基于人工神經網絡的有源器件模組化概述
為了縮短微波、射頻電路的設計周期和上市時間，需要提高電路設計的性能。器件是連接配接⼯藝和電路設計的橋梁。
電路設計的性能很大程度上依賴于器件模型的精度，同時高精度的器件模型也是推動微波電路“所設計即所得”的重要手段。
是以，為了確定電路設計的性能并且縮短設計周期、降低成本、提高成品率，器件模型是至關重要的因素。
在過去的幾十年裡，各種器件模型模組化技術取得了巨大的進展，為有源器件提供了各種各樣的微波器件模型。
常見的器件模型分為實體模型、緊湊模型和表格基模型。實體模型通過聯立求解泊松⽅程、電流密度⽅程、載流子連續性⽅程等基礎實體⽅程。
能夠準确求解器件特性，是指導器件設計的重要工具。但是該模型求解速度慢，計算量和資料量大，很少⽤于電路設計。
緊湊模型主要使⽤集總電路元件模拟器件的實體特性，并采⽤解析表達式表征器件的非線性特性。
參數提取簡單、仿真快速、與微波射頻電路仿真軟體相容性好，但模型模組化精度有限，且隻能⽤于電路仿真設計，不能直接指導器件的生産。
表格基模型根據器件實際測試得到的資料，建立模型參數取值的表格，并采⽤樣條函數進行插值，在測試範圍内的精度很高，但無法保證測試範圍外的精度。
人⼯神經網絡具有能逼近任意非線性函數的能力，已被公認為是一種非正常的、有⽤的微波模組化和設計⼯具。
通過訓練人⼯神經網絡，可以從測量或模拟的微波資料中開發出快速、準确且可靠的人⼯神經網絡模型。
與傳統的模組化技術相比而言，這種模組化技術有着更快的模組化速度，以及更高的模組化精度。
基于上述原因，人⼯神經網絡器件模型模組化技術已經廣泛⽤于各種射頻微波應⽤中。
本文對近年來人⼯神經網絡模型及其在微波射頻有源器件的模組化領域做了綜述。
人⼯神經網絡是一種資訊處理系統，其設計靈感來源于人類大腦從觀察中學習和通過抽象進行概括的能力。
人⼯神經網絡是由神經元、權值、門檻值以及傳輸函數組成。每個神經元從連接配接它的其他神經元接收刺激，處理資訊并産生輸出。
從網絡外部接收刺激的神經元被稱為輸入神經元，輸出到外部的神經元被稱為輸出神經元，位于輸入神經元和輸出神經元之間的神經元被稱為隐藏神經元。
不同的神經元通過不同的連接配接⽅式構成不同的人⼯神經網絡結構，多層感覺器是人⼯神經網絡中最簡單、基礎的結構。
後來幾乎所有的人⼯神經網絡都是在其基礎上發展和演變而來的。在MLP人⼯神經網絡中。
包含一個輸入層、一個輸出層以及若幹個隐藏層，這裡以最典型的三層感覺器為例，MLP人⼯神經網絡中層與層之間的神經元通過權值W連接配接。
神經元通過激活函數處理從其他神經元或輸入接收的刺激，處理後得到神經元的輸出。
人⼯神經網絡模型最重要的步驟是人⼯神經網絡訓練，通過訓練可以不斷更新權重，以便達到最佳的訓練和測試誤差。
由于E(w)是權重w的非線性函數，可以使⽤疊代算法來有效地探索w空間，并計算訓練誤差相對于每層中權重w的導數資訊，直接⽤于更新人⼯神經網絡中每個權重w的值。
反向傳播算法、拟牛頓法、LevenbergMarquardt法和共轭梯度法可以針對大多數微波模組化人⼯神經網絡訓練問題進行優化，它們生成的模型具有較低的訓練誤差。
對于局部極小值問題，可以使用全局優化算法，如遺傳算法和粒子群優化，以提高訓練精度。
從20世紀90年代開始，人⼯神經網絡技術逐漸應用到微波器件模組化中來，傳統的人⼯神經網絡模組化主要借助MATLAB⼯具箱。
調⽤人⼯神經網絡子產品，采⽤⼯具箱中嵌入的BP、RBF、MLP等一系列人⼯神經網絡對有源器件的電學特性表征。
微波模組化⼯作者無需跨越計算機語言的鴻溝，就可以直接應⽤該技術對器件進行模組化。
通過調節MLP人⼯神經網絡中的隐藏層數和隐藏層神經元個數，對比研究了不同結構的MLP人⼯神經網絡和RBF人⼯神經網絡的模組化精度和模組化效率。
研究結果表明，MLP網絡在模組化精度⽅面優于RBF網絡，但在模組化效率⽅面，RBF網絡在提取AlGaAs/GaAsHEMT器件本征參數⽅面明顯優于MLP網絡。
根據具體需求，設計者可以決定是使⽤MLP網絡還是RBF網絡來模組化器件。
