CN110907785A - 一种基于人工神经网络的s参数去嵌入法 - Google Patents

一种基于人工神经网络的s参数去嵌入法 Download PDF

Info

Publication number
CN110907785A
CN110907785A CN201811076827.5A CN201811076827A CN110907785A CN 110907785 A CN110907785 A CN 110907785A CN 201811076827 A CN201811076827 A CN 201811076827A CN 110907785 A CN110907785 A CN 110907785A
Authority
CN
China
Prior art keywords
transistor
parameter
neural network
power amplifier
radio frequency
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
CN201811076827.5A
Other languages
English (en)
Inventor
马建国
杨闯
周绍华
杨自凯
赵升
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.)
Tianjin University Marine Technology Research Institute
Original Assignee
Tianjin University Marine Technology Research Institute
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 Tianjin University Marine Technology Research Institute filed Critical Tianjin University Marine Technology Research Institute
Priority to CN201811076827.5A priority Critical patent/CN110907785A/zh
Publication of CN110907785A publication Critical patent/CN110907785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Amplifiers (AREA)

Abstract

一种基于人工神经网络的S参数去嵌入法，首次应用人工神经网络，去除射频功率放大器中晶体管***匹配网络影响，进而获取晶体管的S参数；该发明可有效提取射频功率放大器中晶体管S参数，为由射频大信号导致性能退化的晶体管的可靠性建模提供有效的实验数据。

