微波电路EDA第二章0428.ppt

2.3.3 单向化等效模型 2.3.3 单向化等效模型 元器件值确定后可确定单向化等效电路模型： 例2-1 2.3.4 数据拟合法 数据拟合法通常采用最小二乘法将离散频率上每个S参数元素的测试值用两个实数多项式拟合，从而得到S参数以频率为变量的连续函数，并将它作为管子的数学模型。 单向化模型 数据拟合模型 等效电路模型 数学表达式模型 直接建立 数据拟合法基本原理 数据拟合法基本原理 数据拟合法基本原理 数据拟合法基本原理 数据拟合法基本原理 数据拟合法基本原理 对晶体管S矩阵中的每个元素都进行数据拟合，即可得到晶体管S参数的数学表达式模型： 其它拟合方式： 样条函数 柯西函数插值 模型映射关系建立模型的一些方式 神经网络方法（NN) 包含两层人工神经元神经网络模型结构 三层感知器神经网络结构 神经网络模型建立 微波器件神经网络建模一般流程图 建立神经网络的一个重要步骤就是训练神经网络，使之可以很好的表达实际器件模型的输入输出映射关系。 训练神经网络的目的是调整权值w，使得误差函数 最小化。更新权值的方式主要有back-propagation算法、Levenberg-Marquardt算法和quasi-Newton算法等。 模型映射关系建立模型的一些方法 建模实例 LTCC filter 建模 第一步:将LTCC滤波器结构划分为三种子结构：单个谐振器谐振频率结构、级间耦合结构和输入输出耦合结构。这样是为了避免对滤波器建立整体的神经网络模型，能够减小神经网络的大小，降低模型所需要的训练数据量，提高模型的精度。 第二步：用电磁仿真软件HFSS对每种子结构提取所需要的训练数据。根据结构的耦合机制合理的选择输入输出变量，避免模型产生多值问题。 第三步：把电磁仿真训练出的正模型的相应数据做输入和输出对换，构成训练反向模型所需要的数据形式。 第四步：利用神经网络训练环境，为三种子结构分别训练三个反向神经网络子模型。 模型映射关系建立模型的一些方式 模型映射关系建立模型的一些方式 模型适用范围为，中心频率3至8GHz，相对带宽5%至20%。 模型映射关系建立模型的一些方式 支持向量机回归(SVR) 特点：统计学习理论(SLT，Statistical learning theory) SVR是建立在统计学习理论的基础上，根据有限样本在学习精度和学习能力之间寻求最佳期望，获得最好的推广能力。 特征空间映射 结构风险最小化 模型映射关系建立模型的一些方式 建模实例 带状线-带状线层间互连模型 为了建模方便，引入两个变量a/b 模型输入 模型输出 模型映射关系建立模型的一些方式 模型映射关系建立模型的一些方式 3.空间映射算法 SM 有两个两种模型，即粗糙模型与“精确模型”。粗糙模型可以是典型的等效电路、经验公式，柯西插值公式等。精确模型则是由全波分析方法得到的精确结果。SM利用这两种模型可以兼顾全波分析等精确模型的精确性以及等效电路等粗糙模型的快速。近几十年来，SM得到了大量的发展。神经网络、隐函数的应用在确保了标准SM优势的前提下，提高了SM的精确性。 模型映射关系建立模型的一些方式 空间映射方法除了能够应用于无源电路的多参量优化问题外，优化过程中获得的精确模型和粗糙模型之间的映射关系，能够与粗糙模型结合建立增强模型，大大提高所建模型的精度，同时具有粗糙模型的快速性和精确模型的精确性，使复杂无源元件建模工作有了新的发展思路。 SM的目的就是建立粗糙模型与精确模型的映射，这样，映射关系建立后就可以通过粗糙模型进行电路的优化与设计。在基于代替模型的SM中，利用输入、输出映射等映射方法就可以得到校正后的粗糙模型，也就是代替模型。 模型映射关系建立模型的一些方式 小结 建模方法 理论分析法；全波仿真法；实验法；非线性法。 集总参数模型和分布参数模型 电感、电阻、电容、传输线模型。 微带线模型 微带线模型的分析与综合；微带线不均匀结构。 微波半导体二极管模型： 大信号模型，小信号模型。 微波半导体晶体管模型： FET大信号模型， FET小信号模型。 单向化等效模型（适用其它微波器件）。 数据拟合模型（适用其它微波器件）。 * 本章讲述建模方法，如何进行无源和有源电路建模？ * * * 管壳等效电路元件Cp和Lr可用测量开路和短路管壳的阻抗求出。 2.3.2 微波半导体晶体管模型 网络分析仪 (S参数 ) 非线性模型 小信号等效 电路模型 非线性栅源、 栅漏电容模型 近似线性 元件值 非线性漏源 电流模型 击穿特性模型 色散模型 温度相关模型 I-V测试仪 (I-V特性) 参考文献实 测数据 小信号等效 电路模型 MESFET器件 经验模型 MESFET小信号等效电路模型 小信号模型参数提取步骤 外