(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111544166.6 (22)申请日 2021.12.16 (66)本国优先权数据 202111517162.9 2021.12.13 CN (71)申请人 宁波大学 地址 315211 浙江省宁波市江北区风 华路 818号 (72)发明人 张丽　刘太君　马施榆　叶焱　 许高明　 (74)专利代理 机构 宁波奥圣专利代理有限公司 33226 代理人 方小惠 (51)Int.Cl. G06F 30/36(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种GaN H EMT晶体管的DC -IV模型建模方法 (57)摘要 本发明公开了一种GaN  HEMT晶体管的DC ‑IV 模型建模方法， 先通过测试GaN  HEMT晶体管的 DC—IV特性， 得到GaN  HEMT晶体管原始的DC ‑IV 特性数据， 并进行归一化处理， 然后构建全连接 前馈神经网络模型， 将GaN  HEMT晶体管原始的 DC‑IV特性数据进行归一化处理的数据作为训练 数据去训练全 连接前馈神经网络模 型， 即可得到 GaN HEMT晶体管的DC ‑IV模型； 该方法的优点是 以全连接神经网络模型作为载体， 不需要GaN   HEMT晶体管的内部结构信息， 仅依 靠GaN HEMT晶 体管的DC ‑IV测试数据即可实现建模， 其收敛速 度快、 泛化能力强， 可以准确模拟并预测GaN   HEMT晶体管的DC ‑IV特性， 大大缩短了建模周期， 同时提高了建模精度。 权利要求书2页 说明书5页 附图2页 CN 114357921 A 2022.04.15 CN 114357921 A 1.一种GaN  HEMT晶体管的DC ‑IV模型建模方法， 其特 征在于包括以下步骤： 步骤S1： 数据预处 理： 步骤S101： 采用可编程直流电源在程序控制下自动测试GaN  HEMT晶体管的DC—IV特 性， 得到GaN  HEMT晶体管原始的DC ‑IV特性数据。 GaN  HEMT晶体管原始的DC ‑IV特性数据由M 个数据集构成， 每个数据集分别包含N个数据组， 每个数据 组分别包括1个栅极电压、 1个漏 极电压和1个漏极电流； M的取值根据GaN  HEMT晶体管的栅极电压范围确定， 从栅极电压的 起始电压开始每0.2V一个步进， 每一个不同的栅极电压划分为一个数据集， 不足0.2V步进 的取值舍弃， 直至栅极电压的最大电压值结束； N的取值根据GaN  HEMT晶体管的漏极电压范 围确定， 从漏极电压的起始电压开始每2V一个步进， 每一个不同的漏极电压划分为一个数 据组， 不足2 V步进的取值舍弃， 直至漏极电压的最大电压值结束； 将第n个数据集中第i个数据组中的栅极电压记为 漏极电压记为 漏极电流记 为 第n个数据集中的第i个数据组为 采用GaN HEMT晶体管原始的DC ‑IV特性数据中所有的栅极电压构成栅极电压总集合记 为{Vgs},所有的漏极电压构成漏极电压总集合记为{Vds},所有的漏极电流构成漏极电流总 集合记为{Ids}； 步骤S102： 采用式(1)至式(3)分别对GaN  HEMT晶体管原始的DC ‑IV特性数据中每个数 据集中的每个数据组进行最大最小值归一化处理， 得到GaN  HEMT晶体管预处理后的DC ‑IV 特性数据， GaN  HEMT晶体管预处理后的DC ‑IV特性数据也包括M个数据集， 每个数据集分别 包括N个数据组： 其中， 为 的归一化数据， 为 的归一化数据， 为 的归一化数据， GaN   HEMT晶体管预处理后的DC ‑IV特性数据中第n个数据集中第i个数据组为 min ()是取最小值符号， 在公式(1)至(3)中表示取集合中所有数据中的最小值， max()是取最 大值符号， 在公式(1)至(3)中表示取集 合中所有数据中的最大值； 步骤S2： 搭建并训练神经网络模型： 步骤S201： 搭建神经网络模型， 所述的神经网络模型为一全连接前馈神经网络模型， 由 输入层、 3层隐藏层和输出层按照先后顺序依次排布组成， 所述的输入层用于输入一组输入 数据(x1， x2)， 第1层隐藏层的神经元数为32， 第2层隐藏层的神经元个数为16， 第3层隐藏层 的神经元个数为8， 3层隐藏层中每个神经元的激活函数均为Relu函数， 所述的输出层用于 对第三层隐藏层的输出进 行加权求和得到输出预测值y， 神经网络模 型的预测值y与输入数权　利　要　求　书 1/2 页 2 CN 114357921 A 2据(x1， x2)之间的非线性关系为： y＝f(x1,x2,w,b)                   (4) 其中， w为神经网络模型的权重， b为神经网络模型的偏置， x1为归一化后的栅极电压， x2为归一化后的漏极电压， y为神经网络模型在输入归一化后栅极电压和归一化后漏极电 压时所对应的漏极电流预测值； 步骤S202： 初始化神经网络模型的权重和偏置， 得到初始化变量(w0,b0)， w0为w的初始 值， b0为b的初始值， 将初始化后的神经网络模型称为第0代神经网络模型； 步骤S203:设定迭代训练变量 k， 对k进行初始化， 令k ＝1； 步骤S204:对神经网络模型进行第k次训练， 具体过程 为： A、 将 作为一组输入数据(x1， x2)输入第k ‑1代神经网络模型中进行预测， 得 到第k‑1代神经网络模型的预测值， 将 该预测值记为yk， 其中， s为大于等于1且小于等于M的 任一整数， r为大于等于1且小于等于N的任一整数； B、 判断神经网络模型 是否收敛， 具体为： 将预测值yk与 进行比较， 如果两者之差的绝 对值无限接近于0或等于0时， 则表明神经网络模型已收敛， 训练结束， 此时第k ‑1代神经网 络模型即为GaN  HEMT晶体管的DC ‑IV模型， 否则， 采用Adam优化器对w和 b进行第k次更新， 得 到第k代神经网络模型， 然后进入步骤C； C、 采用k的当前值加1的和更新k的取值， 然后返回步骤S204， 进行下一次训练， 直至神 经网络模型收敛。权　利　要　求　书 2/2 页 3 CN 114357921 A 3