一种基于混合神经网络的射频低噪声放大器电路设计方法

1.本发明涉及5g技术领域，特别是一种基于混合神经网络的射频低噪声放大器电路设计方法。


背景技术：

2.随着5g时代的到来，获得高质量高效率的无线通信系统越来越被重视。低噪声放大器作为无线接收机的前端，对它的性能分析和设计就显得尤为重要。低噪声放大器(lna)一般用作各类无线电接收机的高频或中频前置放大器，以及高灵敏度电子探测设备的放大电路。它处于接收系统的前端，对天线接收到的微弱射频信号进行线性放大，同时抑制各种噪声干扰，提高系统灵敏度。由于lna在接收系统中的特殊位置和作用，该部件的设计对整个接收系统的性能指标起着关键作用。
3.现有技术中，低噪声放大器设计方法只能建立在明确器件模型和等效电路的基础上去研究其散射参数(s参数)和噪声参数。在器件性能非线性强、不明确内部结构和测试仪器设备范围、精度有限的情况下，这些参数的测量成为一个复杂且耗时的过程，使工作过程变得繁琐且效率低，也十分不利于低噪声放大器的研究。其主要存在以下问题：
4.(1)传统的低噪声放大器设计是建立在明确器件模型和等效电路的基础上的。新半导体开发时内部结构并未存在明确的等效电路模型，也难以获得准确的器件模型，这使低噪声放大器的设计变得很困难。
5.(2)微波/毫米波段器件低噪声放大器的物理模型的参数是频率的强函数，提取往往十分繁琐复杂，仅能通过有限性能测试去得到少量数据，在频率和偏置条件改变时，无法快速准确的去得到晶体管的参数数据。


技术实现要素：

6.针对上述问题，本发明旨在将ann模型与gan hemt噪声物理模型相结合，利用混合神经网络模型去获得晶体管在不同频率和偏置条件下的散射和噪声参数，利用置备的实际器件和实际测量的数据对模型进行了充分论证。通过这些数据可以去建立一个完整的晶体管的s2p文件，再利用s2p文件去设计低噪声放大器。并提出一种基于混合神经网络的射频低噪声放大器电路设计方法。
7.本发明的目的采用以下技术方案来实现：
8.第一方面，本发明示出一种基于混合神经网络的射频低噪声放大器电路设计方法，包括：
9.s1根据性能指标要求选择合适的器件，并确定相应的工作状态和偏置条件；
10.s2利用构建好的混合神经网络得到晶体管的散射参数和噪声参数，获取指定条件下器件的s2p文件；
11.s3根据得到的s2p文件进行稳定性分析，并进一步完成低噪声放大器的设计。
12.一种实施方式中，噪声放大器为二端口网络结构。
13.一种实施方式中，步骤s1中，确定的工作状态包括温度；
14.偏置条件包括频率、器件的漏源电压和漏源电流。
15.一种实施方式中，步骤s2中，构建好的混合神经网络包括3个神经网络结构，其输入为漏源电流(ids)、漏源电压(vds)和频率(f)，其中第一神经网络结构ann1用于根据输入的漏源电流(ids)、漏源电压(vds)和频率(f)获取并输出散射参数，其中散射参数包括s
11
、s
12
、s
21
、s
22
的幅值和角度，其中s
11
表示在输出端端接匹配情况下的输入端反射系数、s
12
表示在输出端端接匹配情况下的前向传输增益、s
21
表示在输入端端接匹配情况下的输出端反射系数、s
22
表示在输入端端接匹配情况下的反向传输增益；第二神经网络结构ann2用于根据输入的频率(f)获取并输出epc等效电路模型的本征参数和等效温度；第三神经网络结构ann3用于根据输入的漏源电流(ids)、漏源电压(vds)和频率(f)获取并输出噪声参数，其中噪声参数包括最小噪声系数(f
min
)、最佳反射源系数(mag(γ
opt
),ang(γ
opt
))和热电阻rn。
16.一种实施方式中，第一神经网络结构ann1、第二神经网络结构ann2和第三神经网络结构ann3分别包括输入层、隐藏层和输出层，其中第一神经网络结构ann1的隐藏层结构为9-8；第三神经网络结构ann3的隐藏层结构为9-7。
17.一种实施方式中，步骤s2之前，该方法还包括：
18.sb1训练所述混合神经网络，包括：