Description

一种基于人工神经网络的S参数去嵌入法
技术领域
本发明涉及射频晶体管S参数提取领域，尤其涉及一种基于人工神经网络的S参数去嵌入法。
背景技术
近年来，晶体管射频可靠性问题得到广泛关注，S参数是提取晶体管射频模型的必要参数，为了将晶体管应用于射频领域，必须测试晶体管的S参数。可通过升高晶体管偏置电压加速晶体管性能退化，测试退化后晶体管的S参数，以指导建立晶体管射频可靠性模型[1]。除此之外，射频大信号也会加速晶体管的性能退化，且会引入直流偏置条件下未发生的退化机制[2],[3]，因此，建立晶体管射频可靠性模型时，必须考虑射频大信号影响。为了给晶体管输入射频大信号，需要在晶体管的输入和输出端添加匹配网络[3]，这将导致测试的S参数不是晶体管本身的S参数。
为了得到晶体管本身的S参数，需要对测试得到的S参数做去嵌入处理。传统的方法是将输入和输出匹配网络作为夹具，设计校准件（最常用的是TRL校准件），去除夹具影响。以TRL校准件为例，需要设计4个校准件，而且每个校准件都要含有匹配网络，由于匹配网络面积较大，这种校准件极其浪费加工面积，而且，该校准件只针对一种匹配网络使用，更换匹配网络后，需重新设计校准件。
【参考文献】
[1] Zarate-Rincon F, García-García D, Vega-González V H, et al.Characterization of hot-carrier-induced RF-MOSFET degradation at differentbulk biasing conditions from S-parameters[J]. IEEE Transactions on MicrowaveTheory and Techniques, 2016, 64(1): 125-132.
[2] Yuan J S, Yen H D, Chen S, et al. Experimental verification of RFstress effect on cascode class-E PA performance and reliability[J]. IEEETransactions on Device and Materials Reliability, 2012, 12(2): 369-375.
[3] Chini A, Di Lecce V, Fantini F, et al. Analysis of GaN HEMT failuremechanisms during DC and large-signal RF operation[J]. IEEE Transactions onElectron Devices, 2012, 59(5): 1385。
发明内容
为了解决现有技术存在的难题，本发明利用人工神经网络具有拟合任何函数的功能，提出一种新的去嵌入技术即基于人工神经网络的S参数去嵌入法，这种去嵌入技术相比传统方法，不仅能极大节约校准件面积，且可对不同的匹配网络重复使用。
一种基于人工神经网络的去嵌入法，进而获得射频功率放大器中晶体管本身的S参数，包括如下步骤（如图1所示）：
1、设计一款单晶体管射频功率放大器，包括输入匹配网络、晶体管和输出匹配网络（如图2所示）；
2、测试不同偏置电压下，射频功率放大器的S参数，即SPA；将S参数转换成ABCD矩阵，转换公式为：
Figure DEST_PATH_IMAGE001
(1)
其中，Z0是测试端口特征阻抗；
3、设计一套晶体管TRL校准件（如图3所示），该校准件是传输线结构，不包含匹配网络，极大地节约了加工面积，其中，“T”校准件是一段传输线，“R”校准件是两段开路传输线，“L”校准件一段比“T”长的传输线；
4、将晶体管固定在“R”校准件上（如图4所示）；测试不同偏置电压下，带有夹具晶体管的S参数，即SR；使用标准TRL校准算法提取晶体管的S参数，即St,将S参数转换成ABCD矩阵；
5、建立神经网络模型：输入参数为射频功率放大器的ABCD矩阵，输出参数为对应偏置电压下晶体管的ABCD矩阵；由于两个矩阵之间存在如下关系，即
Figure DEST_PATH_IMAGE002
(2)
转换得：
Figure DEST_PATH_IMAGE003
(3)
其中，
Figure DEST_PATH_IMAGE004
是射频功率放大器输入匹配网络ABCD矩阵，
Figure DEST_PATH_IMAGE005
是射频功率放大器输出匹配网络ABCD矩阵；可得表征建立的神经网络的函数：
Figure DEST_PATH_IMAGE006
(4)
使用多组偏置电压下，射频功率放大器和晶体管的S参数训练神经网络，直至模型测试误差满足既定要求；
6、射频大信号加速晶体管性能退化后，将测试的射频功率放大器S参数转换成ABCD矩阵，并代入神经网络模型，提取晶体管性能退化后的ABCD矩阵，将晶体管ABCD矩阵转换成S参数
Figure DEST_PATH_IMAGE007
(5)
以此得到S参数。
一种基于人工神经网络的S参数去嵌入法，首次应用人工神经网络，去除射频功率放大器中晶体管***匹配网络影响，进而获取晶体管的S参数。该发明可有效提取射频功率放大器中晶体管S参数，为由射频大信号导致性能退化的晶体管的可靠性建模提供有效的实验数据。
附图说明
图1是本发明S参数提取流程示意图；
图2是本发明单晶体管射频功率放大器示意图；
图3是本发明TRL校准件示意图；
图4是本发明固定在两个“R”校准件上的晶体管示意图。
具体实施方式
下面根据附图对本发明技术方案进行详细说明，此处所描述的具体实施例仅用以解释本发明，但是本发明的保护范围不局限于所述实施例。
整体实施流程如图1所示。首先，如图3所示，设计一款“TRL”校准件。其中，校准件“T”的长度是校准件“R”长度的2倍。在校准中心频率，校准件“L”长度比校准件“T”长1/4λ。然后，在同一种频段，分别测试校准件“T”、“R”和“L”的S参数。使用电磁理论，对校准件做去嵌入。然后将两个“R”校准件作为夹具，具体结构如图4所示。 测试单个晶体管在多种偏置电压下的S参数，并转换成ABCD矩阵。偏压设置要多于8个。再然后，测试一款如图2所示的单晶体管射频功率放大器的S参数，并转换成ABCD矩阵。电路偏压设置与单晶体管设置情况相同。然后，使用单晶体管射频功率放大器ABCD矩阵作为人工神经网络的输入，使用同一偏置电压下晶体管的ABCD矩阵作为人工神经网络的输出，训练神经网络，直至神经网络的误差值满足设定值。最后，该人工神经网络，就表征该单晶体管射频功率放大器匹配网络的ABCD矩阵。测试该射频功率放大器的S参数，输入该人工神经网络，即可输出晶体管的ABCD矩阵。最后，将ABCD矩阵转换成晶体管的S参数。

Claims (2)

