氮化镓(Gallium Nitride,Ga N)高电子迁移率晶体管(High Electron Mobile Transistor,HEMT)由于其宽带隙和高电子迁移率等特性广泛运用于高频段工作的电路设计中。为高效率的设计电路需要建立一种高精度的散射(Scattering,S)参数模型。...
详细信息
氮化镓(Gallium Nitride,Ga N)高电子迁移率晶体管(High Electron Mobile Transistor,HEMT)由于其宽带隙和高电子迁移率等特性广泛运用于高频段工作的电路设计中。为高效率的设计电路需要建立一种高精度的散射(Scattering,S)参数模型。采用基于小信号等效电路知识的人工神经网络(Artificial neural network,ANN)的方法可以得到高精度的S参数模型,且该模型具备预测未测量偏置电压下S参数的能力。鉴于此,本文主要研究了以下内容:(1)通过经验模型S表征多偏置条件下小信号等效电路S参数的方式,提出一种基于知识的ANN建模方法。在常用的多层感知器(Multilayer Perceptron,MLP)基础上,通过极限学习机(Extreme Learning Machine,ELM)优化MLP输出的方式,提出一种MLP-ELM结构从而提升ANN模型的精度与泛化能力。本文基于灰狼优化算法(Gray Wolf Optimization,GWO)超参数少与鲁棒性强等特性,以指标F为目标函数优化了MLP中神经层个数和神经元个数;利用ELM的快速学习优势,以数据集的均方误差(Mean Square Error,MSE)为依据明确ELM的网络结构,从而保证MLP-ELM结构的精度需求。所提出的建模架构为后文的ANN精确建模提供理论支撑。(2)建立一种精确的ANN经验模型S。首先通过增加外部迭代的方式提高GWO的性能,从而建立一种基于GWO的Ga N HEMT小信号等效电路建模方法,有效减少复杂电路拓扑的电容经验约束和本征参数频率相关性导致的模型误差。所建等效电路模拟的S参数与实验S参数的良好一致性,验证了经验模型所需训练数据与测试数据的准确性,从而为该模型的精确建模奠定了基础。然后根据基于GWO的MLP网络结构优化方法和ELM的网络结构确定方法建立了ANN经验模型。最终通过S参数相对误差和数据集MSE的对比分析,有效验证了经验模型的精确性和MLP-ELM结构的有效性与实用性。(3)基于ANN经验模型,建立了一种基于知识的ANN模型。该模型所模拟的S参数与实验S参数的良好一致性说明了模型的精确性,并验证了该模型具备准确预测未测量偏置电压下S参数的能力。本文与基于单偏置点等效电路的ANN建模方法和pure-ANN建模方法进行比较,通过S参数相对误差和数据集MSE的对比分析得出,本文方法在Ga N HEMT散射参数建模方面更具精确性的结论。此外,基于知识的ANN建模方法比pure-ANN建模方法更具精确性,且知识所含信息的增加能提高基于知识的ANN模型的精度。
暂无评论