(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 202111480127.4 (22)申请日 2021.12.0 6 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 蔡佳林　耿明强　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 杨舟涛 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于LSTM神经网络的GaN晶体管行为模型建 模方法 (57)摘要 本发明公开了一种基于LSTM神经网络的GaN 晶体管行为模 型建模方法， 本发 明包括小信号行 为特性预测和在不同输入功率、 不同输入频率下 的散射波B21行为特性的预测。 所述晶体管行为 特性建模方法， 采用长短期记忆神经网络技术， 根据晶体管在不同状态下的输入输出数据特点， 得到不同的行为预测模型， 与现有的建模技术相 比， 所提出的模 型进一步的提升了行为特性的精 确度， 实现了高精度的晶体管模型建立。 特别的， 对于大信号行为模型， 基于LS TM神经网络的建模 技术具有很强的内插与外推能力， 提高了建模效 率及建模精度。 权利要求书2页 说明书5页 附图8页 CN 114154418 A 2022.03.08 CN 114154418 A 1.基于LSTM神经网络的GaN晶体管行为模型建模方法， 其特征在于， 具体包括如下步 骤： 101)搭建LSTM神经网络结构； 在宽频带状态下， 提取GaN器件的输入与输 出， 其中输入特征样本为xt， 对应的输 出特征 样本为yt， t表示当前时刻， 即为样本 中的一个数据； 首先， 当前的输入xt和之前的短期状态 ht‑1被用来产生四个门参数， ft、 it、 gt和ot； 上一时刻的单元输出和当前时刻的输入被用来 决定内部状态的哪些向量应该被更新或保持； 遗忘门的信号控制先前的状态信息应该被遗 忘多少， 而输入门则反应当前单元状态下输入xt的影响， 最后， 输出 门控制yt或ht作为LSTM 的输出， 其中输出yt等于ht； 一个LSTM单 元结构由以下公式表示： 遗忘门： 输入门： 输出门： 状态更新： 其中σ()表示sigmoid函数， 与tanh()函数均为激活函数， whi， whf， who和whg是前一个短 期状态ht‑1的权重矩阵， 其中wxi， wxf， wxo和wxg是输入xt的权重矩阵， 类似地， bi， bf， bo和bg是 偏差项； 102)设置网络参数； 初始化设计变量， 设置迭代次数epochs和批量batch_sizes大小， 并导入训练数据； 搭 建一层LSTM层及 若干层Dense层； 选择均方误差作为损失函数； 指 定具有学习率的全局优化 器Adam； 将训练数据送入网络结构， 根据数据特点， 采用多维到一维的输入 ‑输出模式； 所述的全局优化器Adam一方面计算梯度平方 的指数加权平均， 另一方面计算梯度gt 的指数加权平均； Mt＝β1Mt‑1+(1‑β1)gt   公式(7) 其中β1和β2分别为两个移动平均的衰减 率， 把Mt和Gt分别看作梯度的均值和未减去均值 的方差； 假设M0＝0， G0＝0， 那么在迭代初期Mt和Gt的值会比真实的均值和方差要小， 特别是当β1 和β2都接近1时， 偏差会更 大， 需要对偏差进行修 正： 权　利　要　求　书 1/2 页 2 CN 114154418 A 2Adam算法的参数 更新差值 为： 其中α 为学习率， ∈＝10‑8； 103)通过对学习率、 迭代次数epochs、 Dense层数的设定， 确定最佳网络参数及结构来 得到最佳 行为模型。 2.根据权利 要求1所述的基于LSTM神经网络的GaN晶体管行为模型建模方法， 其特征在 于： 将样本分成小批量样本输入， 具体为， 将全部输入数据平均分成若干份， 设置小批量数 据batch_sizes大小为全部是 数据量的若干分之一， 加快模型的提取时间。 3.根据权利 要求1所述的基于LSTM神经网络的GaN晶体管行为模型建模方法， 其特征在 于： 所述的β1＝0.9， β2＝0.999； 所述的学习率α 设置为0.0 01。 4.根据权利 要求1所述的基于LSTM神经网络的GaN晶体管行为模型建模方法， 其特征在 于： 所述的学习率α 为衰减型， αt为t时刻的学习率， α0为初始时刻的学习率。 5.根据权利 要求1所述的基于LSTM神经网络的GaN晶体管行为模型建模方法， 其特征在 于： 对于小信号行为模 型， 输入宽频带为 从1GHz到10 GHz宽频带； 对于大信号行为模 型， 输入 功率为‑20dBm到+3 0dBm的宽范围。 6.根据权利 要求1所述的基于LSTM神经网络的GaN晶体管行为模型建模方法， 其特征在 于： 对于小信号行为模 型， 实际测量包括GaN  HEMT器件在固定偏 置条件下的四个非线性S参 数特性， 具有热效应的直流I ‑V曲线； 对于大信号行为模型， 实际测量包括GaN  HEMT器件在 不同输入功率、 不同输入频率下的散射波B21特性。权　利　要　求　书 2/2 页 3 CN 114154418 A 3