基于ANN技术的GaAs pHEMT小信号S参数温度特性建模研究

摘要

为了解决传统器件建模过程复杂、精度低的问题，采用多种人工神经网络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)在不同温度下的S参数开展建模研究。建模时将采集所得的S参数随机分为训练集和测试集，分别采用双隐藏层共轭梯度反向传播神经网络(conjugate gradient backpropagation neural network, CG-BPNN)和极限学习机(extreme learning machine, ELM)建模，并给出2种模型的预测拟合结果和绝对误差曲线。实验结果表明，CG-BPNN的拟合结果一般，部分数据存在较大的误差，而ELM预测的大部分数据都能达到理想的拟合结果。此外，CG-BPNN和ELM的均方误差分别为0.013 508和0.002 254 9。上述实验证明了ELM在不同温度下对GaAs pHEMT的S参数具有更好的建模效果。因此，所提出的建模方法可以准确、稳定地表征GaAs pHEMT在不同温度下的S参数。

关键词

CG-BPNN / ELM / S参数 / GaAs pHEMT