人工智能■基于人工神经网络的HEMT器件参数提取方法研究 |设计|骑士S12|安华|

砷化镓(GaAs)材料的高电子迁移率晶体管(High Electron Mobility Transistors ， HEMT)相对于普通的双极晶体管来说，有高击穿电压、高电子迁移率等优越特性。为了研究GaAs HEMT器件的特性，研究人员需要研究器件的小信号等效电路模型[1] ，从中提取对应散射参数(S参数)和噪声参数。增益、噪声系数和最佳信源反射系数对于低噪声放大器的设计有重要作用，这些统称为噪声参数。
在传统的小信号等效电路提取S参数和噪声参数的方法中，由于测试的不确定性，存在提取过程繁琐、周期长、误差大等问题，快速设计HEMT器件或单片微波集成电路(Monolithic Microwave Integrated Circuit ， MMIC)是比较困难的[2] 。为此需要构建一种快速、精确的提取参数模型。文献[3]使用神经网络模型对用于导航的低噪声滤波器进行设计，取得较好效果。而本文研究内容是对低噪声放大器使用两个神经网络快速、精确提取S参数和噪声参数。
1 原理简介
1.1 微波网络散射参数和噪声参数
S参数是通过对二端口网络输入电压，测试反射回来的电压，再计算得出。二端口网络如图1所示。

本文插图
S参数可分为S11(输入反射系数)、S22(输出反射系数)、S21(正向传播系数)、S12(反向传播系数) 。
在低噪声放大器设计中，增益反映放大器对信号放大的性能；噪声系数是评估一个电路的噪声性能好坏的参数；而最佳信源反射系数是反映增益和噪声系数平衡的参数。
1.2 神经网络原理
人工神经元是模仿人类大脑神经细胞而制作的，神经网络是由大量的处理单元也就是神经元相互连接而成的[4] ，其结构如图2所示。

本文插图
一个神经元的输出由输入与权重的总和、偏置b、激励函数f决定。表达式如下：
其中， wky为第y个输入到第k个神经元的权重；ay为第y个输入分量；netk是第k个神经网络加权和；bk为第k个神经元的偏置；f为激励函数；ok是单元k的输出。其中激活函数一般用的是sigmoid函数。
2 低噪声放大器的神经网络模型
2.1 散射参数神经网络
近些年来， HEMT结构的晶体管为MMIC提供了低噪声、高频率的应用。本文采用安华LNA—MGA-16×16系列产品的datasheet作为神经网络数据集，该系列产品中包含MGA-16116、16216、16316 ，它们对应的频带是450～1 450 MHz、1 440～2 350 MHz以及1 950~2 700 MHz 。在实际应用中可以按照频带选择对应的产品。
本文使用安华公司datasheet数据集的88%作为训练样本， 12%作为测试样本。该数据集的数据是由不同的频带、电源电压、电源电流和频率对应的散射参数组成的，这些数据集能集中反映该晶体管散射参数特征。输入的数据频带Fb有3个，分别是450～1 450 MHz、1 440~2 350 MHz和1 950~2 700 MHz；电源电压Vdd为4.8 V；电源电流Idd分别为35 mA、55 mA、60 mA、75 mA；频率f是从0.1 GHz～19 GHz不等间隔取值。图3所示为训练样本点选取的电流和频率分布图。神经网络输出的S参数值有S11、S22、S21、S12 。其中一个S11就会产生幅度Mag(S11)和相位角Ang(S11) ，输出8组S参数，关系式如式(3)、式(4)所示。

本文插图
训练完成需要测试验证，选取的测试样本不在训练样本中，选取的是MGA-16216[5]下Vdd为4.8 V ， Idd为75 mA ， f是从0.1 GHz～19 GHz的数据。该神经网络的训练都是在MATLAB开发环境下完成。
为了提高精度，本文考虑一种新的神经网络结构，使用反射系数神经网络和传播系数神经网络两个神经网络，如图4所示。输入都是Fb、Vdd、Idd和f ，反射系数神经网络的输出是S11、S22相关参数，而传播系数神经网络的输出是S21、S12相关参数。