1.一种基于人工神经网络的S参数去嵌入法，其特征在于：包括如下步骤：
1、设计一款单晶体管射频功率放大器，包括输入匹配网络、晶体管和输出匹配网络；
2、测试不同偏置电压下，射频功率放大器的S参数，即SPA；将S参数转换成ABCD矩阵，转换公式为：
Figure 837582DEST_PATH_IMAGE001
(1)
其中，Z0是测试端口特征阻抗；
3、设计一套晶体管TRL校准件，该校准件是传输线结构，不包含匹配网络，极大地节约了加工面积；
4、将晶体管固定在“R”校准件上；测试不同偏置电压下，带有夹具晶体管的S参数，即SR；使用标准TRL校准算法提取晶体管的S参数，即St，将S参数转换成ABCD矩阵；
5、建立神经网络模型：输入参数为射频功率放大器的ABCD矩阵，输出参数为对应偏置电压下晶体管的ABCD矩阵；由于两个矩阵之间存在如下关系，即
Figure 113318DEST_PATH_IMAGE002
(2)
转换得：
Figure 982048DEST_PATH_IMAGE003
(3)
其中，
Figure 611744DEST_PATH_IMAGE004
是射频功率放大器输入匹配网络ABCD矩阵，
Figure 224122DEST_PATH_IMAGE005
是射频功率放大器输出匹配网络ABCD矩阵；可得表征建立的神经网络的函数：
Figure 614084DEST_PATH_IMAGE006
(4)
使用多组偏置电压下，射频功率放大器和晶体管的S参数训练神经网络，直至模型测试误差满足既定要求；
6、射频大信号加速晶体管性能退化后，将测试的射频功率放大器S参数转换成ABCD矩阵，并代入神经网络模型，提取晶体管性能退化后的ABCD矩阵，将晶体管ABCD矩阵转换成S参数
Figure 388136DEST_PATH_IMAGE007
(5)
以此得到S参数。
2.根据权利要求所述一种基于人工神经网络的S参数去嵌入法，其特征在于：所述“TRL”校准件，校准件“T”的长度是校准件“R”长度的2倍，在校准中心频率，校准件“L”长度比校准件“T”长1/4λ。
CN201811076827.5A 2018-09-14 2018-09-14 一种基于人工神经网络的s参数去嵌入法 Pending CN110907785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811076827.5A CN110907785A (zh) 2018-09-14 2018-09-14 一种基于人工神经网络的s参数去嵌入法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811076827.5A CN110907785A (zh) 2018-09-14 2018-09-14 一种基于人工神经网络的s参数去嵌入法

Publications (1)

Publication Number Publication Date
CN110907785A true CN110907785A (zh) 2020-03-24

Family

ID=69812390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811076827.5A Pending CN110907785A (zh) 2018-09-14 2018-09-14 一种基于人工神经网络的s参数去嵌入法

Country Status (1)

