人工智能■基于人工神经网络的HEMT器件参数提取方法研究( 三 ) |设计|骑士S12|安华|

本文插图
4 神经网络仿真结果比较
文献[9]中使用遗传算法、粒子群算法、差分进化算法、改进差分进化算法从测试数据集中提取等效电路模型参数，其中改进差分进化算法最佳，均方根误差为3.1% ，本文的神经网络平均的均方根误差为0.675% 。文献[9]中的算法仅适用于已有射频电路参数关系式的射频参数优化提取。本文神经网络具有的自学习能力有利于进行强非线性拟合，十分适用于宽禁带下射频晶体管的参数提取。
文献[10]中使用直接神经网络训练方法提取散射参数值，即只用单个神经网络从不同偏置条件下提取散射参数值，平均相对误差的平均值为4.06% 。本文分别使用反射系数神经网络和传播系数神经网络提取散射参数值，更好地提高了提取散射参数的准确性，平均相对误差的平均值为2.79% ，相对于直接神经网络训练方法提高了31.3% 。图10为两种神经网络方法平均相对误差对比。

本文插图
5 结论
高电子迁移率器件在微波射频领域起着至关重要的作用，在对射频器件测试过程中研究人员提取射频参数和噪声参数存在测试时间长、精度低等问题。本文构建了两个神经网络的结构对射频器件进行散射参数和噪声参数的提取，测试结果表明，提取散射参数和噪声参数的平均相对误差的平均值为2.79%和2.05% 。该方法十分适用于宽禁带、强非线性特征的射频晶体管参数提取。
参考文献
[1] 郝跃，张金风，张进成.氮化物宽禁带半导体材料与电子器件[M].北京：科学出版社， 2013.
[2] 唐霆宇.一种小型化超宽带接收前端的设计与实现[J].电子技术应用， 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：一种现代的方法(第三版)[M].殷建平，祝恩，刘越，等，译.北京：清华大学出版社， 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，郝明丽.2～6 GHz宽带功率放大器模块设计[J].电子技术应用， 2017 ， 43(7)：8-10 ， 15.
[8] Avago.ATF-331M4 ， low noise pseudomorphic HEMT in a miniature leadless package[Z].2017.
[9] 张莉，唐杨，刘博，等.片上差分螺旋电感模型及参数提取[J].清华大学学报(自然科学版) ， 2010 ， 50(5)：126-129 ， 134.
[10] 赵亮，孔令强，高建军.基于多层感知机神经网络射频MOSFET小信号建模方法[C].2017年全国微波毫米波会议论文集(下册) ， 2017.
作者信息:
黄兴原，秦剑
（广州大学电子与通信工程系，广东广州510006）