CN110598849A - 基于神经网络的hmet散射参数提取方法、***及存储介质 - Google Patents

基于神经网络的hmet散射参数提取方法、***及存储介质 Download PDF

Info

Publication number
CN110598849A
CN110598849A CN201910788925.XA CN201910788925A CN110598849A CN 110598849 A CN110598849 A CN 110598849A CN 201910788925 A CN201910788925 A CN 201910788925A CN 110598849 A CN110598849 A CN 110598849A
Authority
CN
China
Prior art keywords
neural network
sample data
test
scattering parameter
scattering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910788925.XA
Other languages
English (en)
Inventor
秦剑
黄兴原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201910788925.XA priority Critical patent/CN110598849A/zh
Publication of CN110598849A publication Critical patent/CN110598849A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了一种基于神经网络的HMET散射参数提取方法、***及存储介质，提取方法包括：获取高电子迁移率晶体管的若干组散射参数样本数据；抽取若干组散射参数样本数据中的部分组训练神经网络，神经网络包括彼此分离的第一神经网络和第二神经网络；将若干组散射参数样本数据中的剩余组测试神经网络；当神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到神经网络以输出待测高电子迁移率晶体管的散射参数；否则，继续训练神经网络，直至神经网络测试通过。该发明对采用两个彼此独立的神经网络对高电子迁移率晶体管的散射参数进行提取，速度快、准确率高及成本相对不高。本发明广泛应用于高电子迁移率晶体管散射参数的提取。