19.选用si衬底上algan hemt器件直接测量的数据来作为样本进行神经网络训练，其中样本包括训练样本和测试样本，样本中包含有器件不同偏置下测量的散射参数和不同频率下测量的噪声参数；
20.其中样本中的散射参数的值利用仪器快速测量得到；
21.样本中噪声参数的获取包括：
22.利用噪声温度对待测器件进行分析，噪声温度通过在等效小信号模型中表示，等效小信号epc噪声模型包含器件本征参数c
gs
，r
gs
,gm,g
ds
，c
gd
，等效温度参数包括τ,tg,td，tc,其中tg表示在栅极gate引入的栅噪电压源，td表示漏极噪声电流源，tc表示两者之间的关联温度，τ表示关联系数；
23.根据器件本征参数和等效温度参数计算噪声参数。
24.一种实施方式中，步骤s3具体包括：
25.s31根据得到的s2p文件进行稳定性分析，根据稳定性分析结果设计负反馈电路；
26.s32设计匹配电路，其中匹配电路包括输入匹配和输出匹配；
27.s33对电路进行整体优化，完成低噪声放大器的设计。
28.一种实施方式中，步骤s31包括：
29.计算射频噪声放大器电路的稳定性因子k，其中其中s
11
表示在输出端端接匹配情况下的输入端反射系数、s
12
表示在输出端端接匹配情况下的前向传输增益、s
21
表示在输入端端接匹配情况下的输出端反射系数、s
22
表示在输入端端接匹配情况下的反向传输增益；
30.当k《1时，引入负反馈让电路达到稳定状态，其中负反馈包括在在两个源极串联电感实现；通过不断调节电感的大小，以使得电路满足k》1，以达到稳定性要求。
31.一种实施方式中，步骤s32包括：
32.输入端进行最小噪声系数的匹配，将最小噪声系数圆中心点选为最佳反射源系数匹配到50ω；输出端利用共轭匹配到50ω进行最大增益的匹配。
33.第二方面，本发明示出一种基于混合神经网络的射频低噪声放大器电路设计装置，该装置用于实现如上述第一方面中任一种实施方式所示的基于混合神经网络的射频低噪声放大器电路设计方法。
34.本发明的有益效果为：本发明提出了低噪声放大器和神经网络模型的构建方法，并将人工神经网络模型与低噪声放大器模型相结合，可以通过直接有限的测试数据去准确快速得到不同频率、温度以及偏置条件下低噪声放大器的散射和噪声参数，还可以用来扩充器件的数据表。这些优点大大提高了分析和设计低噪声放大器的效率，对建立高效的通信系统很有益处。
附图说明
35.利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
36.图1为本发明实施例所示的一种基于混合神经网络的射频低噪声放大器电路设计方法流程示意图；
37.图2为本发明示例性实施例的二端口微波网络及s参数的示意图；
38.图3为本发明示例性实施例的器件i-v曲线图；
39.图4为本发明示例性实施例的噪声参数测试方案示意图；
40.图5为本发明示例性实施例的混合神经网络模型示意图；
41.图6为本发明示例性实施例的混合神经网络的构建过程示意图；
42.图7为本发明示例性实施例的偏置条件为v
ds
＝3v，i
ds
＝70ma条件下的s参数拟合示意图；
43.图8为本发明示例性实施例的偏置条件为v
ds
＝3v，i
ds
＝90ma条件下的s参数拟合示意图；
44.图9为本发明示例性实施例的偏置条件为v
ds
＝4v，i
ds
＝70ma条件下的s参数拟合示意图；
45.图10为本发明示例性实施例的低噪声放大器的设计步骤示意图；
46.图11为本发明示例性实施例的设计稳定匹配的低噪声放大器的结构示意图；
47.图12为本发明示例性实施例的ads设计低噪声放大器的电路示意图；
48.图13为本发明示例性实施例的稳定性结果示意图；
49.图14为本发明示例性实施例的输入匹配示意图；
50.图15为本发明示例性实施例的输出匹配示意图；
51.图16为本发明示例性实施例在射频低噪声放大电路工作频率f＝3.5ghz时的s参数示意图。
具体实施方式
52.结合以下应用场景对本发明作进一步描述。
53.参见图1实施例所示一种基于混合神经网络的射频低噪声放大器电路设计方法，其中，
