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。
