基于自动分段ELM的射频功率放大器S参数在离散温度角点下的建模

《Electronics》:Automatic Piecewise ELM-Based Modeling of RF Power Amplifier S-Parameters at Discrete Temperature Corners

【字体: 大 中 小 】 时间:2026年08月29日 来源:Electronics 2.9

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的极限学习机(PW-ELM),用于在多个离散温度点下对射频功率放大器的小信号S参数幅度进行表征。该方法利用在

  
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的极限学习机(PW-ELM),用于在多个离散温度点下对射频功率放大器的小信号S参数幅度进行表征。该方法利用在三个关键温度角点(?35 °C、25 °C和125 °C)获取的2.2–6.5 GHz CMOS功率放大器的S参数测量数据进行了验证。针对这一具有挑战性的CMOS功率放大器的实验结果表明,所提方法相比反向传播神经网络(BPNN)、支持向量回归(SVR)和传统ELM实现了高出一个数量级的精度提升,表明其具有扩展到其他器件和技术的潜力。
本文发表于《Electronics》。射频功率放大器(RF PA)是射频前端系统中的关键组件。机器学习(ML)凭借其出色的误差学习能力和非线性拟合性能,已成为RF PA建模的常用方法。极限学习机(ELM)是一种基于前馈神经网络(FNN)的机器学习方法,由Huang等人提出,旨在克服反向传播算法的局限,提高学习效率、降低超参数调整复杂度。近年来,ELM因学习速度快、建模时间短而被广泛用于RF PA建模,但其实际效果受两个固有缺陷制约:初始化的随机性和激活函数的可能误选。这些问题削弱了ELM处理高维扩展数据样本的能力,限制了建模精度。此外,传统全局模型在处理强非线性、多谐振的S参数曲线时,往往需要高阶模型,容易过拟合,且计算成本高。因此,需要一种能够自动分段、避免人工干预的建模方法,以提升多温度下的建模精度。

针对上述问题,研究人员提出了一种自动分段极限学习机(PW-ELM)。该方法将模型降阶(MOR)技术与分段策略相结合:通过一阶差分计算检测S参数曲线中的极值点(局部最大值和最小值),将强非线性数据自动划分为若干较平滑的子段,在每个子段内独立训练一个低阶ELM子模型。这种数据驱动的分段策略无需器件物理先验知识,也无用户自定义分割参数,实现了全自动分割。硬划分方式确保每个数据点仅属于一个分段,不施加跨段连续性约束,以保持各段非线性特征的“纯净度”。在每个分段中,采用“训练-选择”策略:进行最多50次随机初始化,选择验证均方误差(MSE)最低的参数集作为最终局部模型;若验证MSE低于阈值1×10-3,则提前终止。数据集在每个分段内按50:50随机分为训练集和验证集,保持频率顺序不变。最终报告的MSE为所有分段验证MSE的平均值。输出权重通过Moore-Penrose伪逆求解。

实验数据来自一个采用0.18-μm 1P6M CMOS工艺制造的2.2–6.5 GHz功率放大器(PA),在?35°C、25°C和125°C三个关键温度角点下,使用R&S ZVA40矢量网络分析仪测量其小信号S参数。测量频率范围为2.2–6.5 GHz,步进5.375 MHz,共801个点。测试夹具已表征并去嵌入,采用SOLT校准,每个温度稳定10分钟后采集。PA偏置条件固定(VDD=6 V),输入功率为?20 dBm。实验在配备Intel Core i7-7700K CPU和32 GB RAM的工作站上进行,算法在MATLAB R2021a(ELM、PW-ELM、BPNN)和Python 3.8(SVR)中实现。作为对比的基线模型包括BPNN、SVR和传统ELM,均通过网格搜索和5折交叉验证进行超参数优化。每个实验重复20次,计时包括自动分段过程的计算成本。

### 3.1 S11建模结果

S11表征输入端口匹配性能。图2显示四种方法在三个温度下的建模曲线:传统ELM在全频段难以捕捉数据行为,在125°C下退化最严重;BPNN和SVR在?35°C和25°C与测量趋势吻合较好,但在125°C明显偏离;PW-ELM在所有温度下均取得最低MSE,即使在125°C曲线的极值点处也表现优异。表2定量比较显示,PW-ELM在所有温度下MSE≤10-2,建模时间≤0.1 s;BPNN和SVR的MSE在某些温度下低于0.4,但运行时间至少70 s。传统ELM运行快但精度最低。检测到的S11极值与输入匹配网络和谐振的物理行为一致,温度升高时极值频率略有偏移。

### 3.2 S22建模结果

S22表征输出端口匹配性能。图3显示,在125°C下所有方法均能较好跟踪测量数据(MSE<0.08);在25°C下,BPNN、SVR和传统ELM的MSE范围为0.08–0.3,而PW-ELM仅为4.1×10-3;在?35°C下,前三种方法出现显著偏差,而PW-ELM与测量数据强烈一致。表3总结表明,PW-ELM在精度和计算效率上均优于其他方法,MSE≤10-2且建模时间≤0.1 s,适合强非线性参数建模。

在讨论部分,研究人员指出,当前验证选择三个离散温度点代表极低、标称和极高工作条件,在这些点器件特性漂移最显著。构建覆盖连续宽温度范围的统一全局模型可能会在极端温度与标称温度之间出现“精度权衡”,而分段策略能在整个工作包络内保持一致精度。PW-ELM架构可扩展到连续温度建模,例如将温度作为额外输入维度,或通过插值训练模型的输出权重。此外,硬划分引起的边界不连续幅度低于2×10-3,实际可忽略。尽管仅在一个PA上验证,但S11和S22来自不同的匹配网络,表现出截然不同的频率响应,因此可视为两个独立测试案例,增强了方法的普适性。

结论部分翻译如下:本文聚焦于小信号S参数幅度建模,而非大信号行为建模(后者不在本文范围)。本文提出了一种自动分段极限学习机(PW-ELM),用于多个离散温度下射频功率放大器的S参数建模,并使用在三个关键热角点(?35°C、25°C和125°C)测量的2.2–6.5 GHz CMOS PA数据进行了验证。通过基于一阶差分极值点检测将强非线性数据分段,并在每个分段内部署独立的ELM子模型,所提方法在所有三个温度下实现了MSE≤10-2和建模时间≤0.1 s,对于强非线性的S11和S22参数,其精度比BPNN、SVR和传统ELM高出1–2个数量级。虽然当前验证侧重于离散热节点,但该框架易于扩展到连续温度建模(例如,将温度作为附加输入,或在训练好的锚点之间插值输出权重),这是未来工作方向。因此,所提出的PW-ELM是开发真正连续多温度PA模型的有前景的基础组件,其当前有效性已在跨越三个极端温度角点的具有挑战性的CMOS PA上得到证明。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号