54.本发明针对的噪声放大器为二端口网络结构，二端口网络是具有2个端口的电路或装置，端口与电路内部网络相连接，它能将电路的整体或一部分用它们相应的外特性参数来表示。
55.该方法包括：
56.s1根据性能指标要求选择合适的器件，并确定相应的工作状态和偏置条件。
57.其中，所选择合适的器件包括根据要设计的低噪声放大器的噪声系数、增益要求去选择符合要求的器件，包括芯片实物。其中确认相应的工作状态包括器件工作温度、工作频率，和器件直流偏置条件，主要是包括漏压vds，漏电流ids等。
58.一种实施方式中，步骤s1中，确定的工作状态包括温度；
59.偏置条件包括频率、器件的漏源电压和漏源电流。
60.一种实施方式中，本发明基于gan基高电子迁移率晶体管(gan hemt)进行射频低噪声放大器的设计。高电子迁移率晶体管(hemt)，也称调制掺杂场效应管(modulation-doped fet,modfet),是场效应晶体管的一种，它使用两种具有不同能隙的材料形成异质结，为载流子提供沟道，而不像金属氧化物半导体场效应管那样，直接使用掺杂的半导体来形成导电沟道。近年来，高电子迁移率晶体管(hemt)的发展为单片微波集成电路(mmic)提供了低噪声和低功耗。其工作频率可以从1到100ghz，这种宽范围的频率在雷达、通信卫星、无线局域网(wlan)和蜂窝电话等领域广泛的被研究和应用。第三代半导体材料以氮化镓(gan)、碳化硅(sic)等材料为代表，其中gan是一种具有较大禁带宽度的新型材料，和前两代半导体材料相比，gan材料具有更好的线性特性(在相同的噪声系数下具有更高的动态范围)；更大的宽带特性，适合做宽带器件；能承受更高的输入功率，增加整机的抗干扰能力。
61.s2利用构建好的混合神经网络得到晶体管的散射参数和噪声参数，获取指定条件下器件的s2p文件。
62.其中，s2p文件具体记录了hemt器件在固定偏置和温度条件下的s和噪声参数，其中s参数主要包括s
11
,s
12
,s
21
,s
22
四个参数的幅度值和相位值，噪声参数主要包括，工作频率下最小噪声系数fmin，热噪声电阻值rn，最佳匹配幅度值，最佳匹配相位等。
63.具体的，散射参数(s参数)：是微波传输中的一组重要参数。获得通道准确的s参数是一个很重要的环节，通过s参数，本发明能看到传输通道的几乎全部特性。和信号完整性有关的大部分问题，例如信号的反射，串扰，损耗，都可以从s参数中找到有用的信息。
64.微波网络是微波传输系统中不均匀的等效电路。微波网络按与之连接的传输系统的通道数可分为单端口、二端口和多端口网络。其中二端口微波网络是最常用的，本发明将根据这个网络结构去构建低噪声放大器。另外，从实际测量出发，射频电路端口的开路和短路都会导致信号全反射且宽频带的开路和短路条件在射频电路也不易实现，需要有一种在网络端口匹配条件下描述网络特性的参数，而散射参量矩阵的各元素都是在某端口接“匹配负载”的前提下获得的，可以直接通过测量得到。所以为了准确描述晶体管的工作特性，本发明使用散射参数对微波二端口网络进行分析，从而去设计出符合要求的lna。
65.图2表示出了二端口微波网络及其s参数的框图。a1＝输入端口的入射波，b1＝输入端口的反射波，a2＝输出端口的入射波，b2＝输出端口的反射波。
66.s
11
＝b1/a1，s
11
表示在输出端端接匹配情况下的输入端反射系数，通常被称为回波损耗。
67.s
21
＝b2/a1，s
21
表示在输出端端接匹配情况下的前向传输增益(系数)，通常被称为插入损耗。
68.s
22
＝b2/a2，s
22
表示在输入端端接匹配情况下的输出端反射系数。
69.s
12
＝b1/a2，s
12
表示在输入端端接匹配情况下的反向传输增益(系数)。
70.散射参数除了可以描述晶体管工作特性外也可以反映低噪声放大器的反射、传输、隔离等特性，在不知道器件或模型内部结构时可以直接通过散射参数去了解其特性，这些优点都有利于本发明对lna进行设计和对其性能进行分析，快速判断其是否满足应用需求。