Description

基于神经网络的HMET散射参数提取方法、***及存储介质
技术领域
本发明涉及高电子迁移率晶体管散射参数的提取，尤其涉及一种基于神经网络的HMET散射参数提取方法、***及存储介质。
背景技术
高电子迁移率晶体管(High electron mobility transistor，HMET)：利用异质结或调制掺杂结构中二维电子气高迁移率特性的场效应晶体管。本文中的HMET结构为调制掺杂异质结，在其界面与本征半导体构成一个电子势阱(近似为三角形)，势阱中的电子即为高迁移率的二维电子气(2-DEG)。电子在势阱中不遭受电离杂质散射，因此，电子迁移率很高。因为HMET具有二维电子气这种特征，使得其有高迁移率特性，所以不同与一般的晶体管。
二端口网络：具有2个端口的电路或装置，端口与电路内部网络相连接，它能将电路的整体或一部分用它们相应的外特性参数来表示。
散射参数(S参数)：微波传输中的一组重要参数，用来表征射频元件或网络的电气属性或性能。
在对HMET结构的器件进行研究时，一般需要提取S参数值以便计算出半导体器件的本质参数：寄生参数，这对于半导体器件的设计有着重要的意义。而目前S参数的测试是在二端口下用网络分析仪测试得出的，网络分析仪通过对一个GaAs的HMET二端口器件输入功率或者电压，然后对二端口器件进行测试反射回来和入射的功率及电压，从而计算出来S参数值。二端口的网络结构可以简单的用如图1所示的结构表示，在二端口网络中还会涉及到Y参数(导纳参数)，Z参数(阻抗参数)，这些参数对于求HMET结构器件的内部参数都有用，可以从S参数变换得出Y、Z参数，所以关键还是测出S参数。
S参数根据下标对应的输入端口和输出端口的不同分为S11、S22、S21及S12四个不同的系数，S11代表的是输入反射系数，S22代表输出反射系数，需要注意的是在S11及S22端口一般接50Ω的电阻进行端口匹配，S21代表正向传播系数，S12代表反向传播系数，S参数表示为矩阵形式如下：
其中，是输入端口反射电压，是输出端口反射电压，是输入端口入射电压，是输出端口入射电压。四个S参数值的计算公式如下：
其中，Γi代表输入反射系数，Γo代表输出反射系数。
上述目前的S参数提取方法，采用二端口网络分析仪测试，过程繁琐、复杂，测试时间长，而且实验测试过程中的不当操作还可能导致测试结果误差大。同时，网络分析仪的仪器价格贵，需要专业人员经过培训学习后才能使用，物质成本和人工成本太高。
发明内容
有鉴于此，本发明实施例的目的是提供一种基于神经网络的HMET散射参数提取方法、***及存储介质。该发明对采用两个彼此独立的神经网络对高电子迁移率晶体管的散射参数进行提取，速度快、准确率高及成本相对不高。
第一方面，本发明实施例提供了一种基于神经网络的HMET散射参数提取方法，包括以下步骤：
获取高电子迁移率晶体管的若干组散射参数样本数据；
抽取所述若干组散射参数样本数据中的部分组作为训练样本数据训练神经网络，所述神经网络包括彼此分离的第一神经网络和第二神经网络；
将所述若干组散射参数样本数据中的剩余组作为测试样本数据测试所述神经网络；
当所述神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到所述神经网络以输出待测高电子迁移率晶体管的散射参数；
否则，继续训练所述神经网络，直至所述神经网络测试通过。
优选地，所述第一神经网络和所述第二神经网络的输入参数相同。
优选地，所述第一神经网络和所述第二神经网络的输出分别为散射参数的反射系数和传播系数。
优选地，所述第一神经网络和所述第二神经网络在训练过程中层数和神经元的数目可以变化。
优选地，所述样本数据包括频带、电压、电流、频率及散射参数，所述测试参数包括频带、电压、电流及频率。
优选地，所述神经网络测试通过的判断标准为：测试样本数据的输出结果与实际值的平均相对误差不大于5％和/或均方误差不大于5％。
第二方面，本发明实施例提供了一种基于神经网络的HMET散射参数提取***，包括：
样本数据获取模块，用于获取高电子迁移率晶体管的若干组散射参数样本数据；
神经网络训练模块，用于抽取所述若干组散射参数样本数据中的部分组作为训练样本数据训练神经网络，所述神经网络包括彼此分离的第一神经网络和第二神经网络；
神经网络测试模块，用于将所述若干组散射参数样本数据中的剩余组作为测试样本数据测试所述神经网络；
神经网络预测模块，用于当所述神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到所述神经网络以输出待测高电子迁移率晶体管的散射参数；
否则，继续训练所述神经网络，直至所述神经网络测试通过。
第三方面，本发明实施例提供了一种基于神经网络的HMET散射参数提取装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于神经网络的HMET散射参数提取方法。
第四方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于神经网络的HMET散射参数提取方法。
