基于KBNN和GRNN的GaAs pHEMT谐波分量的非线性建模

摘要

为了提高晶体管建模的精确度，本文采用基于知识的神经网络（Knowledge-Based Neural Networks, KBNN）和广义回归神经网络（General Regression Neural Network, GRNN）技术对砷化镓赝配高电子迁移率晶体管（Gallium Arsenide Pseudomorphic High Electron Mobility Transistor, GaAs pHEMT）的谐波分量开展非线性建模.模型以GaAs pHEMT的栅极电压(V_gs)、栅极电流(I_gs)、漏极电压(V_ds)、漏极电流(I_ds)和输入功率电平（Pin）为输入，以谐波分量为输出，分别构建了非线性模型.建模结果表明，GRNN对GaAs pHEMT谐波分量建模的均方误差（Mean Square Error, MSE）分别为0.0009、0.0006和0.0005,而KBNN对其谐波分量建模的MSE分别为0.0001、0.0002和0.0004.由此可见，KBNN相比于GRNN在GaAs pHEMT谐波分量的非线性建模中具有更高的精确度.

关键词

砷化镓赝配高电子迁移率晶体管(GaAs pHEMT) / 知识神经网络(KBNN) / 广义回归神经网络(GRNN) / 谐波分量 / 非线性建模