71.具体的，噪声参数：一个低噪声放大器的性能主要包含噪声系数，合理的增益和稳定性等，这些统称为噪声参数。其中本发明的噪声参数指的是最小噪声系数(nfmin)、最佳反射源系数(∠γopt和|γopt|)和热电阻(rn)。
72.噪声被定义为对有用信号进行干扰的不期望的无规则的扰动，噪声的大小在于其干扰有用信号的能力，所以通常用信噪比这一概念去度量噪声对有用信号的影响程度，它的定义为有用信号的功率比上噪声的功率。对于晶体管和放大器来说，总是希望信号通过放大器放大时能尽量增加有用信号的功率，同时减少甚至抑制没有用的干扰信号，即尽可能的在输出端提高信噪比，所以本领域中常用噪声系数来衡量一个晶体管的噪声特性，它的定义式为：
[0073][0074]
上式中，p
si
为输入信号功率；p
ni
为输入噪声功率；p
so
为输出信号功率；p
no
为输出噪声功率。
[0075]
在无线通信系统中灵敏度是其中要考虑的重要一环，要增加接收机通讯距离，就要提高接收机灵敏度从而提高接收机的整体性能指标。接收机的灵敏度计算式为：
[0076]
s＝-174 nf 10log(bw) s/n
ꢀꢀꢀ
(2)
[0077]
上式中nf为噪声系数，bw为信号的带宽，s/n为输入信号的信噪比。公式中只有一项噪声系数可以优化，因此，优化噪声系数是提高接收机灵敏度的最直接的手段。对射频工程师来说，提高噪声系数的测量效率和精度能减小设计的余量，减轻设计压力。对元器件生产厂商来说，噪声测量的灵活性和适用性能提高产品的应用范围，增强产品的竞争力。无线通信、卫星通信和雷达系统性能的提高要求器件、子系统和系统具有较低的噪声系数，这就需要更加快速准确地对噪声系数进行测量和判断。现有的仪器测量方法繁琐且耗时，当改变偏置或者频率时都需要重新测量，本发明提出了一种能快速准确得到不同条件下散射和噪声参数的方法，更加有利于lna的设计和应用。
[0078]
一种实施方式中，步骤s2之前，该方法还包括：
[0079]
sb1训练所述混合神经网络，包括：
[0080]
选用si衬底上algan hemt器件直接测量的数据来作为样本进行神经网络训练，其中样本包括训练样本和测试样本，样本中包含有器件不同偏置下测量的散射参数和不同频率下测量的噪声参数；
[0081]
其中样本中的散射参数的值利用仪器快速测量得到；
[0082]
样本中噪声参数的获取包括：
[0083]
利用噪声温度对待测器件进行分析，噪声温度通过在等效小信号模型中表示，等效小信号epc噪声模型包含器件本征参数c
gs
，r
gs
,gm,g
ds
，c
gd
，其中c
gs
表示栅源间的电容，r
gs
表示栅源电阻，gm为跨导，g
ds
表示漏源间的电导，c
gd
表示栅漏间的电容，也即图4中左侧部分标识的小信号等效模型，等效温度参数包括τ,tg,td，tc,其中tg表示在栅极gate引入的栅噪电压源，td表示漏极噪声电流源，tc表示两者之间的关联温度，τ表示关联系数；
[0084]
根据器件本征参数和等效温度参数计算噪声参数。
[0085]
一种场景中，在选取样本数据时，根据附图3所示的器件i-v曲线图去进行神经网训练和测试样本的选取。训练样本的偏置条件的选取如表1所示，频率选取是0.5ghz、1ghz、1.5ghz、2ghz、2.5ghz、3ghz、3.5ghz、4ghz、5ghz、6ghz、7ghz、8ghz、9ghz、10ghz，一共169组数据，测试样本分别选取偏置条件(
①vds
＝3v，i
ds
＝70ma，
②vds
＝3v，i
ds
＝90ma，
③vds
＝4v，i
ds
＝70ma)三组数据。
[0086]
表1：训练样本偏置点的选取
[0087][0088]
散射参数的值可以利用仪器快速测量得到，而噪声参数的测量比较复杂，本发明采用的方案如附图4所示；
[0089]
计算噪声参数时可以利用噪声温度对待测器件进行分析，噪声温度可以在等效小信号模型中表示出来，因为有具体模型，所以噪声温度在噪声系数的计算和分析中被广泛使用。
[0090]
等效小信号epc噪声模型包含本征器件参数c
gs
，r
gs
,gm,g
ds
，c
gd