Country Link
CN (1) CN110907785A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098794A (zh) * 2020-08-14 2020-12-18 中国电子科技集团公司第十三研究所 在片校准件模型中参数确定的方法及终端设备
CN112098793A (zh) * 2020-08-14 2020-12-18 中国电子科技集团公司第十三研究所 单端口在片校准件模型确定的方法及终端设备
CN112231986A (zh) * 2020-11-04 2021-01-15 中国电子科技集团公司第二十九研究所 一种数控衰减器建模方法
CN113343472A (zh) * 2021-06-21 2021-09-03 清华大学 一种片上器件特性的测试方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7865319B1 (en) * 2006-11-30 2011-01-04 Lecroy Corporation Fixture de-embedding method and system for removing test fixture characteristics when calibrating measurement systems
CN101943739A (zh) * 2009-07-02 2011-01-12 台湾积体电路制造股份有限公司 去嵌入的方法和装置
CN102187233A (zh) * 2008-10-20 2011-09-14 罗森伯格高频技术有限及两合公司 用于确定散射参数的测量***
CN104297597A (zh) * 2014-10-20 2015-01-21 中国电子科技集团公司第四十一研究所 一种移除双端口网络中测试夹具效应的新方法
CN104459339A (zh) * 2013-09-25 2015-03-25 特克特朗尼克公司 使用去嵌入探针的双端口矢量网络分析器
TW201514505A (zh) * 2013-08-26 2015-04-16 Rosenberger Hochfrequenztech 測量設備之校正方法
CN104777413A (zh) * 2014-01-13 2015-07-15 中芯国际集成电路制造(上海)有限公司 去嵌入的测试结构及其测试方法和芯片
US20150204927A1 (en) * 2014-01-22 2015-07-23 Richard I. Mellitz Techniques for Characterizing a Transmission Line
CN105445575A (zh) * 2015-11-04 2016-03-30 中国电子科技集团公司第四十一研究所 一种光器件s参数测量中的光路去嵌入方法
CN105572480A (zh) * 2015-12-24 2016-05-11 北京航空航天大学 原位测试双导体形式线缆的宽频带传输线参数的方法
CN105956324A (zh) * 2016-05-23 2016-09-21 北京航空航天大学 一种针对模块化探针s参数幅频特性的校准方法
CN106093749A (zh) * 2016-06-12 2016-11-09 吴韵秋 一种毫米波/太赫兹超宽带开路—短路去嵌方法及***
CN106772172A (zh) * 2016-10-25 2017-05-31 中国电子科技集团公司第十三研究所 在片高低温s参数trl校准件的设计方法
CN106771709A (zh) * 2016-11-15 2017-05-31 中国电子科技集团公司第四十研究所 一种多端口网络的s参数去嵌入方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7865319B1 (en) * 2006-11-30 2011-01-04 Lecroy Corporation Fixture de-embedding method and system for removing test fixture characteristics when calibrating measurement systems
CN102187233A (zh) * 2008-10-20 2011-09-14 罗森伯格高频技术有限及两合公司 用于确定散射参数的测量***
CN101943739A (zh) * 2009-07-02 2011-01-12 台湾积体电路制造股份有限公司 去嵌入的方法和装置
TW201514505A (zh) * 2013-08-26 2015-04-16 Rosenberger Hochfrequenztech 測量設備之校正方法
CN104459339A (zh) * 2013-09-25 2015-03-25 特克特朗尼克公司 使用去嵌入探针的双端口矢量网络分析器
CN104777413A (zh) * 2014-01-13 2015-07-15 中芯国际集成电路制造(上海)有限公司 去嵌入的测试结构及其测试方法和芯片
US20150204927A1 (en) * 2014-01-22 2015-07-23 Richard I. Mellitz Techniques for Characterizing a Transmission Line
CN104297597A (zh) * 2014-10-20 2015-01-21 中国电子科技集团公司第四十一研究所 一种移除双端口网络中测试夹具效应的新方法
CN105445575A (zh) * 2015-11-04 2016-03-30 中国电子科技集团公司第四十一研究所 一种光器件s参数测量中的光路去嵌入方法
CN105572480A (zh) * 2015-12-24 2016-05-11 北京航空航天大学 原位测试双导体形式线缆的宽频带传输线参数的方法
CN105956324A (zh) * 2016-05-23 2016-09-21 北京航空航天大学 一种针对模块化探针s参数幅频特性的校准方法
CN106093749A (zh) * 2016-06-12 2016-11-09 吴韵秋 一种毫米波/太赫兹超宽带开路—短路去嵌方法及***
CN106772172A (zh) * 2016-10-25 2017-05-31 中国电子科技集团公司第十三研究所 在片高低温s参数trl校准件的设计方法
CN106771709A (zh) * 2016-11-15 2017-05-31 中国电子科技集团公司第四十研究所 一种多端口网络的s参数去嵌入方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
FANG WANG: "Knowledge based neural models for microwave design", 《 1997 IEEE MTT-S INTERNATIONAL MICROWAVE SYMPOSIUM DIGEST》 *
K.L. FINCH: "Shunt posts in microstrip transmission lines", 《 IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 *
QIANG LIU: "Neural network based pre-placement wirelength estimation", 《 2012 INTERNATIONAL CONFERENCE ON FIELD-PROGRAMMABLE TECHNOLOGY》 *
QING SHI: "Development of a cognition system for analyzing rat"s behaviors", 《2010 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS》 *
WENYUAN LIU: "A Wiener-Type Dynamic Neural Network Approach to the Modeling of Nonlinear Microwave Devices", 《 IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 *
WENYUAN: "A Wiener-Type Dynamic Neural Network Approach to the Modeling of Nonlinear Microwave Devices:IEEE, Neural Network and scatter", 《 IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 *
周力: "基于神经网络的S参数估计法", 《电子与信息学报》 *
孙玲: "在晶圆噪声系数测试中的去嵌入方法", 《微计算机信息》 *
宁志强: "基于小信号S参数的MOSFET射频功率放大器设计", 《传感器与微***》 *
陈松麟: "一种简单的S参数去嵌入技术", 《微波学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098794A (zh) * 2020-08-14 2020-12-18 中国电子科技集团公司第十三研究所 在片校准件模型中参数确定的方法及终端设备
CN112098793A (zh) * 2020-08-14 2020-12-18 中国电子科技集团公司第十三研究所 单端口在片校准件模型确定的方法及终端设备
CN112231986A (zh) * 2020-11-04 2021-01-15 中国电子科技集团公司第二十九研究所 一种数控衰减器建模方法
CN112231986B (zh) * 2020-11-04 2023-04-07 中国电子科技集团公司第二十九研究所 一种数控衰减器建模方法
CN113343472A (zh) * 2021-06-21 2021-09-03 清华大学 一种片上器件特性的测试方法
CN113343472B (zh) * 2021-06-21 2022-07-01 清华大学 一种片上器件特性的测试方法