第五方面，本发明实施例提供了一种基于神经网络的HMET散射参数提取***，包括服务器设备以及与所述服务器设备连接的计算机设备；其中，
所述服务器设备，用于通过数据样本训练和测试神经网络；
所述计算机设备包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于神经网络的HMET散射参数提取方法。
实施本发明包括如下有益效果：本发明实施例中采用样本数据对彼此分离的第一神经网络和第二神经网络进行训练和测试，如果测试结果通过，则采用已训练好的神经网络对待测高电子迁移率晶体管的散射参数进行预测。采用第一神经网络和第二神经网络使散射参数的两个组成部分彼此分离，避免相互干扰和影响，从而提高精度，计算速度快且成本相对较低。
附图说明
图1是现有技术的一种二端口网络的结构示意图；
图2是本发明实施例提供的一种神经网络的基本原理示意图；
图3是本发明实施例提供的一种神经网络的结构示意图；
图4是本发明实施例提供的一种基于神经网络的HMET散射参数提取方法的步骤流程示意图；
图5是本发明实施例提供的一种基于神经网络的HMET散射参数提取方法的原理示意图；
图6是本发明实施例提供的一种由第一神经网络测试第一反射系数的结果示意图；
图7是本发明实施例提供的一种由第二神经网络测试第一传播系数的结果示意图；
图8是本发明实施例提供的一种由第二神经网络测试第二传播系数的结果示意图；
图9是本发明实施例提供的一种由第一神经网络测试第二反射系数的结果示意图；
图10是本发明实施例提供的一种基于神经网络的HMET散射参数提取***的结构框图；
图11是本发明实施例提供的一种基于神经网络的HMET散射参数提取装置的结构框图；
图12是本发明实施例提供的另一种基于神经网络的HMET散射参数提取***的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
人工神经元是模拟人类大脑神经细胞而制作的，神经网络是由大量的处理单元也就是神经元相互连接而成。人工神经网络实际上是对大脑功能的某种抽象，简化和模拟。在一定程度上他反映了人脑的一些基本特性。人工神经网络是一种模仿生物大脑结构和功能的计算机算法。它的结构如图2所示，在这个结构中一个神经元的输出也许是另外一个神经元的输入，多个神经元连接组成了神经网络，同时，一个神经元的输出也由输入、权重、偏置及激励函数决定。表达式如下：
ok＝f(netk+bk)
其中，wky为第y个输入到第k个神经元的权重；ay为第y个输入分量；netk是第k个神经网络加权和，bk为第k个神经元的偏置，f为激励函数，ok是单元k计算出的输出。激活函数一般用的sigmoid函数。
在神经网络中其实是有多个上面的基本神经元组成的，而这些神经元相互连接又会组成一层有多个神经元，并且是多层的结构，也就是多层感知器网络MLP(Muti-LayerPerception)，其简单网络结构如图3所示，在这个网络中，神经元分层排列，从下到上分别可以称为输入层，隐含层，输出层，图中的一个圆圈代表的是一个神经元，在神经网络的最下面是输入层a1、a2及a3，最上面是输出层b1及b2，而在这两个层中间是隐含层o1、o2及o3，隐含层可以是多层，而不仅是一层，同时，有时为了提高精度，会增加中间隐含层的层数和神经元数。图3所示的是包含3个输入单元及2个输出单元的2层神经网络。
神经网络能够应用广泛是因为它只要通过训练和学习，就可以得出人们想要的数值，神经网络通过学习输入和输出训练集的关系得出一组网络。大脑的学习过程就是神经元之间连接强度随外部激励信息做自适应变化的过程，而大脑的处理信息的结果则是由神经元的状态表现出来。在人工神经网络学习和训练过程也是一样的，首先样本输入给输入神经元，数值向前计算，在最后的输出层输出一个数值，这是前向传播的过程，在输出数值之后会把输出值与期望值进行比较然后求出误差，得出的误差是为了更新神经网络中的权重的，而神经网络的功能也主要由神经元之间的权重决定。在更新权重过程中，会计算误差的导数，由导数误差来更新神经网络中的权重和偏置，这是反向传播的过程。在输入样本训练的过程中，不断调节神经网络的权重，直至输出的数值和期望值的误差符合要求或者达到最大训练数。在神经网络中这样的算法叫BP神经网络。在训练过程中样本输入到输入层，输出值会与期望值计算出误差，为了减小误差，会从输出层反向的传播到中间的隐含层，再到输入层，会逐层的更新权重，这也就是完成了误差的反向传播。而一旦神经网络训练完成，可以对神经网络进行测试，输入不同于训练样本的值，看是否可以完成神经网络功能。
如图4所示，本发明实施例提供了一种基于神经网络的HMET散射参数提取方法，包括以下步骤：
S1、获取高电子迁移率晶体管的若干组散射参数样本数据；
S2、抽取所述若干组散射参数样本数据中的部分组作为训练样本数据训练神经网络，所述神经网络包括彼此分离的第一神经网络和第二神经网络；
S3、将所述若干组散射参数样本数据中的剩余组作为测试样本数据测试所述神经网络；
S4、当所述神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到所述神经网络以输出待测高电子迁移率晶体管的散射参数；