，噪声源特征温度参数包括τ,tg,td，tc,意义分别是在栅极gate引入的栅噪电压源(使用tg特征等效)，漏极噪声电流源(使用td等效)，以及两者之间的关联温度tc和关联系数τ。根据器件本征参数和噪声温度就可以去计算噪声参数。
[0091]
得到散射和噪声参数的训练和测试样本后，即可以进行神经网络的构建。
[0092]
一种实施方式中，步骤s2中，构建好的混合神经网络包括3个神经网络结构，其输入为漏源电流(ids)、漏源电压(vds)和频率(f)，其中第一神经网络结构ann1用于根据输入的漏源电流(ids)、漏源电压(vds)和频率(f)获取并输出散射参数，其中散射参数包括s
11
、s
12
、s
21
、s
22
的幅值和角度，其中s
11
表示在输出端端接匹配情况下的输入端反射系数、s
12
表示在输出端端接匹配情况下的前向传输增益、s
21
表示在输入端端接匹配情况下的输出端反射系数、s
22
表示在输入端端接匹配情况下的反向传输增益；第二神经网络结构ann2用于根据输入的频率(f)获取并输出epc等效电路模型的本征参数和等效温度；第三神经网络结构ann3用于根据输入的漏源电流(ids)、漏源电压(vds)和频率(f)获取并输出噪声参数，其中噪声参数包括最小噪声系数(f
min
)、最佳反射源系数(mag(γ
opt
),ang(γ
opt
))和热电阻rn。
[0093]
人工神经网络(artificial neural networks,ann)依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。它具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的
规律，最终根据这些规律，用新的输入数据来推算输出结果，这个过程被称为神经网络的学习过程。这个原理使得神经网络模型有泛化能力，即在训练过程中，对神经网络未给出的输入值也能提供正确的响应。这样，所建立的模型可用于对广泛的输入参数进行可靠的预测。本发明中利用神经网络能进行可靠预测的特点，在只能测得有限晶体管参数数据的情况下去快速准确的得到其他不同条件下晶体管的s和噪声参数，得到一个完整的s2p文件，从而去快速准确的建立一个符合要求的低噪声放大器。这个方法十分有利于低噪声放大器的设计和分析。
[0094]
为了更精确的设计lna电路，本发明构建了一种新型混合神经网络结构，如图5所示，这一结构包括了3个神经网络结构。对于ann1,是一个训练s参数的神经网络，输入为漏源电流(ids)、漏源电压(vds)和频率(f)，输出为散射参数，包括s
11
、s
12
、s
21
、s
22
的幅值和角度用公式来表达输入神经元和输出神经元的关系如公式(1)所示。
[0095]
[mag(s
ij
),ang(s
ij
)]＝f1[f,i
ds
,v
ds
]
ꢀꢀꢀ
(1)
[0096]
对于ann2,输入为频率，输出为epc等效电路模型的本征参数和等效温度。ann3为噪声参数神经网络，ann3的输入为通过ann2神经网络的学习后初步得到的噪声参数，然后ann3起到一个修正作用，输出为最小噪声系数(f
min
)、最佳反射源系数(mag(γ
opt
),ang(γ
opt
))和热电阻rn,用公式(2)来表达输入神经元和输出神经元的关系。
[0097]
[f
min
,mag(γ
opt
),ang(γ
opt
),rn]＝f2[f]
ꢀꢀꢀ
(2)
[0098]
以上方法的构建过程如附图6所示。
[0099]
其中该混合神经网络的训练和学习都是在matlab开发环境下完成。
[0100]
一种实施方式中，第一神经网络结构ann1、第二神经网络结构ann2和第三神经网络结构ann3分别包括输入层、隐藏层和输出层，其中第一神经网络结构ann1的隐藏层结构为9-8；第三神经网络结构ann3的隐藏层结构为9-7。
[0101]
本发明采用均方误差来评估神经网络预测的精度，公式(3)为均方误差的表达式。
[0102][0103]
在上述公式中，yi代表第i个原始数据，di代表神经网络拟合得出的第i个数。n代表测试的总数量。
