基于神经网络的微波射频器件建模

发布时间：2017-04-28 08:14

  本文关键词：基于神经网络的微波射频器件建模，由笔耕文化传播整理发布。

【摘要】：为了提高产品性能、缩短设计周期、降低成本,设计人员往往依赖于计算机辅助设计(Computer-Aided Design,CAD)中高效、准确的器件模型。在微波及射频建模领域,传统建模方法需要不断尝试和反复修正模型,其建模周期和模型精度已经不能满足新器件的建模要求。近些年来,人工神经网络(Artificial Neural Network,ANN)被公认为是代替传统建模技术的有效方法。本文提出了三种改进的神经网络建模方法,分别适用于异质结双极型晶体管(Heterojunction Bipolar Transistor,HBT)建模、封装晶体管建模和功率放大器记忆效应(Memory Effects)建模。首先,本文提出的适用于HBT晶体管建模方法是对已有神经网络空间映射(Neuro-Space Mapping,Neuro-SM)结构进行改进,用电流和电压的混合映射网络代替电压映射网络。本文提出用混合矩阵H参数表示HBT晶体管的小信号信息,推导了经验公式模型H参数与被建模对象H参数之间的关系式。对HBT晶体管实测数据建模结果表明,本文提出的HBT晶体管模型能够准确反映其直流和小信号特性且能方便地导入仿真软件中。其次,本文提出的适用于封装晶体管建模方法是将封装晶体管分为输入封装电路、非线性电路和输出封装电路三部分,并对其建模。根据封装电路具有互易性的特点,推导了封装电路线性公式,并与神经网络结构相结合搭建了封装电路模型。本文推导了输入封装电路、非线性电路和输出封装电路三部分S参数与封装晶体管整体S参数之间的计算公式。给出了封装晶体管整体模型的结构图,提出一种新的映射电路结构。通过封装晶体管建模实例验证了本文提出的封装晶体管建模方法的可行性和精确性。最后,本文提出一种基于递归神经网络(Recurrent Neural Network,RNN)的功率放大器记忆效应建模方法。从放大器的输入输出信号中提取缓慢变化的信号,并把该信号作为新型RNN模型的输入用来表示放大器的长期记忆效应。该方法将功率放大器的输入电流加载到神经网络模型中,这不仅提高了记忆效应RNN模型的精度,同时因使用更少的隐含神经元和时间延时阶数,提高了记忆效应RNN模型的收敛性。对功率放大器记忆效应建模的结果证明,本文RNN模型能准确地反映功率放大器的短期记忆效应和长期记忆效应。
【关键词】：人工神经网络 微波/射频器件建模 异质结双极型晶体管 封装晶体管 记忆效应
【学位授予单位】：天津大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN32
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-17
• 1.1 研究背景9-10
• 1.2 国内外研究现状10-13
• 1.3 本文研究内容及主要贡献13-14
• 1.4 本文结构安排14-15
• 1.5 本章小结15-17
• 第二章 神经网络建模技术17-35
• 2.1 神经网络分类17-23
• 2.1.1 多层感知神经网络18-20
• 2.1.2 递归神经网络20-22
• 2.1.3 动态神经网络22-23
• 2.2 神经网络训练过程23-26
• 2.3 神经网络优化算法26-28
• 2.3.1 梯度优化算法27
• 2.3.2 后向传播法27-28
• 2.4 建模方法分类28-32
• 2.5 建模环境概述32-34
• 2.5.1 NeuroModelerplus软件32-33
• 2.5.2 ADS软件33-34
• 2.6 本章小结34-35
• 第三章 异质结双极型晶体管建模研究35-51
• 3.1 已有Neuro-SM结构36-37
• 3.2 新型Neuro-SM结构37-43
• 3.2.1 电路结构37-38
• 3.2.2 解析公式38-40
• 3.2.3 训练过程40-43
• 3.3 异质结双极型晶体管建模实例43-49
• 3.4 本章小结49-51
• 第四章 封装晶体管建模研究51-81
• 4.1 已有封装电路建模方法52-54
• 4.2 基于神经网络的封装晶体管建模技术54-66
• 4.2.1 封装电路的建模方法55-57
• 4.2.2 非线性电路的建模方法57-59
• 4.2.3 封装晶体管整体建模方法59-63
• 4.2.4 封装晶体管模型实现方法63-66
• 4.3 封装晶体管建模实例66-78
• 4.3.1 AFT18S290模型为粗模型建模实例66-71
• 4.3.2 Angelov模型为粗模型建模实例71-78
• 4.4 本章小结78-81
• 第五章 记忆效应建模研究81-97
• 5.1 基于动态神经网络的记忆效应模型82-84
• 5.2 基于递归神经网络的记忆效应模型84-89
• 5.2.1 记忆效应RNN模型结构84-87
• 5.2.2 记忆效应RNN模型训练方法87-88
• 5.2.3 记忆效应RNN模型在ADS中的实现88-89
• 5.3 功率放大器记忆效应建模实例89-96
• 5.3.1 Motorola功率放大器建模90-93
• 5.3.2 Freescale功率放大器建模93-96
• 5.4 本章小结96-97
• 第六章 总结与展望97-99
• 6.1 本文工作总结97-98
• 6.2 下一步工作建议98-99
• 参考文献99-109
• 附录A Motorola功率放大器电路109-110
• 附录B Freescale功率放大器电路110-111
• 发表论文和参加科研情况说明111-113
• 致谢113-114

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

  本文关键词：基于神经网络的微波射频器件建模，由笔耕文化传播整理发布。

，

本文编号：332470