一种基于深度学习的PIN限幅器性能及HPM效应预测方法

本发明属于pin限幅器，特别涉及一种基于深度学习的pin限幅器性能及hpm效应预测方法。

背景技术：

1、高功率微波(high-power microwave，hpm)峰值功率能达到100mw，频率为300mhz到30ghz之间，其具有高功率、高频率、频带集中脉冲短等特点，可以通过多种途径耦合进入射频接收机内部，对电子系统造成损伤。目前，pin限幅器是主流的射频前端保护性部件，有关pin限幅器的限幅性能以及hpm效应研究备受关注。

2、传统获取pin限幅器限幅性能及hpm效应的仿真方式，主要是基于电路级模型的电路仿真和基于器件数值模拟工具tcad建立模型的混合仿真。现有的pin二极管电路模型模型参数基于实验数据，并且几乎不能用于大信号仿真，利用电路级仿真手段难以获取pin二极管参数与pin限幅器限幅性能、hpm效应的关系。而基于tcad建立器件模型，需要利用软件建立结构模型、设置掺杂、划分网格，根据所需仿真设置物理模型，建立器件模型与电路模型的混合仿真电路，再通过求解器求解物理模型对应的载流子连续性方程、泊松方程、晶格温度方程等微分方程。

3、电路级仿真手段难以获取pin二极管参数与pin限幅器限幅性能、hpm效应的关系。基于tcad的混合仿真是一个耗时、涉及数据量巨大且需要建立符合实际器件参数、工作环境的物理模型才能使仿真结果具有参考意义。综上所述，现有pin限幅器限幅性能及hpm效应的仿真方式，其在效率、准确率等方面难以满足需求。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度学习的pin限幅器性能及hpm效应预测方法，以解决现有获取pin限幅器限幅性能及hpm效应传统方法中存在的计算量大、耗时长且不收敛等问题的至少之一或全部，降低获取限幅器性能的人力成本与时间成本，提高预测效率与准确率。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于深度学习的pin限幅器性能及hpm效应预测方法，包括：

4、步骤1，基于tcad仿真建立样本集

5、利用tcad仿真软件，首先建立pin限幅器的数值物理模型，随后基于pin二极管数值物理模型搭建pin限幅器hpm效应仿真电路，根据样本集所需的特征设置器件参数、hpm参数并进行瞬态响应仿真，获取样本集特征对应的标签；

6、其中，所述样本集所需的特征为：

7、pin二极管i层厚度wi、pin二极管i层掺杂ni、hpm频率f、hpm上升时间tr和hpm输入功率pin，每组特征需要对应仿真实验获取对应的一组标签；

8、所述样本集特征对应的标签为：

9、仿真得到的限幅功率阈值、插入损耗、最大隔离度和pin二极管结温曲线，所述限幅功率阈值、插入损耗、最大隔离度用于表征所述限幅器的限幅性能；pin二极管结温曲线用于表征hpm效应；

10、步骤2，将样本集划分为训练集、交叉验证集和测试集；

11、步骤3，构建深度学习网络预测模型并进行训练验证，得到满足要求的模型，利用该满足要求的模型对不同参数、工作条件下pin限幅器性能及hpm效应进行预测，其中，所述深度学习网络预测模型包括网络一和网络二，所述网络一用于预测pin限幅器的限幅性能，所述网络二用于预测pin限幅器的hpm效应。

12、在一个实施例中，所述步骤1，通过tcad仿真软件获取多组pin限幅器在不同hpm注入下的电、热响应，提取出限幅器限幅性能表征参数、hpm效应表征参数以及对应的器件参数、hpm参数作为样本集，所述限幅器限幅性能表征参数即所述限幅功率阈值、插入损耗、最大隔离度，所述hpm效应表征参数即所述pin二极管结温曲线中体现的时间与温度，所述器件参数即所述pin二极管i层厚度wi、pin二极管i层掺杂ni；所述hpm参数即所述hpm频率f、hpm上升时间tr和hpm输入功率pin。

13、在一个实施例中，所述步骤1，所述pin限幅器的数值物理模型为虑了高功率微波作用下的器件自热、高电场效应的载流子热动力学传输模型；

14、随后基于pin二极管数值物理模型搭建了pin限幅器hpm效应仿真电路，根据样本集所需的特征与标签设置器件参数、高功率微波参数并进行响应瞬态仿真，获取样本集标签对应的特征参数。