[0104]
通过对不同的隐藏层结构下s和噪声参数拟合结果的平均均方误差进行比较，从表2、3可以看到，在隐藏层结构为9-8时s参数的平均误差最小，所以选用9-7的隐藏层作为s参数神经网络的结构；在隐藏层结构为9-7时噪声参数的平均误差最小，所以选用9-7的隐藏层作为噪声神经网络的结构。
[0105]
表2：s参数不同隐藏层结构的平均均方误差
[0106]
隐藏层s参数平均均方误差(％)9
‑‑
81.2010259
‑‑
55.8716758
‑‑
64.56319
‑‑6‑‑
64.25257586.710488
[0107]
表3：噪声参数不同隐藏层结构的平均均方误差
[0108][0109]
需要说明的是，神经网络包括输入层、隐藏层和输出层，隐藏层结构可以有1、2、3层，根据模型精度去选择合适的中间层数，例如，9-7代表神经网络中间隐藏层层数为2，两层神经元的个数分别为9和7；9-6-6。代表中间隐藏层层数为3，每一层的神经元个数分别为9、6、6。
[0110]
将神经网络在v
ds
＝3v，i
ds
＝70ma，v
ds
＝3v，i
ds
＝90ma和v
ds
＝4v，i
ds
＝70ma的条件下训练出的s和实际测试的数据进行拟合，不同偏置条件下s参数ann模型数据与实际测试值的比较结果如附图7-9所示，从图中可以看到图形的拟合程度较好，平均误差是小于2％的。
[0111]
其中附图7为v
ds
＝3v，i
ds
＝70ma条件下的s参数平均误差e11＝0.93％，e21＝1.8％，e12＝0.3％，e22＝1.39％
[0112]
附图8为v
ds
＝3v，i
ds
＝90ma条件下的s参数平均误差e11＝0.11％，e21＝1.12％，e12＝0.44％，e22＝1.04％；
[0113]
附图9为v
ds
＝4v，i
ds
＝70ma条件下的s参数平均误差e11＝0.02％，e21＝1％，e12＝0.55％，e22＝0.86％；
[0114]
s3根据得到的s2p文件进行稳定性分析，并进一步完成低噪声放大器的设计。
[0115]
其中，s2p文件包含了用来设计低噪声放大器hemt器件的s和噪声参数数据，可以代替晶体管去进行低噪声放大器的设计。
[0116]
参见图10，其示出一种低噪声放大器的设计步骤示意图，
[0117]
一种实施方式中，步骤s3具体包括：
[0118]
s31根据得到的s2p文件进行稳定性分析，根据稳定性分析结果设计负反馈电路；
[0119]
s32设计匹配电路，其中匹配电路包括输入匹配和输出匹配；
[0120]
s33对电路进行整体优化，完成低噪声放大器的设计。
[0121]
一种实施方式中，步骤s31包括：
[0122]
射频放大电路的稳定性是维持通信系统正常工作的一个重要因素，在射频放大电路设计中，需要考虑在不同的工作条件下电路工作的稳定性，稳定性越高电路性能就越好，当一个射频放大电路变得不稳定时，该电路将无法完成正常的放大功能，反而出现类似振荡电路的行为。
[0123]
计算射频噪声放大器电路的稳定性因子k，其中其中s
11
表示在输出端端接匹配情况下的输入端反射系数、s
12
表示在输出端端接匹配情况下的前向传输增益、s
21
表示在输入端端接匹配情况下的输出端反射系数、s
22
表示在输入端端接匹配情况下的反向传输增益；
[0124]
当k《1时，引入负反馈让电路达到稳定状态，其中负反馈包括在在两个源极串联电感实现；通过不断调节电感的大小，以使得电路满足k》1，以达到稳定性要求。
[0125]
附图11为设计lna的结构图。从附图11可以看到，不断调节ls，可以找到一个合适的值让电路满足k》1，保证电路有良好的性能。
[0126]
一种实施方式中，步骤s32包括：
[0127]
输入端进行最小噪声系数的匹配，将最小噪声系数圆中心点选为最佳反射源系数匹配到50ω；输出端利用共轭匹配到50ω进行最大增益的匹配。
[0128]
