人工智能■基于人工神经网络的HEMT器件参数提取方法研究( 二 ) |设计|骑士S12|安华|

【人工智能■基于人工神经网络的HEMT器件参数提取方法研究】

本文插图
本文分成反射系数和传播系数神经网络是为了更好提高精度。本文尝试了不同隐含层和神经元数目，最后通过计算平均相对误差和均方误差，发现3层隐含层的神经网络结构的8-6-6是最佳的。拟合出的8个S参数的图像如图5所示。在图5中，左右纵坐标轴分别代表相位角（Ang）和幅度（Mag），实直线和星号(圆圈)分别代表神经网络拟合数据和原始数据。通过图形可以直观地看出，神经网络拟合计算出来的数值和原数据基本吻合。

本文插图
在图6中，将S参数全部画在一张极坐标图里，对部分S参数进行缩放，可以看出神经网络拟合得出的S参数较吻合原始数据。

本文插图
2.2 噪声参数神经网络
本文使用安华LNA-ATF-XX1M4系列产品的datasheet作为神经网络数据集，里面包含ATF-331M4、541M4、551M4 ，其中90%为训练样本， 10%为测试样本。该数据集是由与不同的栅宽Wd、漏源电压Vds、漏源电流Ids和频率f对应的增益Ga ，最小噪声系数Fmin[6] ，最佳反射系数幅值ΓoptMag和最佳反射系数相位角ΓoptAng[7]等噪声参数组成的，这些数据集能集中反映该晶体管噪声参数特征。噪声参数神经网络的训练样本Wd为1 600 μm、800 μm、400 μm 。 f从0.5 GHz～10 GHz不等间隔选取， Vds、Ids选取分布点如图7所示。

本文插图
为了提高精度，选择把神经网络拆分为两个，输入仍然为不同的Wd、Vds、Ids和f ，一个是增益和噪声系数神经网络，输出为Ga、Fmin；另外一个是最佳反射系数神经网络，输出为ΓoptMag和ΓoptAng ，两个神经网络的结构如图8所示。这么做是为了更加细致的分工，可以更加准确地得出噪声参数。

本文插图
神经网络训练完成，使用ATF-331M4器件[8]的Wd=1 600 μm ， Vds=4 V ， Ids=40 mA ， f从0.5 GHz～10 GHz测试样本进行测试。
使用平均相对误差和均方误差对结果进行评估，得出数据绘制如图9所示。通过图形可以看出，神经网络得出的数值和原数据基本吻合。

本文插图
3 误差评估
本文对神经网络模型结果的预测精度评估采用平均相对误差(Mean Relative Error ， MRE)和均方误差(Mean Square Error ， MSE)来评估。平均相对误差和均方误差的公式如下所示：
式中， ax代表第x个原始数据， bx代表第x个神经网络拟合得出的数值， M代表测试的总数量。由这两个误差来评估神经网络预测的精度。
本文为方便表达，定义隐含层和神经元表示方法为H1-H2-H3 。 H1、H2、H3分别代表第1、2、3隐含层的神经元数。两个神经网络在不同隐含层和神经元数下会得出不同的结果。通过实验得出，反射系数和传播系数神经网络在8-8-6的结构时平均相对误差和均方误差最小。从而得出最小误差，如表1所示。
针对噪声参数误差评估，这两个神经网络的隐含层和神经元数都是在6-4结构下得出的最小误差，如表2所示。