改进的RF-LDMOS小信号模型参数提取方法

准确地提取RF-LDMOS小信号模型参数对LDMOS大信号模型建模十分重要,而且好的小信号模型能很好地反映微波器件的性能。针对LDMOS提出了一种改进的小信号模型参数提取方法,此方法增加了测试结构的建模和参数提取,极大地方便了S参数曲线的拟合,而且对于测试版图的研究有一定的指导意义。由此方法提取的小信号模型与实验测试数据在0.1～8 GHz拟合的很好,并且准确地预测了器件的特征频率。该模型和方法能够很好的适用于LDMOS的L,S波段小信号建模和参数提取。     

用一种效率高而精确的模型预测双栅GaAsMESFET的大信号微波性能

本文介绍了一种双栅GaAs MESFET的微波大信号模型。这种模型能预测小信号和大信号电路的器件性能。该模型是以前建立的普通MESFET模型的扩展。它依据的基本原理是器件性能与它的几何结构及物理参数的相关性。通过计算器件的直流曲线、小信号S参数和放太器的大信号模拟这三种性能,证明这种模型是精确而高效的。计算得到的性能和测量得到的性能非常一致。只是为了比较才给出了计算结果。对器件性能没有过多地进行全面的分析。     

基于神经网络的双芯谐振光纤色散补偿特性预测分析北大核心CSCD

本文针对双芯谐振色散补偿微结构光纤中色散调控与结构参数优化等问题,提出了一种基于神经网络的光纤轨道角动量模式色散特性预测方法。通过搭建多层神经网络模型,调节神经网络的隐藏层层数、神经元个数及网络超参数,得到了较为准确的色散预测结果。本文提出的方法建立了光纤结构与色散特性之间的联系与规律,与传统光学仿真计算方法相比,该方法可以更快速高效地找到光纤结构对应的模式色散特性,对光纤结构的设计和优化有一定的指导作用。     

硅基毫米波共面波导可缩放神经网络模型

随着微电子工艺技术的发展,硅基CMOS器件的截止频率已经达到毫米波频段,使硅基微波单片集成电路实现成为可能。因此,建立硅基毫米波频段共面波导结构模型使准确设计硅基微波单片集成电路成为必要。文章提出了一种基于神经网络技术的共面波导结构(CPW)毫米波可缩放模型,采用3层神经网络结构,根据共面波导的测试结果,用神经网络来学习其物理变量和测试的相应S参数空间映射关系。仿真与测试结果比较表明:基于神经网络方法建立的毫米波共面波导可缩放模型对不同几何参数CPW能够快速和准确地给出对应的CPW的S参数结果。     

超宽带锥形电感特性研究

锥形螺旋电感是一种新型电感,在较宽的频带内有良好的一致性,在毫米波电路和光载无线通信系统（RoF Radio-over-Fiber）中有广泛的应用.本文对锥形螺旋电感感值、螺旋电感长度、直流电阻的计算方法进行了研究,给出了精确计算方法,其中,电感值误差在10.2%以内,直流电阻误差在6.5%以内;对锥形空心螺旋电感微波特性进行研究,提出了一种等效模型,该模型拟合计算结果与实测曲线有较好的一致性,使用该模型给出了螺旋电感宽带特性的详细理论推导,同时利用该模型首次对锥形螺旋电感的宽带特性进行了直观解释;最后,将绕制参数对电感微波性能的影响进行分析,引入单位长度电感量参数α和电感量-频率参数β,可对超宽带锥形电感微波特性进行优化,对某些特性进行快速优化.     

塑壳断路器热双金属片动作特性仿真分析

热脱扣器的稳定性直接影响塑壳断路器的可靠性,而热双金属片的动作特性决定了热脱扣器的性能。针对热双金属片动作特性计算误差大、验证周期长的特点。本文提出了一种基于电-热-结构多物理场耦合仿真的方法,此方法给定热双金属模型电流电压参数,通过模型计算温度场,进而计算热双金属片的动作特性,最后准确计算出随时间变化的变形量曲线。同时,本文还利用热双金属挠度测试系统对仿真模型进行了验证,结果表明仿真计算模型准确可靠。该仿真方法的引入有效缩短了塑壳断路器的研发周期,同时降低了验证成本,具有较强的研究意义和应用价值。     

