论文部分内容阅读
随着半导体技术的快速发展,许多新型器件不断涌现,现有模型已不能完全精确地反映新器件的特性。然而,准确的器件模型对提高产品性能、降低成本、缩短设计周期起着关键作用。为了克服这个问题,需要重新调整现有模型或建立新模型,但建立新型器件的等效电路模型需要反复试验,比较耗时,而物理模型计算昂贵。本文提出的基于动态神经网络类型的微波器件建模方法可通过高效系统的计算过程建立更广泛的模型,且模型响应精确、快速。为了建立精准的器件模型,本文提出了一种基于时间延迟神经网络(Time Delay Neural Network,TDNN)的新型微波器件建模方法。已有的TDNN建模方法是采用大信号时域信息的功率放大器的行为级建模,本文提出了包含DC、小信号S参数和大信号谐波频域信息的TDNN微波器件建模方法,该方法能够更准确地表征器件的特性,提高了模型的通用性。本文推导了DC、S参数和大信号情况下的完整的TDNN模型公式。通过Ga As MESFET和GaAs HEMT的建模实例验证了该新型TDNN方法的可行性,且该模型可精确地反映器件的特性。为了建立性能更好的模型,本文首次将线性动态模块级联非线性静态模块的Wiener系统应用到微波器件建模领域,提出了包含简化的线性动态方程串联非线性静态方程的全新Wiener类型动态神经网络模型结构,该模型精度高、收敛性好。通过采用经矢量拟合法得到的极点信息来简化传统Wiener类型的线性动态部分,提高了训练效率和模型鲁棒性。本文推导了新型Wiener类型动态神经网络在DC、小信号和大信号情况下的公式。为了更有效地训练该模型,本文又推导了该模型在DC、小信号和大信号情况下的灵敏度分析公式。通过对GaAs pHEMT和GaAs HEMT建模验证了该新型Wiener类型动态神经网络建模方法的可行性,并进一步验证了该新模型具有精度高、鲁棒性好的优点。本文还提出了适用于新型Wiener类型动态神经网络的基于梯度的全新训练算法,该算法能够高效系统地训练该新型模型。通过基于仿真的GaAs MESFET和实测的GaAs pHEMT验证了该新型Wiener类型动态神经网络的训练算法高效可行。经该算法训练后,建立的新型Wiener类型动态神经网络模型可以精确反映微波器件的大信号非线性特性;与现有的动态神经网络类型如TDNN和带外推的TDNN模型相比,新型Wiener类型动态神经网络模型具有更好的收敛性;在谐波平衡仿真中,新型Wiener动态神经网络具有较强的鲁棒性,可应用于多种微波器件建模,且可方便地在现有的仿真器中实现。