否则，继续训练所述神经网络，直至所述神经网络测试通过。
优选地，所述第一神经网络和所述第二神经网络的输入参数相同。
优选地，所述第一神经网络和所述第二神经网络的输出分别为散射参数的反射系数和传播系数。
具体地，获取高电子迁移率晶体管的若干组散射参数样本数据，散射参数样本数据为已知的，且经过多次测试和验证较为准确的数据，包括测试参数和测试结果。选取样本数据中的大部分用于训练，例如80％的样本数据用于训练神经网络，小部分用于对训练后的神经网络进行测试，例如20％。用于训练和测试的样本数据越多，得到的神经网络预测结果越准确。如果用于测试神经网络的样本数据的结果能够满足实际应用的要求，即允许的误差范围内，则训练的神经网络可以用于待测高电子迁移率晶体管的散射参数。高电子迁移率晶体管的散射参数由两部分组成，即反射系数和传播系数，采用彼此分离的第一神经网络和第二神经网络分别预测反射系数和传播系数。
实施本发明包括如下有益效果：本发明实施例中采用样本数据对彼此分离的第一神经网络和第二神经网络进行训练和测试，如果测试结果通过，则采用已训练好的神经网络对待测高电子迁移率晶体管的散射参数进行预测。采用第一神经网络和第二神经网络使散射参数的两个组成部分彼此分离，避免相互干扰和影响，从而提高精度，计算速度快且成本相对较低。
优选地，所述第一神经网络和所述第二神经网络在训练过程中层数和神经元的数目可以变化。神经网络的训练过程中，根据训练的结果情况，适当的调整神经网络的层数和神经元的数量使训练和测试结果更理想，第一神经网络和第二神经网络的层数及神经元的数量可以相同，也可以不同。
优选地，所述样本数据包括频带、电压、电流、频率及散射参数，所述测试参数包括频带、电压、电流及频率。本发明实施例中，第一神经网络和第二神经网络的输入参数为：频带、电压、电流及频率，输出参数为散射参数，用于测试不同频带下的散射参数。
优选地，所述神经网络测试通过的判断标准为：测试样本数据的输出结果与实际值的平均相对误差不大于5％和/或均方误差不大于5％。平均相对误差和均方误差其中一个满足要求即可，如果要求两个同时满足，则神经网络的预测结果越准确。
在一种可选的实施例中，如图5所示，第一神经网络与第二神经网络彼此分离，输入参数均为频带Fb，电源电压Vdd，电源电流Idd，频率f，输出为散射参数的幅度Mag和相位角Ang，第一神经网络输出为反射系数的幅度和相位角：Mag(S11)、Ang(S11)、Mag(S22)及Ang(S22)，第二神经网络输出为传播系数的：Mag(S21)、Ang(S21)、Mag(S12)及Ang(S12)。神经网络的训练、测试及预测都是再matlab开发环境下完成，如下式所示：
Mag(sij)＝F1[Fb，Vdd，Idd，f]
Ang(sij)＝F1[Fb，Vdd，Idd，f]
其中，i和j的取值均为1或2。选择某公司HEMT的3个系列产品的datasheet数据作为样本数据训练和测试神经网络，3个系列产品的训练样本的频带数据分别为450-1450MHz，1440-2350MHz及1950-2700MHz，电源电压均为4.8V，电源电流分别为35mA，55mA及60mA，每组频带、电源电压及电源电流对应的频率取值为在0.1GHz到19GHz之间不等间隔取值。预测样本为频带1950-2700MHz，电源电压为4.8V，电源电流为75mA，频率取值为在0.1GHz到19GHz之间不等间隔取值。在训练过程中，第一神经网络和第二神经网络的层数及神经元数量进行了多次实验，发现三层隐含层的神经网络结构最好，且测试参数从输入层输入后，经过神经元数量为8-6-6的三层隐含层，再从输出层输出。测试样本的输出结果如图6所示，其中，实线为产品实际的datasheet数据，星号和圆圈为通过训练后的神经网络测试拟合得到的数据，从图6、图7、图8及图9可以得知，通过神经网络拟合计算的数据幅度和相位角：Mag(S11)、Ang(S11)、Mag(S22)、Ang(S22)、Mag(S21)、Ang(S21)、Mag(S12)及Ang(S12)，与datasheet数据基本吻合，而且在拐点处也吻合地很好，误差很小。
如图10所示，本发明实施例提供了一种基于神经网络的HMET散射参数提取***，包括：
样本数据获取模块，用于获取高电子迁移率晶体管的若干组散射参数样本数据；
神经网络训练模块，用于抽取所述若干组散射参数样本数据中的部分组作为训练样本数据训练神经网络，所述神经网络包括彼此分离的第一神经网络和第二神经网络；
神经网络测试模块，用于将所述若干组散射参数样本数据中的剩余组作为测试样本数据测试所述神经网络；
神经网络预测模块，用于当所述神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到所述神经网络以输出待测高电子迁移率晶体管的散射参数；
否则，继续训练所述神经网络，直至所述神经网络测试通过。
