，在偏压[-3, 0]下，得到C-V特性曲线簇。
[0017] (3 )、光电探测器特性参数的预测 利用神经网络不同光强下的I-V曲线和C-V曲线对光电探测器特性参数的预测。根据 拟合的IV方程组，推到IV曲线方程f(x) =a*exp(b*x) +c*exp(d*x)，由此可以看出，a、 b、c和d四个参数决定IV曲线基本的特性和走势。如果能得到这四个参数固定值，就能得 到一组IV曲线，或者说，可以根据一个光功率P，确定一个IV曲线，这是根据光强测得数据， 要和IV曲线建立相应的关系，必须建立P、I和V之间的关系。在真实的测试环境中以及过 去的公式中，很难将这三者建立一个准确的代数表达式关系。本发明利用神经网络中的遗 传算法，来建立一个虚拟的关系，可以把这种关系映射到P与a、b、c和d四个参数之间的关 系，这样就可以方便的解决了光强P和IV曲线在物理概念和代数表达式上面没有联系的问 题。
[0018] 参阅附图1，利用"Matlab "本身自带有神经网络的工具箱进行简单的编程，神经 网络组对样本进行采样、训练以及仿真。本发明使用了 20个神经元，利用"MATLAB"的指令 train ()对采集数据进行训练。
[0019] 参阅附图 2~ 附图 5,在光强为 0· 2nw、0. 5nw、lnw、2nw、5nw、IOnw 和 15nw 下，在拟 合的方程组下得到7组具有指数性质的a、b、c和d.参数。
[0020] 将每组数据和光强作为样本点，采用神经网络算法对其训练，最终得到以下关于 a、b、c和d参数的训练曲线和拟合参数方程，由神经网络算法得出参数方程如下： a参数与光功率P对应的方程为： a=(1.567e-09)*exp(-0.9876*p) + (1.899e-09)*exp(-0.08893 *p); b参数与光功率P对应的方程为： b=( 2.646 )*exp (0.005501 *p)_ (0.1629 )*exp (-1.324 *p); c参数与光功率P对应的方程为： c=(-1.578e-008)*exp(-0.9081*p) + ( 4.582e_011 )*exp(0.2032*p); d参数与光功率P对应的方程： d= (1. 806 )*exp( 0.02813 *p) + ( -0.6273 )*exp (-3. 034*p); 在光电探测器特性参数的测试过程中，本实施例只测试了 〇. 2nw~15nw的光强，为了验 证算法的学习能力的拓展性和准确性，现对光功率P=O和P=l. 2nw进行验证。
[0021] 参阅附图6,在光功率P=0,即无光情况下（dark)，分别得到参数a=3. 466 e-09 ; b=2. 483 ;c= -1.582 ;e-008 ;d=l. 278。
[0022] 参阅附图7,在光功率P=L 2nw，分别得到参数a=2. 183e-009 ;b=2. 6302 ; c=-4. 2485e-09 ；d=l. 8515〇
[0023] (4)、建立不同光功率下的等效电路 参阅附图8~附图9,不同光强下，得到不同的IV和CV曲线后，通过确定某一固定的偏 压，得到V、C和R的参数或者I、C和R的参数，得到电压源或电流源模型的等效电路图，如 器件在-IV 和 P=0.2nw 时：V=-1V;R= 3·3591θ+07Ω ;C=7.68pw。
[0024] (5)、等效电路的仿真读出 参阅附图10,选取上述某一光强下的等效电路与读出电路对接，其中器件的偏压为 Vc〇m-Vref，Cl，Rl为不同光照和不同偏压下的等效电路参数，Vout为对接后的输出，在 "Cadence"软件下对读出数据进行仿真，仿真结果见下述表1。
[0025] 表1 :仿真结果表 （单位：mv)
【主权项】
1. 一种基于神经网络算法的量子光电探测器等效电路的建模与仿真，其特征在于利用 神经网络算法对已测得的光电探测器电特性曲线进行学习，W预测不同光照下的电特性曲 线，将预测的电特性曲线与实测的电特性曲线进行比对，然后建立不同光照下的等效电路， 等效电路与读出电路对接后进行仿真读出，具体建模与仿真包括下述步骤： (1) 、光电探测器特性参数的测试和拟合 a、 基于光电测试平台，作出光电探测器的电流一电压特性（I -V)特性曲线簇，并用 "Matl油"软件拟合得到不同光功率下I=f(V)的函数关系，从而得到某偏压下的等效电 阻； b、 基于光电测试平台，作出光电探测器的电容一电压（C-V)特性曲线簇， Matl油"软件拟合得到不同光功率下C=f(V)的函数关系，从而得到某偏压下的等效电容； (2) 、光电探测器特性参数的预测 采用神经网络算法建立光功率P与I和V之间的虚拟关系，从而预测不同光功率下的 I-V和C-V特性曲线； (3) 、建立不同光功率下的等效电路 采用神经网络算法对预测的电特性曲线与实测的电特性曲线进行比对，确定某一偏压 下的电容、电阻与电压源或电流源并联的等效电路，W建立不同光功率下的等效电路； (4) 、等效电路的仿真读出 将不同光功率下的等效电路与CTIA读出电路对接，然后利用"cadence"软件对读出数 据进行仿真，通过仿真数据验证读出电路的性能。
【专利摘要】本发明公开了一种基于神经网络算法的量子光电探测器等效电路的建模与仿真，其特点是利用神经网络算法对已测得的光电探测器电特性曲线进行学习，以预测不同光照下的电特性曲线，将预测的特性曲线与实际测试的特性曲线进行比对，然后建立不同光照下的等效电路，等效电路与读出电路对接后进行仿真读出。本发明与现有技术相比具有不需关注器件的内部结构，就可有效得到任意光功率下出等效电路，能和微弱读出电路对接，读出器件响应，仿真精度高，使用方便，准确反映量子效应光电探测器特性，降低成本。
【IPC分类】G06F17-50
【公开号】CN104598680
【申请号】CN201510018182
【发明人】陆海东, 郭方敏
【申请人】华东师范大学
【公开日】2015年5月6日
【申请日】2015年1月14日