一种基于BSIM-CMG的FinFET变容管模型

提出了一种适用于FinFET变容管的建模方法.在BSIM-CMG的基础上,模型采用衬底模型和外围寄生模型来表征变容管的射频寄生效应.提出了具体的参数提取方法,将测试的S参数导入到安捷伦IC-CAP建模软件提取参数,测试结构引入高频寄生采用(open+ short)去嵌方法进行去嵌.通过调节模型参数拟合测试曲线得到FinFET变容管模型.该模型可精确表述FinFET变容管全工作区域特性,解决传统MOS变容管模型无法准确描述三维FinFET器件变容特性的问题.模型和模型参数提取方法采用20个硅鳍、16个栅指、158 nm栅长、578 nm栅宽的FinFET变容管进行建模验证,模型仿真和测试所得C-V,R-V和S参数特性吻合良好.     

基于时频分析的SAR目标微波视觉特性智能感知方法与应用

合成孔径雷达(SAR)目标识别智能算法目前仍面临缺少鲁棒性、泛化性和可解释性的挑战,理解SAR目标微波特性并将其结合先进的深度学习算法,实现高效鲁棒的SAR目标识别,是目前领域较为关注的研究重点。SAR目标特性反演方法通常计算复杂度较高,难以结合深度神经网络实现端到端的实时预测。为促进SAR目标物理特性在智能识别任务中的应用,发展高效、智能、可解释的微波物理特性感知方法至关重要。该文将高分辨SAR目标的非平稳特性作为一种典型的微波视觉特性,提出一种改进的基于时频分析的目标特性智能感知方法,优化了处理流程和计算效率,使之更适用于SAR目标识别场景,并进一步将其应用到SAR目标智能识别算法中,实现了稳定的性能提升。该方法泛化性强、计算效率高,能得到物理可解释的SAR目标特性分类结果,对目标识别算法的性能提升与属性散射中心模型相当。     

可重构功放的新颖NARX神经网络逆向建模研究

针对使用CAD软件设计射频微波电路繁琐且耗时长等缺点,提出一种新颖的带外部输入的非线性自回归(NARX)神经网络逆向建模方法。此方法采用具有激励函数的NARX 神经网络(DAFNN)为模型以提高网络的泛化能力,利用支持向量机(SVM)替代模型的前馈部分完成数据分类,解决设计中的多解问题。然后应用于可以覆盖多个频段的可重构功率放大器中,实验表明,该方法在精度方面分别优于直接逆向建模方法和自适应浊逆向建模方法99.86%和81.32%,计算速度方面优于直接逆向建模方法31.72%,可以降低射频微波可重构功率放大器的设计复杂度、缩短其设计时间。     

一种基于广义回归神经网络的微波功率器件X参数建模方法

为了解决微波功率器件大信号参数提取复杂的问题,提出了一种基于广义回归神经网络(GRNN)对微波功率器件进行建模的方法。与此同时,采用双隐藏层BP神经网络进行建模。为了验证两种模型的建模效果,采用谐波平衡实验得到预测数据与期望数据的三次谐波及其模值。最后通过对比得出,双隐藏层BP神经网络模型的三次谐波误差分别为5.287,3.320和4.483 dBm。GRNN模型的三次谐波误差分别为0.130,0.001和1.235 dBm。此外,双隐藏层BP神经网络模型的三次谐波模值误差分别为0.003,0.521×10^-4和0.683×10^-6。GRNN模型的三次谐波模值误差分别为0.001,0.235×10^-4和0.304×10^-6。通过以上实验证明了所提出的GRNN模型可以有效地对GaN高电子迁移率晶体管进行大信号建模。     

基于神经网络的非线性电子器件的建模方法

针对当前电路仿真中复杂非线性电子器件的建模问题,提出了先由神经网络学习器件的输入输出特性,再将得出的网络结构用Pspice中的电路描述语言描述的建立非线性电子器件模型的新方法,并通过实验验证了这种方法的有效性。这一方法可作为一种通用方法,用于其它器件的建模。     

RBF网络与BP网络在非线性电子器件建模中的性能比较

针对BP网络在非线性电子器件建模应用中的不足,尝试了利用RBF网络建模的新方法,即首先用RBF网络逼近器件的非线性特性,然后再将得出的网络结构用Pspice电路描述语言描述来建立非线性电子器件的模型,并对这两种网络在建模时的优缺点进行了比较.     