Similar Documents

Publication Publication Date Title
CN110907785A (zh) 一种基于人工神经网络的s参数去嵌入法
CN106372357B (zh) 一种GaN HEMT非线性噪声模型建立方法
Roberg et al. GaN HEMT PA with over 84% power added efficiency
WO2018054096A1 (zh) 半导体器件的测试优化方法和***及建模优化方法和***
Cai et al. Nonlinear behavioral modeling dependent on load reflection coefficient magnitude
US20100273429A1 (en) Method and arrangement for determining non-linear behavior
Wu et al. Design of a multi‐octave power amplifier using broadband load‐pull X‐parameters
CN104217075A (zh) 基于肖特基二极管精确电路模型的混频器参数确定方法
Leckey A scalable X-parameter model for GaAs and GaN FETs
Nielsen et al. Doherty power amplifier design in gallium nitride technology using a nonlinear vector network analyzer and X-parameters
Simbelie et al. Envelope time-domain characterizations to assess in-band linearity performances of pre-matched MASMOS® power amplifier
CN109683078B (zh) 肖特基二极管测试方法及装置
Cooman et al. Distortion contribution analysis by combining the best linear approximation and noise analysis
Gustafsson et al. Wideband RF characterization setup with high dynamic range low frequency measurement capabilities
Quaglia et al. Effect of HEMT output characteristics on the load mismatch resilience in balanced power amplifiers
Barbieri et al. Improvements in high power LDMOS amplifier efficiency realized through the application of mixed-signal active loadpull
CN110907784A (zh) 一种射频功率放大器中晶体管s参数提取方法
Hashmi et al. High frequency waveform engineering and its applications: Tutorial 54
CN105513608B (zh) 一种音频信号分析方法
Sandström Design and realization of a 6 GHz doherty power amplifier from load-pull measurement data
Vadalà et al. GaN HEMT model with enhanced accuracy under back-off operation
Geng et al. A New Optimization Based Frequency Piecewise Small Signal Model for GaN HEMT
De Groote et al. High power on-wafer capabilities of a time domain load-pull setup
Cai et al. Support Vector Regression Based Behavioral Model for Load Mismatched PAs
Fisher et al. Memoryless AM/AM behavioral model for RF power amplifiers

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220315