基于卷积神经网络的功率放大器多目标设计方法

《Microelectronics Journal》：Multi-objective design method for power amplifiers based on convolutional neural networks

基于CNN和PSO的功率放大器多目标设计方法研究，通过建立参数与性能的映射关系，利用PSO优化算法提升设计效率，实验验证该方案相比传统仿真软件在95秒内实现参数优化，显著提高设计精度和效率。

　　

Kexin Wang|Jinchan Wang|Shaojie Zheng|Min Liu|Jincan Zhang

河南科技大学信息工程学院，洛阳，471023，中国

摘要

传统的电路设计方法严重依赖于设计师的经验，难以满足现代对精度和效率的要求。本文受到图像和语义识别的启发，提出了一种基于卷积神经网络（CNN）和粒子群优化（PSO）的多目标设计策略，用于功率放大器（PA）的设计。该方法通过神经网络模型建立了设计参数与性能指标之间的映射关系。通过最小化适应度函数来最大化预测准确性。随后，PSO算法能够高效地找到最优解。实验结果表明，用CNN替代传统的仿真软件不仅显著提高了训练效率和准确性，还使没有深厚电路知识的设计人员能够快速准确地获得优越的电路参数。与传统的手动计算方法相比，这种方法在仅95秒内就能取得更好的结果，极大地提高了设计效率，并显示出在大规模电路设计中的巨大潜力。

引言

高效宽带功率放大器（PA）是现代电气系统中广泛使用的关键组件，包括相控阵雷达和高功率电子战系统[1]。此外，PA被认为是射频（RF）收发系统中最重要的元素，它们用于提供足够的输出功率以克服传输路径损耗。因此，结构设计良好且性能高的PA对于提升RF收发器的整体性能至关重要[2]。

由于模拟电路设计中参数与性能指标之间的关系高度复杂且非线性，大多数模拟集成电路（IC）严重依赖于设计师的经验和直觉。这种情况促使了各种解决方案的发展[3,4]。现有的功率放大器模型大致可以分为传统多项式模型、串联模型和人工神经网络（ANN）模型。与其他两种类型相比，ANN模型的优点在于建模精度高和建模时间短。卷积神经网络（CNN）已广泛应用于多个领域，包括但不限于目标检测[5]、图像分割[6]、面部识别[7]和医学图像分析[8]。传统CNN中的超参数优化仍然是一个挑战[9]。优化算法可以利用其在超参数调整方面的优势[10]。2017年，Jarndal和Hamdan提出了一种结合ANN与粒子群优化（PSO）和遗传算法（GA）进行短期和中期负荷预测的方法[11]。2021年，Chen等人提出了一种基于甲虫天线搜索（BAS）优化算法的CNN优化方法，并将其应用于CT诊断[12]。2022年，Parul Arora等人引入了一种结合对抗学习和混沌理论的蚱蜢优化算法（GOA）[13]，该方法用于风力发电预测中的深度神经网络超参数优化。2024年，Xufen Hua等人研究了基于PSO-CNN的高压断路器智能检测方法[14]。2025年，Dongdong Chen等人提出了一种通用的基于CNN的模拟IC建模方法[15]，该方法将设计参数映射到能够捕捉模拟电路空间特性和晶体管特性的稀疏矩阵上。本文首次将PSO与神经网络结合用于功率放大器参数优化，并实现了参数反演。

CNN与电路设计的结合取得了显著进展。基于深度学习的电路性能优化方法具有强大的特征提取能力和自动化处理的优势。深度学习模型能够自动从数据中学习和提取深层特征，从而大幅提高电路设计的准确性和可靠性。然而，深度学习方法也面临参数复杂性和训练时间长的问题，尤其是在处理高维、非线性和复杂参数数据时。为了解决这些挑战，本文提出了一种结合PSO算法与神经网络的方法。与传统方法不同，我们的方法通过PSO的全局搜索能力系统地优化CNN超参数，从而显著提高了模型性能。PSO被认为是一种有效的进化计算方法。由于其易于实现和收敛速度快等优点，它已被广泛应用于各个领域[[16], [17], [18]]。本文提出的创新方法不仅可以处理复杂的电路，还可以帮助设计师平衡各种指标，从而促进电路设计。本文的其余部分组织如下：第2节介绍了PA的基本原理和性能指标；第3节描述了PA的多目标设计方法；第4节比较了不同层数的神经网络和优化算法，验证了这项研究的实用性和有效性；第5节总结了研究结果。

章节摘录

PA的基本原理和性能指标

所采用的功率放大器的整体架构如图1所示。本研究设计了一种反向Class-F PA，其特点是线性好、效率高，特别适用于高频、高功率应用。该设计基于CGH40_r6_converted模型，具体使用了Cree CGH40025F晶体管，遵循了Yongle Wu等人提出的设计概念[19]。此外，还采用了TL3、TL4、TL5、TL6等元件。

PA的多目标设计方法

为了优化模拟电路的性能并确定电路参数与性能指标之间的关系，首先需要区分设计变量和随机变量。设计变量是由设计师根据电路拓扑直接指定的确定性变量。相比之下，随机变量与制造过程中可能出现的随机变化相关。在本文中，

结果分析与验证

为了验证所提出方法的有效性，本研究使用ADS软件构建了一个PA电路。对放大器内的五个变量进行了扫描，以获得相应的性能指标，共获得了5809个数据集。剔除无效数据后，最终得到了5801个有效数据集。这些数据被用于拟合神经网络模型，并分析了拟合结果。PSO算法被用来

结论

本文提出了一种新颖的多目标设计方法，该方法利用CNN来优化功率放大器的多个性能指标。与现有方法不同，这种方法在参数优化过程中不依赖于仿真软件或经验知识，从而显著提高了设计效率。PSO算法用于利用神经网络模型计算适应度值并识别最优解。

CRediT作者贡献声明

Kexin Wang：概念化、调查、形式分析、软件开发、初稿撰写。Jinchan Wang：项目管理、可视化、审稿与编辑。Shaojie Zheng：概念化、项目管理、撰写、审稿与编辑。Min Liu：撰写-审稿与编辑、可视化、验证、形式分析。Jincan Zhang：项目管理、监督、撰写-审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了河南省高等教育青年骨干教师培训计划（项目编号：2023GGJS045）和河南省科技研究项目（项目编号：242102211103）的支持。