《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 微波|射頻 > 設(shè)計(jì)應(yīng)用 > 基于人工神經(jīng)網(wǎng)絡(luò)的HEMT器件參數(shù)提取方法研究
基于人工神經(jīng)網(wǎng)絡(luò)的HEMT器件參數(shù)提取方法研究
2020年電子技術(shù)應(yīng)用第3期
黃興原,,秦 劍
廣州大學(xué) 電子與通信工程系,廣東 廣州510006
摘要: 研究了利用人工神經(jīng)網(wǎng)絡(luò)對不同頻帶,、柵寬的砷化鎵高電子遷移率晶體管進(jìn)行散射參數(shù)和噪聲參數(shù)提取,,基于兩個(gè)神經(jīng)網(wǎng)絡(luò)分別對兩組散射參數(shù)和噪聲參數(shù)進(jìn)行訓(xùn)練學(xué)習(xí),比較不同隱含層和神經(jīng)元數(shù)目得出平均相對誤差和均方誤差,,找到對應(yīng)散射參數(shù)和噪聲參數(shù)神經(jīng)網(wǎng)絡(luò)的最佳的隱含層數(shù)和神經(jīng)元數(shù)目是8-8-6和6-4,。測試結(jié)果表明,散射參數(shù)平均相對誤差的平均值為2.79%,,噪聲參數(shù)平均相對誤差的平均值為2.05%,,與常規(guī)單個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比,在平均相對誤差方面提高了31.3%,,表明該模型具備更好的精度和可靠性,,十分適用于寬禁帶、強(qiáng)非線性特征的射頻晶體管參數(shù)提取,。
中圖分類號: TN402
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.190982
中文引用格式: 黃興原,,秦劍. 基于人工神經(jīng)網(wǎng)絡(luò)的HEMT器件參數(shù)提取方法研究[J].電子技術(shù)應(yīng)用,2020,,46(3):47-50,,57.
英文引用格式: Huang Xingyuan,Qin Jian. Research on HEMT device parameter extraction method based on artificial neural network[J]. Application of Electronic Technique,,2020,,46(3):47-50,57.
Research on HEMT device parameter extraction method based on artificial neural network
Huang Xingyuan,,Qin Jian
Department of Electronics and Communication Engineering,,Guangzhou University,Guangzhou 510006,,China
Abstract: Artificial neural network(ANN) is used to extract scattering parameters and noise parameters of GaAs high electron mobility transistors with different frequency bands and gate widths. Based on the two neural networks, the two groups of scattering parameters and noise parameters are trained and studied respectively. The average relative error and mean square error are obtained by comparing different hidden layers and the number of neurons. It is found that 8-8-6 and 6-4 correspond to the optimal hidden layers and number of neurons of the neural networks with scattering parameters and noise parameters. The test results show that the average relative error of scattering parameters is 2.79%. Compared with the conventional single neural network structure, the average relative error is increased by 31.3%. This shows that the model in this paper has better accuracy and reliability, which shows that this model has higher accuracy and is very suitable for parameter extraction of RF transistors with wide band gap and strong nonlinearity.
Key words : ANN,;GaAs;HEMT,;scattering parameter,;noise parameter

0 引言

    砷化鎵(GaAs)材料的高電子遷移率晶體管(High Electron Mobility Transistors,,HEMT)相對于普通的雙極晶體管來說,有高擊穿電壓,、高電子遷移率等優(yōu)越特性,。為了研究GaAs HEMT器件的特性,研究人員需要研究器件的小信號等效電路模型[1],,從中提取對應(yīng)散射參數(shù)(S參數(shù))和噪聲參數(shù),。增益、噪聲系數(shù)和最佳信源反射系數(shù)對于低噪聲放大器的設(shè)計(jì)有重要作用,,這些統(tǒng)稱為噪聲參數(shù),。

    在傳統(tǒng)的小信號等效電路提取S參數(shù)和噪聲參數(shù)的方法中,由于測試的不確定性,,存在提取過程繁瑣,、周期長、誤差大等問題,,快速設(shè)計(jì)HEMT器件或單片微波集成電路(Monolithic Microwave Integrated Circuit,,MMIC)是比較困難的[2]。為此需要構(gòu)建一種快速,、精確的提取參數(shù)模型,。文獻(xiàn)[3]使用神經(jīng)網(wǎng)絡(luò)模型對用于導(dǎo)航的低噪聲濾波器進(jìn)行設(shè)計(jì),取得較好效果,。而本文研究內(nèi)容是對低噪聲放大器使用兩個(gè)神經(jīng)網(wǎng)絡(luò)快速、精確提取S參數(shù)和噪聲參數(shù),。 

