.png){kind=icon}
返回
A Novel Transfer Learning Approach for Efficient RF Device Behavior Model Extraction
.png){kind=icon}
PRE
AI
DOI：10.1109/TMTT.2024.3522142.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在本工作中，介绍了一种将人工神经网络（ANNs）和多项式建模相结合的新型方法，以高效地模拟非线性射频器件的行为。利用ANNs在知识保留和迁移方面的优势，所提出的方法能够有效将新的工作状态（如不同的直流偏置、频率、芯片和器件）纳入现有模型。这种自适应能力，加之仅捕获各种工作状态下关键动态特性的动态采样技术，显著增强了行为模型在不同工作状态下的外推能力，并减少了所需的测量数据量。该方法通过一个在尺寸、直流偏置和频率不同的芯片上测量的0.25-μ m实际氮化镓（GaN）高电子迁移率晶体管（HEMT）器件进行了验证。结果表明，利用仅30%的常规测量数据，所建立的多项式方程模型实现了低于−30 dB的归一化均方误差（NMSE）。所提出的模型技术还具有易于在计算机辅助设计（CAD）软件中实现的优势，并允许在工业应用中快速设计射频电路，同时确保高精度和适应性。
Keyword:
Artificial neural network (ANN)
behavior model
gallium nitride (GaN) high electron mobility transistor (HEMT)
transfer learning
期刊
IF:
4.5
论文数:
686
被引数:
3.5W
机构
引用论文
.png){kind=icon}
Simple and Efficient High-Dimensional Parametric Modeling for Microwave Cavity Filters Using Modular Neural Network基于模块化神经网络的微波腔体滤波器简单高效的高维参数化建模
PREAI
分享收藏Towards Decrypting the Art of Analog Layout: Placement Quality Prediction via Transfer Learning
PREAI
分享收藏
查看更多内容