编辑推荐:
本研究旨在提升传统极限学习机(ELM)在多个环境温度下对射频(RF)功率放大器(PA)小信号散射系数(S参数)进行表征的建模精度。研究提出了一种自动分段极限学习机(PW-ELM),用于在多个离散温度点对RF PA的小信号S参数幅度进行表征。该方法使用在三个关键
本研究旨在提升传统极限学习机(ELM)在多个环境温度下对射频(RF)功率放大器(PA)小信号散射系数(S参数)进行表征的建模精度。研究提出了一种自动分段极限学习机(PW-ELM),用于在多个离散温度点对RF PA的小信号S参数幅度进行表征。该方法使用在三个关键温度点(?35 °C、25 °C和125 °C)采集的2.2–6.5 GHz CMOS PA的S参数测量数据进行了验证。在该具有挑战性的CMOS PA上的实验结果表明,与反向传播神经网络(BPNN)、支持向量回归(SVR)和传统ELM相比,所提出的方法在精度上提升了一个数量级以上,表明其具有扩展到其他器件和技术的潜力。
**论文解读:基于自动分段极限学习机的射频功率放大器多温度S参数建模研究**
**一、研究背景及意义**
射频功率放大器(RF PA)是射频前端系统中的关键组成部分。机器学习(ML)凭借其卓越的误差学习能力和强大的非线性拟合性能,已成为射频功率放大器建模的常用方法。极限学习机(ELM)作为一种基于前馈神经网络(FNN)的机器学习方法,最初由Huang等人提出,旨在克服反向传播算法的局限性,提高学习效率并降低超参数调优的复杂度。近年来,ELM因其快速学习能力和极短的建模时间,已成为射频功率放大器建模的重要方法。然而,ELM在实际应用中受到两个固有局限性的制约:初始化的随机性和激活函数可能选择不当,这些问题共同削弱了ELM处理高维扩展数据样本的能力,从而限制了其建模精度。此外,处理多维大规模数据集通常需要高阶复杂模型,而模型阶数越高,建模复杂度越大,过拟合风险也随之增加。针对上述问题,本研究提出了一种用于离散温度角点下射频功率放大器建模的自动分段极限学习机(PW-ELM)。
**二、研究方法概述**
研究人员提出将模型降阶(MOR)技术与分段策略相结合,以增强传统ELM的建模能力。其核心思想是通过一阶差分计算自动识别测量S参数曲线的极值点(局部最大值和局部最小值),在极值点处对强非线性数据进行硬划分,将复杂的高阶全局系统分解为一系列较简单的低阶局部子系统,然后在每个分段区间内独立部署ELM子模型。这种数据驱动的自动分段策略无需任何器件物理先验知识或人工启发式参数调节,每个局部段内的系统行为相对平滑,可由具有较少隐藏节点的低阶ELM精确建模。在每个分段内,采用“训练-选择”策略,即多次随机初始化训练ELM并选择验证均方误差(MSE)最低的参数集。
**三、研究结果**
研究人员使用在三个关键温度点(?35 °C、25 °C和125 °C)采集的2.2–6.5 GHz CMOS PA的S参数测量数据验证了所提出的方法,重点对S11和S22的幅度进行建模。
**3.1 S11建模结果**:S11是评估PA输入端口匹配性能的关键指标。在S11建模中,传统ELM模型在所有温度下都难以捕捉全频段数据行为,在125 °C时性能退化最为显著。BPNN和SVR在?35 °C和25 °C时与测量趋势吻合良好,但在125 °C时出现明显偏差。相比之下,PW-ELM在所有比较方法中实现了最低的MSE,在所有温度下保持MSE ≤ 10?2且运行时间 ≤ 0.1 s,即使在125 °C测量曲线的极值点处也表现优异。检测到的极值点可物理解释为输入匹配网络和晶体管栅源电容的谐振。随着温度从?35 °C升至125 °C,这些极小值显示出向更高频率的轻微偏移(约0.02 GHz/°C)。
**3.2 S22建模结果**:S22是评估PA输出端口匹配性能的关键指标。在S22建模中,所有方法在125 °C时的建模曲线都与测量数据趋势紧密吻合,MSE均低于0.08。然而在25 °C时,BPNN、SVR和传统ELM的MSE范围为0.08至0.3,远高于PW-ELM达到的4.1 × 10?3。在?35 °C情况下,前三种方法显示出拟合曲线与测量曲线之间的显著差异,而PW-ELM表现出与测量数据的强一致性。PW-ELM在建模精度上展现出明显优势,特别是在抑制非线性引起的误差和在极端温度下保持一致性方面。
**四、讨论与结论**
讨论部分指出,当前研究在三个离散温度点验证了所提出的PW-ELM方法,这些点被战略性地选择为代表RF PA的极低、标称和极高工作条件。虽然连续宽温度范围的单一综合模型是理想目标,但实验观察表明,在关键温度角点构建独立模型可在极端场景下提供更优精度。PW-ELM的架构可扩展到连续温度建模,两种可能的扩展包括:将温度作为ELM输入向量的附加维度,或基于实时温度读数对离散点训练模型的输出权重进行插值。此外,当前分段策略侧重段内插值精度,未来工作将探索频段阻塞交叉验证以进一步评估外推能力。本研究还指出,当前工作聚焦于幅度建模,而PW-ELM框架本质上适用于复值S参数建模,可将实部和虚部(或幅度和去卷绕相位)视为局部ELM模型的两个独立输出。研究人员强调,所有建模和结论均基于输入功率为?20 dBm时获得的小信号S参数测量,不直接表征PA的大信号行为。
研究结论表明,本文提出了一种用于多离散温度下射频功率放大器S参数建模的自动分段极限学习机(PW-ELM),并利用2.2–6.5 GHz CMOS PA在三个关键热角点(?35 °C、25 °C和125 °C)的测量数据进行了验证。通过一阶差分极值点检测对强非线性数据进行划分,并在每个段内部署独立的ELM子模型,所提出的方法在所有三个温度下实现了MSE ≤ 10?2和建模时间 ≤ 0.1 s,在强非线性S11和S22参数上,其精度比BPNN、SVR和传统ELM高出1–2个数量级。所提出的PW-ELM可作为开发真正连续多温度PA模型的有前景的构建模块。该研究发表在《Electronics》期刊上。