可见，上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图11所示，本发明实施例提供了一种基于神经网络的HMET散射参数提取装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于神经网络的HMET散射参数提取方法。
可见，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于神经网络的HMET散射参数提取方法。同样地，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图12所示，本发明实施例提供了一种基于神经网络的HMET散射参数提取***，包括服务器设备以及与所述服务器设备连接的计算机设备；其中，
所述服务器设备，用于通过数据样本训练和测试神经网络；
所述计算机设备包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于神经网络的HMET散射参数提取方法。
具体地，而对于所述计算机设备，其可为不同类型的电子设备，包含但不限于有台式电脑、手提电脑等终端。
可见，上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于神经网络的HMET散射参数提取方法，其特征在于，包括以下步骤：
获取高电子迁移率晶体管的若干组散射参数样本数据；
抽取所述若干组散射参数样本数据中的部分组作为训练样本数据训练神经网络，所述神经网络包括彼此分离的第一神经网络和第二神经网络；
将所述若干组散射参数样本数据中的剩余组作为测试样本数据测试所述神经网络；
当所述神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到所述神经网络以输出待测高电子迁移率晶体管的散射参数；
否则，继续训练所述神经网络，直至所述神经网络测试通过。
2.根据权利要求1所述的基于神经网络的HMET散射参数提取方法，其特征在于，所述第一神经网络和所述第二神经网络的输入参数相同。
3.根据权利要求2所述的基于神经网络的HMET散射参数提取方法，其特征在于，所述第一神经网络和所述第二神经网络的输出分别为散射参数的反射系数和传播系数。
4.根据权利要求3所述的基于神经网络的HMET散射参数提取方法，其特征在于，所述第一神经网络和所述第二神经网络在训练过程中层数和神经元的数目可以变化。
5.根据权利要求1-4任一项所述的基于神经网络的HMET散射参数提取方法，其特征在于，所述样本数据包括频带、电压、电流、频率及散射参数，所述测试参数包括频带、电压、电流及频率。
6.根据权利要求5所述的基于神经网络的HMET散射参数提取方法，其特征在于，所述神经网络测试通过的判断标准为：测试样本数据的输出结果与实际值的平均相对误差不大于5％和/或均方误差不大于5％。
7.一种基于神经网络的HMET散射参数提取***，其特征在于，包括：
样本数据获取模块，用于获取高电子迁移率晶体管的若干组散射参数样本数据；
神经网络训练模块，用于抽取所述若干组散射参数样本数据中的部分组作为训练样本数据训练神经网络，所述神经网络包括彼此分离的第一神经网络和第二神经网络；
神经网络测试模块，用于将所述若干组散射参数样本数据中的剩余组作为测试样本数据测试所述神经网络；
神经网络预测模块，用于当所述神经网络测试通过，则获取待测高电子迁移率晶体管的测试参数并输入到所述神经网络以输出待测高电子迁移率晶体管的散射参数；
否则，继续训练所述神经网络，直至所述神经网络测试通过。
8.一种基于神经网络的HMET散射参数提取装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的基于神经网络的HMET散射参数提取方法。
9.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-6任一项所述的基于神经网络的HMET散射参数提取方法。
10.一种基于神经网络的HMET散射参数提取***，其特征在于，包括服务器设备以及与所述服务器设备连接的计算机设备；其中，
所述服务器设备，用于通过数据样本训练和测试神经网络；
所述计算机设备包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的基于神经网络的HMET散射参数提取方法。
CN201910788925.XA 2019-08-26 2019-08-26 基于神经网络的hmet散射参数提取方法、***及存储介质 Pending CN110598849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910788925.XA CN110598849A (zh) 2019-08-26 2019-08-26 基于神经网络的hmet散射参数提取方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910788925.XA CN110598849A (zh) 2019-08-26 2019-08-26 基于神经网络的hmet散射参数提取方法、***及存储介质

