基于神经网络的射频器性能预测
2018-01-03蒋超南京恒电电子有限公司
蒋超 南京恒电电子有限公司
基于神经网络的射频器性能预测
蒋超 南京恒电电子有限公司
本文对RBF神经网络和MLP神经网络进行简单介绍,利用两种神经网络分别建模,并将所建模型用于射频器件性能的预测。预测结果表明神经网络建模方法具有较高的精密度。
RBF神经网络 MLP神经网络 蚁群优化
1 神经网络结构
1.1 径向基函数(RBF)
当神经网络中只有一个隐含层,并且径向基函数被用来描述隐含层的传输,此时的神经网络为径向基函数网络。其结构见图1。
图1 RBF神经网络结构
1.2 多层感知机(MLP)
输入信号以层层递进方式进行前向传播的神经网络称为多层感知机[1]。其结构见图2。
2 基于RBF神经网络建模方法
2.1 RBF神经网络建模
将双端口网络作为实例,a指入射电压波,b指反射电压波。经查阅文献可知,非线性散射函数可以表示为[2]:
接下来通过RBF神经网络来对F、G、H进行拟合。对于F的拟合,|a11|、Vgs和Vds为神经网络的输入,Fkp的实部与虚部则是输出。对于Gkpij,Hkpij的拟合,与F相同的信号为输入,Gkpij,Hkpij的实部与虚部为输出。
2.2 RBF神经网络模型检验
为了使模型得到验证,建模时使用的测量数据为0.5μm MESFET的。实验采用2GHz频率的基波信号和20GHz的系统带宽。测量数据不但有入射波电压与散射波电压的基波,还有全部谐波分量的频谱以及相位信息。检验时特征阻抗设成50,将大信号设成a11、栅极电压偏置以及漏极电压偏置。当神经网络输入a12~a14,a21~a24信号的时候,a11为常数。各偏置下,各基波与谐波数据都通过10个随机相位来进行测量。
3 基于蚁群优化策略的MLP神经网络建模方法
3.1 蚁群MLP神经网络的建模
此建模方法的思想是:假设神经网络的权值与阈值向量总共有m个,对其进行排序得到集合{p1,p2…….pm|1≤i≤m},每个参数Pi对应N个随机参数,不包括零,组成集合IPi。第k蚂蚁以第一个集合为起点,从各集合随机的选出一个参数,此时的选择概率公式为:
当蚂蚁走过每个集合,将所选参数当作神经网络的一组权值和阈值,对输出误差进行计算,并以此作为蚁群优化算法的适应度函数。蚂蚁按出发路线回到起点,且根据下面的规则对集合选中元素的信息素予以更新:
由上可知,当神经网络有着更小的误差,信息素就会有更多的增量,蚂蚁就会有更多可能的选择。将以上过程持续的重复迭代,直到全部蚂蚁选择的路径都一样。
3.2 蚁群神经网络模型检验
将所改进的方法用来对平面螺旋电感建模,所采用的非对称电感是以SMIC 0.18 um RF CMOS工艺为基础的。输入数据设置为电感的几何参数与频率,输出数据为与其相对应的S参数。圈数N的尺寸有7个,范围是[3,6],step为0.5,内直径ID的尺寸有9个,范围是[30,60],step为30,频率Freq的点共有11个,范围是 [1,10],step 为1。
通过agilent ADS软件对被测器件的S参数进行仿真。以此获得包括电感匝数(N)、扫描频率(f)、电感半径(ID)以及S参数。这里S参数包含的数据为四个参数的幅度(mag)以及相位(ang)。为简化计算,使8个S参数合并成目标函数J:
神经网络的系统精度为0.0018,步长为0.001,输入分别为N、D和f,隐含层数和输出层数分别为8和1。表1为模型验证结果。
从数据可知,预测数值与测量数值的相对误差在1%以内,表明所改进建模方法具有较好的精度。
4 结语
表1 所建方法用于螺旋电感模型预测的结果
本文分别对RBF神经网络和MLP神经网络进行研究,将所建模型用于射频器件性能的预测。预测结果表明神经网络建模方法具有较高的精密度。
[1]GrayPR,Meyer R.G.Future direction in silicon ICs for RF personal communication. Proc.IEEE Custon Intergrated Circuits Conf. 1995:83-89.
[2] Funahashi K, Nakamura Y. Approximation of dynamical systems by continumous time recurrent neural network [J].Neural Network, 1993(6):801-806.
蒋超,1987.11,男,汉,江苏常州,本科,助理工程师,从事微波射频电路方面的研究。