基于人工神经网络的SiGe HBT高频噪声模型

作     者：何林 

作者单位：西南科技大学 

学位级别：硕士

导师姓名：王军;公岷

授予年度：2020年

学科分类：080903[工学-微电子学与固体电子学] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 080501[工学-材料物理与化学] 0805[工学-材料科学与工程（可授工学、理学学位）] 080502[工学-材料学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：异质结双极晶体管 人工神经网络 散射参数 四噪声参数 散粒噪声 

摘      要：异质结双极晶体管(Heterojunction Bipolar Transisitor,HBT)因其优良的高频性能及其与硅基CMOS工艺兼容的优点,使之成为毫米波频段下现代和下一代无线通信系统实现的首选方案。实现基于HBT的高频电路的设计和优化的关键在于,使用有效且准确的HBT模型仿真模拟电路的各种性能。目前微波与毫米波电路仿真设计软件普遍采用的有源器件小信号等效电路模型的精度,受限于建模测量数据的测试频率范围和被测器件的偏置条件。HBT高频小信号等效电路模型的频率内插和偏置点外延的仿真能力均存在不足。并且随着工作频率的升高,HBT的小信号等效电路模型的复杂度也随之提升,从而增加了等效电路模型参数精确提取的难度,会使微波与毫米波HBT电路的研制成本提高和研制周期加长。本论文利用人工神经网络(Artificial neural network,ANN)在有源器件建模方面的有效性、准确性和简便性,针对毫米波频段下SiGe HBT高频噪声的ANN建模问题,开展了以下三个方面的应用研究工作。首先,考虑到有源器件ANN建模的核心是通过训练某种类型或结构下的ANN模型神经元参数,使其具有表征器件的工作条件与性能指标参数之间非线性关系的能力。鉴于ANN建模技术具有很强的泛化能力,不同的有源器件可能适用相似的ANN类型或拓扑机构及相同的优化训练算法,因此不同有源器件ANN建模的关键在于选取准确、可靠的训练数据和测试样本。为此,本文研究了SiGe HBT高频小信号等效电路模型参数的直接提取方法。其中,在等效电路充分表征HBT非准静态效应的基础上,通过数学分析等效电路导纳(Y)和阻抗参数(Z)模型的泰勒展开式,实现等效电路参数的精确提取,从而为训练本文所建的散射(S)参数ANN模型提供准确的宽频带S参数仿真数据奠定了基础。同时,针对SiGe HBT高频散粒噪声模型中Transport与SPICE模型精度不高的问题,本文给出了一种能够有效覆盖所有偏置条件的散粒噪声半经验统一模型,从而为验证本文所建的基于知识的四噪声参数ANN模型表征器件噪声偏置特性的精度提供了测试样本。其次,参考射频与微波器件ANN建模的经验,利用ANN建模的泛化能力,本文选取多层感知机的神经网络结构,采用遗传算法(GA)+Levenberg-Marquardt反向传播(Back Propagation,L-M BP)算法作为优化训练算法,建立了SiGe HBT的S参数ANN模型。其中,通过引入具有全局优化能力的GA算法,解决了BP神经网络L-M算法训练收敛速度慢且易限于局部极值的问题。经测试验证,证明了所建的S参数ANN模型在较宽的频带和偏置范围内,具有很好的内插能力。因此,采用所建的S参数ANN模型,能够易于连续获取任意偏置点和频率范围内的S参数数据,避免了复杂的S参数测量过程以及繁琐的等效电路参数提取过程。利用所建的S参数ANN模型生成的高精度仿真数据作为一种先验知识,为提高四噪声参数ANN建模的精度提供了保障。最后,本文建立了一种基于知识的四噪声参数ANN模型。模型类型为多层感知机,训练算法GA+L-M BP。建立该模型的目的是为了在较宽的频带和偏置范围内,能够快速、连续地表征SiGe HBT高频噪声的偏置和频率依赖性,从而能够避免HBT高频噪声分析和建模表征中对复杂的四噪声参数测量的海量要求,易于获任意偏置点和频率下的散粒噪声数据。为了验证所建的基于知识的四噪声参数ANN模型的预测精度,本文还给出了基于四噪声参数提取HBT二端口等效噪声模型噪声电流源功率谱密度的算法。实验结果表明,基于所建的基于知识的四噪声参数ANN模型的仿真提取结果与基于测量的半经验模型的仿真计算结果具有良好的一致性,验证了所建模型的有效性和精度。此外,通过与无知识的四噪声参数ANN模型相比,所建的基于知识的四噪声参数ANN模型在建模效率和建模精度上都具有明显的优势。