1 原理簡介

1.1 微波網(wǎng)絡(luò)散射參數(shù)和噪聲參數(shù)

    S參數(shù)是通過對二端口網(wǎng)絡(luò)輸入電壓,,測試反射回來的電壓,再計(jì)算得出,。二端口網(wǎng)絡(luò)如圖1所示,。

rgzn2-t1.gif

    S參數(shù)可分為S11(輸入反射系數(shù))、S22(輸出反射系數(shù)),、S21(正向傳播系數(shù)),、S12(反向傳播系數(shù))。

    在低噪聲放大器設(shè)計(jì)中,,增益反映放大器對信號放大的性能,;噪聲系數(shù)是評估一個(gè)電路的噪聲性能好壞的參數(shù);而最佳信源反射系數(shù)是反映增益和噪聲系數(shù)平衡的參數(shù),。

1.2 神經(jīng)網(wǎng)絡(luò)原理

    人工神經(jīng)元是模仿人類大腦神經(jīng)細(xì)胞而制作的,,神經(jīng)網(wǎng)絡(luò)是由大量的處理單元也就是神經(jīng)元相互連接而成的[4],其結(jié)構(gòu)如圖2所示,。

rgzn2-t2.gif

    一個(gè)神經(jīng)元的輸出由輸入與權(quán)重的總和,、偏置b,、激勵(lì)函數(shù)f( )決定。表達(dá)式如下:

     rgzn2-gs1-2.gif

其中,,wky為第y個(gè)輸入到第k個(gè)神經(jīng)元的權(quán)重,;ay為第y個(gè)輸入分量;netk是第k個(gè)神經(jīng)網(wǎng)絡(luò)加權(quán)和,;bk為第k個(gè)神經(jīng)元的偏置,;f( )為激勵(lì)函數(shù);ok是單元k的輸出,。其中激活函數(shù)一般用的是sigmoid函數(shù),。

2 低噪聲放大器的神經(jīng)網(wǎng)絡(luò)模型

2.1 散射參數(shù)神經(jīng)網(wǎng)絡(luò)

    近些年來,HEMT結(jié)構(gòu)的晶體管為MMIC提供了低噪聲,、高頻率的應(yīng)用,。本文采用安華LNA—MGA-16×16系列產(chǎn)品的datasheet作為神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集,該系列產(chǎn)品中包含MGA-16116,、16216,、16316,它們對應(yīng)的頻帶是450~1 450 MHz,、1 440~2 350 MHz以及1 950~2 700 MHz,。在實(shí)際應(yīng)用中可以按照頻帶選擇對應(yīng)的產(chǎn)品。

    本文使用安華公司datasheet數(shù)據(jù)集的88%作為訓(xùn)練樣本,,12%作為測試樣本,。該數(shù)據(jù)集的數(shù)據(jù)是由不同的頻帶、電源電壓,、電源電流和頻率對應(yīng)的散射參數(shù)組成的,,這些數(shù)據(jù)集能集中反映該晶體管散射參數(shù)特征。輸入的數(shù)據(jù)頻帶Fb有3個(gè),,分別是450~1 450 MHz,、1 440~2 350 MHz和1 950~2 700 MHz;電源電壓Vdd為4.8 V,;電源電流Idd分別為35 mA,、55 mA、60 mA,、75 mA,;頻率f是從0.1 GHz~19 GHz不等間隔取值。圖3所示為訓(xùn)練樣本點(diǎn)選取的電流和頻率分布圖,。神經(jīng)網(wǎng)絡(luò)輸出的S參數(shù)值有S11,、S22、S21、S12,。其中一個(gè)S11就會(huì)產(chǎn)生幅度Mag(S11)和相位角Ang(S11),,輸出8組S參數(shù),關(guān)系式如式(3),、式(4)所示,。

     rgzn2-gs3-4.gif

rgzn2-t3.gif

    訓(xùn)練完成需要測試驗(yàn)證,選取的測試樣本不在訓(xùn)練樣本中,,選取的是MGA-16216[5]下Vdd為4.8 V,,Idd為75 mA,f是從0.1 GHz~19 GHz的數(shù)據(jù),。該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練都是在MATLAB開發(fā)環(huán)境下完成,。