15、在一个实施例中，考虑到器件自热，所述pin限幅器的数值物理模型的电子空穴输运方程为：

16、

17、式中：和分别为电子电流密度和空穴电流密度；n和p分别为电子和空穴的浓度；q为电子电量；μn和μp分别为电子和空穴的迁移率；φn和φp分别为电子和空穴的准静电势；pn和pp分别代表空穴和电子的绝对热电功率。

18、考虑到高电场，引入了高场速度饱和模型，模型修正后的载流子迁移率公式为

19、

20、式中：μlow代表修正前的迁移率，vsat代表载流子的饱和漂移速度，β是常数，与工艺相关，由模型给定；

21、同时，高电场下考虑了pin二极管的雪崩击穿，引入雪崩离化模型，其雪崩产生模型为

22、g＝annvn+appvp    (3)

23、式中：vn和vp分别为电子与空穴的饱和速度，an与ap分别为电子与空穴的碰撞电离系数。

24、在一个实施例中，所述步骤1，采用sentarurs tcad的混合模式，模拟hpm通过前门耦合到pin限幅器，进行pin限幅器hpm效应的瞬态仿真；

25、所述仿真电路包括正弦脉冲电压源、pin、电阻一、电阻二、隔直电容一、隔直电容二以及射频扼流电感，正弦脉冲电压源、pin、电阻一和电容一串接，pin与电感并联，与电容二和电阻二并联；利用正弦脉冲电压源产生不同频率、上升时间、功率的前门耦合hpm电压。

26、在一个实施例中，所述步骤1，分别获取两组样本集，分别为样本集一和样本集二；

27、其中样本集一用于网络一，进行pin限幅器的限幅性能预测训练，样本集二用于网络二，进行pin限幅器的hpm效应预测训练；

28、所述样本集一以pin器件参数与hpm参数为网络一的输入，包含pin二极管i层厚度(wi)、pin二极管i层掺杂(ni)、hpm频率(f)和hpm上升时间(tr)，以pin限幅器的限幅性能作为网络一的输出，包含限幅功率阈值、插入损耗、最大隔离度；

29、所述样本集二以pin器件参数与hpm参数为网络二的输入，包含pin二极管i层厚度(wi)、pin二极管i层掺杂(ni)、hpm频率(f)和hpm输入功率(pin)，以pin二极管结温变化趋势曲线作为网络二的输出，所述pin二极管结温变化趋势曲线即为表征hpm效应的曲线。

30、在一个实施例中，所述步骤1，为获取样本集一的标签数据，根据样本集一特征数据设置仿真参数进行仿真实验，每组参数下进一步设置hpm输入功率为-10dbm至80dbm间隔10dbm取值，设置仿真实验参数条件，共进行10800次仿真实验；根据每个样本参数条件下的仿真得到的输入功率-输出功率对应关系获取对应限幅启动门限、插入损耗、最大隔离度，得到1080组数据的样本集一标签；为获取样本集二的标签数据，根据样本集二特征数据设置仿真参数进行仿真实验，共进行1080次仿真实验，获取pin结温曲线，再将结温曲线数据拟合为5次多项式，获得与频率无关的pin二极管结温变化趋势曲线以表征hpm效应，得到1080组数据的样本集二标签。

31、在一个实施例中，所述网络一依次包括：输入层一、全连接层一、卷积层一、卷积层二、卷积层三、全连接层二、全连接层三、全连接层四和输出层一；

32、所述网络二依次包括：输入层二、全连接层五、全连接层六、全连接层七、卷积层四、卷积层五、卷积层六、卷积层七、全连接层八、全连接层九、全连接层十和输出层二；

33、所述全连接层一～全连接层九分别为1×80、1×640、1×256、1×50、1×80、1×160、1×640、1×2048、1×1024的全连接层；所述卷积层一～卷积层七分别为16×40、32×20、64×10、64×80、128×40、256×20、64×10的卷积层。

34、在一个实施例中，各全连接层分别包括一层全连接(linear)单元、一层批量归一化(bn)单元和一层relu激活函数单元，各卷积层分别包括一层kernel为5，padding为2的卷积(conv)单元，一层批量归一化单元、一层relu激活函数单元和一层kernel为2的池化单元(pooling)，池化单元采用最大池化(maxpool)。

35、在一个实施例中，所述网络二的输出为pin二极管最大结温瞬态变化拟合曲线在0ns～50ns区间平均取20个点。

36、与现有技术相比，本发明可以准确快速地预测pin限幅器的限幅性能与hpm效应，解决了传统基于仿真软件对pin限幅器限幅仿真与hpm效应的研究方法存在的耗时长，不收敛等问题，提高了pin限幅器hpm效应研究的效率。