高空飞行器供油驱动系统IGBT模块结温特性研究

对高空飞行器供油驱动系统在特定负载状态下的IGBT模块结温特性进行研究。高空飞行器对供油驱动系统的高功率密度要求高及环境散热条件差的状况,使得其关键部件IGBT模块在功率裕量与结温控制方面更为严格。根据负载特性精确计算结温,对于在特定散热条件下系统的可靠运行非常重要。运用非稳态导热的Foster集总参数法,分析IGBT模块点热源特性及其他热源对计算影响,建立一种含校正系数的热网络模型,并在短时脉冲过载及输出低频两种特有状态下,对IGBT模块的结温特性进行分析。通过对高空飞行器飞行过程中IGBT模块结温特性的计算,结合仿真软件Semisel的对比分析,验证了建模和分析本文所提方法的有效性。     

基于BP神经网络的水蒸气红外透过率仿真

针对在计算大气透过率方法中利用经验公式误 差大和专业软件复杂低效等问题,提出了一种基于 贝叶斯正则化BP(back propagation)神经网络的水蒸气红外透过率的计算方法。利用BP 神 经网络良好的非线性拟合特点,建 立大气参数与水蒸气透过率之间的关系模型。以实测温度、压强和湿度作为输入向量,中红 外平均水蒸气 透过率作为输出,构建3-7-1式的BP神经网络。仿真结果表明: 在相同的大气参数下,与逐线积分法相比, 本文方法在运算过程大幅简化的同时相对误差很小;与经验公式法相比,本文方法对透过率 的计算精度大幅提升。     

基于有限元分层级联技术SAW滤波器精确计算

针对任意复杂结构声表面波(SAW)器件精确快速分析及其内部多物理场耦合效应的精确表征问题,该文在充分考虑SAW器件实际存在的各种影响因素下,采用有限元分层级联算法推导出有限长结构SAW器件的有限元数学模型。基于全波仿真技术,考虑管座及键合线等封装模型电磁效应,对漏波型42°Y-X LiTaO₃温度补偿型声表面波(TC-SAW)器件进行计算,通过与实验结果对比,验证了计算模型的精确性,为高性能SAW器件的精确快速设计提供了支撑。     

New neural method for bias dependent noise modelling of microwave transistors

A new method for accurate determination of noise parameters of microwave transistors for various bias conditions is proposed in this paper. The proposed model consists of a transistor empirical noise model (modification of Pospieszalski’s noise model) and two artificial neural networks. With the aim to avoid extraction of the empirical model parameters for each bias point, an artificial neural network is used to introduce bias-dependence of the equivalent circuit parameters. Accuracy of such bias-dependent model is further improved by using an additional neural network aimed to correct the noise parameters’ values. The proposed modeling approach is exemplified by modelling of a MESFET device in packaged form. The noise parameters obtained by the simulation agree well with the measured data.     

Efficient electromagnetic optimization of microwave filters and multiplexers using rational models

A method is presented for the efficient optimization of microwave filters and multiplexers designed from an ideal prototype. The method is based on the estimation of a rational function adjusted to a reduced number of samples of the microwave device response obtained either through electromagnetic analysis or measurements. From this rational function, a circuital network having the previously known topology of the microwave device is synthesized and compared to a circuital network with the desired response but including nonidealities. All of the process of analysis and model extraction can be seen as a model function that relates the physical parameters of the microwave device with the extracted circuital network parameters. Then, the error vector of the circuital parameters is used to generate a correction vector of the physical parameters through an estimation of the inverse of the Jacobian matrix of the complete model function. The Jacobian estimation is updated at each iteration of the optimization process with no need for additional evaluations of the model function. Two numerical examples of the proposed technique corresponding to the synthesis of a filter and a diplexer are presented, demonstrating the increased efficiency of the proposed technique with respect to direct electromagnetic optimization.     

基于神经网络的GaAs HBT器件模型研究

建立精确的模型是使用砷化镓异质结双极晶体管器件（GaAs HBT）设计集成电路的必要基础,传统经验模型建立过程复杂,在输出功率、增益、功率附加效率等功率特性方面的模拟精度不太高,给电路设计带来了一定的难度。本文利用径向基函数(RBF)神经网络算法和反向传播(BP)神经网络算法分别建立GaAs异质结双极晶体管器件的大信号模型。这些模型的训练和测试数据分别来自于测试的双端口散射参数,以及测试的直流特性和功率特性数据。然后将模型数据与实测结果进行对比,结果发现,基于神经网络的器件模型能够精确地模拟器件特性,而且RBF神经网络模型相比BP神经网络模型,误差更小,预测更精确。