    為了提高精度,本文考慮一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),,使用反射系數(shù)神經(jīng)網(wǎng)絡(luò)和傳播系數(shù)神經(jīng)網(wǎng)絡(luò)兩個(gè)神經(jīng)網(wǎng)絡(luò),,如圖4所示。輸入都是Fb,、Vdd,、Idd和f,反射系數(shù)神經(jīng)網(wǎng)絡(luò)的輸出是S11,、S22相關(guān)參數(shù),,而傳播系數(shù)神經(jīng)網(wǎng)絡(luò)的輸出是S21、S12相關(guān)參數(shù),。

rgzn2-t4.gif

    本文分成反射系數(shù)和傳播系數(shù)神經(jīng)網(wǎng)絡(luò)是為了更好提高精度,。本文嘗試了不同隱含層和神經(jīng)元數(shù)目,最后通過計(jì)算平均相對誤差和均方誤差,,發(fā)現(xiàn)3層隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的8-6-6是最佳的,。擬合出的8個(gè)S參數(shù)的圖像如圖5所示。在圖5中,,左右縱坐標(biāo)軸分別代表相位角(Ang)和幅度(Mag),實(shí)直線和星號(圓圈)分別代表神經(jīng)網(wǎng)絡(luò)擬合數(shù)據(jù)和原始數(shù)據(jù),。通過圖形可以直觀地看出,,神經(jīng)網(wǎng)絡(luò)擬合計(jì)算出來的數(shù)值和原數(shù)據(jù)基本吻合。

rgzn2-t5.gif

    在圖6中,,將S參數(shù)全部畫在一張極坐標(biāo)圖里,,對部分S參數(shù)進(jìn)行縮放,可以看出神經(jīng)網(wǎng)絡(luò)擬合得出的S參數(shù)較吻合原始數(shù)據(jù),。

rgzn2-t6.gif

2.2 噪聲參數(shù)神經(jīng)網(wǎng)絡(luò)

    本文使用安華LNA-ATF-XX1M4系列產(chǎn)品的datasheet作為神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集,,里面包含ATF-331M4、541M4、551M4,,其中90%為訓(xùn)練樣本,,10%為測試樣本。該數(shù)據(jù)集是由與不同的柵寬Wd,、漏源電壓Vds,、漏源電流Ids和頻率f對應(yīng)的增益Ga,最小噪聲系數(shù)Fmin[6],,最佳反射系數(shù)幅值ΓoptMag和最佳反射系數(shù)相位角ΓoptAng[7]等噪聲參數(shù)組成的,,這些數(shù)據(jù)集能集中反映該晶體管噪聲參數(shù)特征。噪聲參數(shù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本W(wǎng)d為1 600 μm,、800 μm,、400 μm。f從0.5 GHz~10 GHz不等間隔選取,,Vds,、Ids選取分布點(diǎn)如圖7所示。

rgzn2-t7.gif

    為了提高精度,,選擇把神經(jīng)網(wǎng)絡(luò)拆分為兩個(gè),,輸入仍然為不同的Wd、Vds,、Ids和f,,一個(gè)是增益和噪聲系數(shù)神經(jīng)網(wǎng)絡(luò),輸出為Ga,、Fmin,;另外一個(gè)是最佳反射系數(shù)神經(jīng)網(wǎng)絡(luò),輸出為ΓoptMag和ΓoptAng,,兩個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖8所示,。這么做是為了更加細(xì)致的分工,可以更加準(zhǔn)確地得出噪聲參數(shù),。

rgzn2-t8.gif

    神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成,,使用ATF-331M4器件[8]的Wd=1 600 μm,Vds=4 V,,Ids=40 mA,,f從0.5 GHz~10 GHz測試樣本進(jìn)行測試。

    使用平均相對誤差和均方誤差對結(jié)果進(jìn)行評估,,得出數(shù)據(jù)繪制如圖9所示,。通過圖形可以看出,神經(jīng)網(wǎng)絡(luò)得出的數(shù)值和原數(shù)據(jù)基本吻合,。

rgzn2-t9.gif

3 誤差評估

    本文對神經(jīng)網(wǎng)絡(luò)模型結(jié)果的預(yù)測精度評估采用平均相對誤差(Mean Relative Error,,MRE)和均方誤差(Mean Square Error,,MSE)來評估。平均相對誤差和均方誤差的公式如下所示:

     rgzn2-gs5-6.gif

式中,,ax代表第x個(gè)原始數(shù)據(jù),,bx代表第x個(gè)神經(jīng)網(wǎng)絡(luò)擬合得出的數(shù)值,M代表測試的總數(shù)量,。由這兩個(gè)誤差來評估神經(jīng)網(wǎng)絡(luò)預(yù)測的精度,。