在设计低噪放大器时，匹配电路是必不可少的一部分。通过加入匹配电路，可以保障电路的正常工作，让低噪声放大器的各种参数指标满足生产的需要。匹配电路包括输入匹配和输出匹配，不同的产品对匹配电路的需求也不一样。本发明是设计低噪声放大器，噪声系数决定了系统性能的好坏，所以在进行电路匹配时应该优先考虑噪声系数。输入端进行最小噪声系数的匹配，将最小噪声系数圆中心点选为最佳反射源系数匹配到50ω；输出匹配电路主要用于提高增益，改善增益平坦度以及输出驻波比，所以输出端利用共轭匹配到50ω进行最大增益的匹配。
[0129]
一种实施方式中，本技术还提供一种示例性的射频低噪声放大器设置实施例，以进一步说明本发明提出的涉及方法。
[0130]
其中，要设计的低噪声放大器的技术指标满足如下条件：
[0131]
最小噪声系数nfmin《0.75db；
[0132]
增益：s
21
》12db；
[0133]
输入输出驻波比：vswrin《1.5，vswrout《1.5
[0134]
偏置条件3v，70ma，t＝25℃；
[0135]
频带范围：2ghz≤f≤4ghz；
[0136]
中心频率：3.5ghz
[0137]
通过训练好的神经网络，得到了gan在3v，70ma下的s参数和噪声参数，利用这些参数构建了此偏置条件下的s2p文件。根据提出的设计低噪声放大器的方法可以构建出lna的电路原理图，如附图12所示。
[0138]
在ls＝0.5nh时，电路达到绝对稳定，在频带范围内都满足k》1，结果如附图13所示，图13左边表示未加负反馈前(即未稳定状态)的稳定性示意图，右边表示加负反馈后(即稳定状态)的稳定性示意图。
[0139]
接下来，本发明利用cl匹配电路对输入输出端口进行匹配。从附图14可以看到整个电路的噪声系数nf(2)在3.5ghz处等于nf
min
并等于0.715db《0.75db，说明在该点的噪声系数已达到最优化，即完成了输入匹配，并且满足设计指标。从附图15可以看到输出阻抗匹配到了50ω，完成了输出匹配。最后利用ads中的tuning工具对电路进行微调优化，完成输入输出端口的准确快速匹配。
[0140]
运行原理图可以得到此条件下的s参数，如附图16所示的实施例在射频低噪声放大电路工作频率f＝3.5ghz时的s参数示意图，在3.5ghz处，s
21
＝12.319db》12db，vswrin＝1.2《1.5，vswrout＝1.02《1.5符合设计指标。经过以上步骤，就设计出了一个满足实际需求的低噪声放大器。
[0141]
结果说明，只要知道一个器件的s2p文件，都可以根据本发明提到的方法去设计低
噪声放大器，另外，当s2p文件数据不够时，也可以利用本发明设计的神经网络去完善s2p文件。这让本发明方案技术的应用范围变得更加广泛，具有了普遍适用性。
[0142]
本发明通过将神经网络模型与低噪声放大器模型相结合，让ann模型来预测晶体管在不同频率和偏压下的散射和噪声参数，这些数据可以去建立一个完整的晶体管的s2p文件，再利用s2p文件去设计低噪声放大器，从而快速得到低噪声放大器的s和噪声参数。
[0143]
真实器件的噪声参数测量时需要工程师对二端口网络进行适配处理，当某一条件改变时就需要重新进行适配处理，这个繁琐的过程十分不利于工程师去研发射频电路。本发明通过构建器件的s和噪声参数神经网络，就能通过直接有限的测试数据去准确快速得到不同频率和偏置条件下低噪声放大器的s和噪声参数。这些优点大大提高了分析和设计低噪声放大器的效率，对建立高效的通信系统很有益处。
[0144]
同时，本发明还提供一种基于混合神经网络的射频低噪声放大器电路设计装置，该装置用于实现如上述图1所示的基于混合神经网络的射频低噪声放大器电路设计方法中各方法步骤对应的具体实施方式。本技术在此不重复叙述。
[0145]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于ram、rom、eeprom、cd-rom或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
[0146]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。