Publications (1)

Publication Number Publication Date
CN110598849A true CN110598849A (zh) 2019-12-20

Family

ID=68855594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910788925.XA Pending CN110598849A (zh) 2019-08-26 2019-08-26 基于神经网络的hmet散射参数提取方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN110598849A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880003A (zh) * 2020-08-06 2020-11-03 广州大学 基于神经网络的射频功放谐波平衡参数提取方法
CN111898320A (zh) * 2020-08-06 2020-11-06 广州大学 基于神经网络的射频功放散射参数提取方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186258A (ja) * 2002-11-29 2004-07-02 Fujitsu Ltd パラメタ抽出方法およびパラメタ抽出プログラム
CN108664924A (zh) * 2018-05-10 2018-10-16 东南大学 一种基于卷积神经网络的多标签物体识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186258A (ja) * 2002-11-29 2004-07-02 Fujitsu Ltd パラメタ抽出方法およびパラメタ抽出プログラム
CN108664924A (zh) * 2018-05-10 2018-10-16 东南大学 一种基于卷积神经网络的多标签物体识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王庆娜: "《GaN HEMT毫米波器件及建模》", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880003A (zh) * 2020-08-06 2020-11-03 广州大学 基于神经网络的射频功放谐波平衡参数提取方法
CN111898320A (zh) * 2020-08-06 2020-11-06 广州大学 基于神经网络的射频功放散射参数提取方法及装置
CN111880003B (zh) * 2020-08-06 2023-08-11 广州大学 基于神经网络的射频功放谐波平衡参数提取方法

Similar Documents

Publication Publication Date Title
Patnaik et al. ANN techniques in microwave engineering
Marinković et al. Temperature‐dependent models of low‐noise microwave transistors based on neural networks
CN101299055B (zh) 基于小波-神经网络的模拟集成开关电流电路测试方法
CN105572572B (zh) 基于wknn-lssvm的模拟电路故障诊断方法
Tan et al. Analog fault diagnosis using S-transform preprocessor and a QNN classifier
CN112485652B (zh) 基于改进正余弦算法的模拟电路单故障诊断方法
CN110598849A (zh) 基于神经网络的hmet散射参数提取方法、***及存储介质
Baumann et al. Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network
Goay et al. Eye-height/width prediction using artificial neural networks from S-parameters with vector fitting
Stopjaková et al. Classification of defective analog integrated circuits using artificial neural networks
Praveen et al. Using AIG in Verilog HDL, Autonomous Testing in a Family of Wien Bridge Cross Transducers
Litovski et al. Analogue electronic circuit diagnosis based on ANNs
CN114462292A (zh) 一种基于sqp算法的电路参数优化方法
Geng et al. Accurate and effective nonlinear behavioral modeling of a 10-W GaN HEMT based on LSTM neural networks
CN111898320A (zh) 基于神经网络的射频功放散射参数提取方法及装置
Kingston et al. Spread spectrum time domain reflectometry and steepest descent inversion spread spectrum time domain reflectometry and steepest descent inversion
Marković et al. HEMT noise neural model based on bias conditions
Shirong et al. Wavelet neural network based fault diagnosis in nonlinear analog circuits
CN115308552A (zh) 冲击电压试验装置波头、波尾电阻值的计算方法及***
Kashyap et al. A novel use of deep learning to optimize solution space exploration for signal integrity analysis
Werle et al. Partial discharge localisation on power transformers using neural networks combined with sectional winding transfer functions as knowledge base
Goh Neural networks for evaluating CPT calibration chamber test data
Zhang et al. Fast and simple technique for computing circuit noise figure from component noise model using artificial neural network
Shirong Application of BP neural network in analog circuits diagnosis
Buhry et al. Automated tuning of analog neuromimetic integrated circuits

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220

RJ01 Rejection of invention patent application after publication