    本文為方便表達(dá),定義隱含層和神經(jīng)元表示方法為H1-H2-H3,。H1,、H2、H3分別代表第1,、2,、3隱含層的神經(jīng)元數(shù)。兩個(gè)神經(jīng)網(wǎng)絡(luò)在不同隱含層和神經(jīng)元數(shù)下會(huì)得出不同的結(jié)果,。通過實(shí)驗(yàn)得出,,反射系數(shù)和傳播系數(shù)神經(jīng)網(wǎng)絡(luò)在8-8-6的結(jié)構(gòu)時(shí)平均相對誤差和均方誤差最小。從而得出最小誤差,,如表1所示,。

rgzn2-b1.gif

    針對噪聲參數(shù)誤差評估,這兩個(gè)神經(jīng)網(wǎng)絡(luò)的隱含層和神經(jīng)元數(shù)都是在6-4結(jié)構(gòu)下得出的最小誤差,,如表2所示,。

rgzn2-b2.gif

4 神經(jīng)網(wǎng)絡(luò)仿真結(jié)果比較

    文獻(xiàn)[9]中使用遺傳算法、粒子群算法,、差分進(jìn)化算法,、改進(jìn)差分進(jìn)化算法從測試數(shù)據(jù)集中提取等效電路模型參數(shù),其中改進(jìn)差分進(jìn)化算法最佳,,均方根誤差為3.1%,,本文的神經(jīng)網(wǎng)絡(luò)平均的均方根誤差為0.675%。文獻(xiàn)[9]中的算法僅適用于已有射頻電路參數(shù)關(guān)系式的射頻參數(shù)優(yōu)化提取,。本文神經(jīng)網(wǎng)絡(luò)具有的自學(xué)習(xí)能力有利于進(jìn)行強(qiáng)非線性擬合,,十分適用于寬禁帶下射頻晶體管的參數(shù)提取。 

    文獻(xiàn)[10]中使用直接神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法提取散射參數(shù)值,,即只用單個(gè)神經(jīng)網(wǎng)絡(luò)從不同偏置條件下提取散射參數(shù)值,,平均相對誤差的平均值為4.06%。本文分別使用反射系數(shù)神經(jīng)網(wǎng)絡(luò)和傳播系數(shù)神經(jīng)網(wǎng)絡(luò)提取散射參數(shù)值,,更好地提高了提取散射參數(shù)的準(zhǔn)確性,平均相對誤差的平均值為2.79%,,相對于直接神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法提高了31.3%,。圖10為兩種神經(jīng)網(wǎng)絡(luò)方法平均相對誤差對比。

rgzn2-t10.gif

5 結(jié)論

    高電子遷移率器件在微波射頻領(lǐng)域起著至關(guān)重要的作用,在對射頻器件測試過程中研究人員提取射頻參數(shù)和噪聲參數(shù)存在測試時(shí)間長,、精度低等問題,。本文構(gòu)建了兩個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對射頻器件進(jìn)行散射參數(shù)和噪聲參數(shù)的提取,測試結(jié)果表明,,提取散射參數(shù)和噪聲參數(shù)的平均相對誤差的平均值為2.79%和2.05%,。該方法十分適用于寬禁帶、強(qiáng)非線性特征的射頻晶體管參數(shù)提取,。

參考文獻(xiàn)

[1] 郝躍,,張金風(fēng),張進(jìn)成.氮化物寬禁帶半導(dǎo)體材料與電子器件[M].北京:科學(xué)出版社,,2013.

[2] 唐霆宇.一種小型化超寬帶接收前端的設(shè)計(jì)與實(shí)現(xiàn)[J].電子技術(shù)應(yīng)用,,2019,45(6):11-14.

[3] PAYALA A,,ANAND R.Modelling of navigation based LNA parameters using neural network technique[J].Optical Memory and Neural Networks,,2017,26(3):192-198.

[4] RUSSELL S.人工智能:一種現(xiàn)代的方法(第三版)[M].殷建平,,祝恩,,劉越,等,,譯.北京:清華大學(xué)出版社,,2013.

[5] Avago.MGA-16216,dual LNA for balanced application 1440-2350 MHz[Z].2012.

[6] SINGH S,,CHOPRA P K.Artificial neural network approach for LNA design of GPS receiver[M].Springer-Verlag New York,,Inc.,2016.

[7] 王浩全,,郭昊,,郝明麗.2~6 GHz寬帶功率放大器模塊設(shè)計(jì)[J].電子技術(shù)應(yīng)用,2017,,43(7):8-10,,15.

[8] Avago.ATF-331M4,low noise pseudomorphic HEMT in a miniature leadless package[Z].2017.

[9] 張莉,,唐楊,,劉博,等.片上差分螺旋電感模型及參數(shù)提取[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),,2010,,50(5):126-129,134.

[10] 趙亮,,孔令強(qiáng),,高建軍.基于多層感知機(jī)神經(jīng)網(wǎng)絡(luò)射頻MOSFET小信號建模方法[C].2017年全國微波毫米波會(huì)議論文集(下冊),,2017.



作者信息:

黃興原,秦  劍

(廣州大學(xué) 電子與通信工程系,,廣東 廣州510006)

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。