标签：射频
电路 含糊逻辑
跟着通讯技能的开展，射频电路在通讯体系中得到了广泛的使用。功率放大器的研讨和规划一直是通讯开展中的重要课题。近年来，依据含糊神经网络的射频器材和电路建模的研讨获得了巨大的作用，对大规模%&&&&&%和杂乱电路的建模有着巨大的启示含义， 成为当今研讨的热门之一，本文将依据这个理论对射频放大器进行建模和研讨。
1 建模办法的介绍
本文将选用含糊逻辑网络中的一阶Sugeno模型， 为了完成Sugeno 含糊推理体系的学习进程， 一般将其转化为一个自习惯网络，即自习惯含糊神经推理体系， 如图1所示。
该自习惯网络是一个多层前馈网络， 它能够分为5层， 其间的方形节点需求进行参数学习。下面别离介绍这五层。
图1 自习惯模
糊神经推理体系结构
第1层 核算输入变量的匹配度， 即含糊化进程。假定含糊集选用高斯函数，那么该层输出( Oi表明第j层的第i个输出)为:
对y 的核算同理， ci， σ i 别离表明高斯函数的中心和宽度， 是含糊规矩前提条件中需求调理的参数。
第2 层 核算当时输入对各条规矩的鼓励强度，选用对规矩前件部分各含糊变量的从属度作乘积运算， 即:
第3层 对鼓励强度进行归一化:
第4层 核算每条规矩的输出， 一条规矩的输出是给定输入对该条规矩的鼓励强度与定论部分的乘积:
第5层 核算含糊体系的输出， 总的输出是一切规矩输出之和:
由此可见这一含糊逻辑体系界说了从x、y 到z之间的一个映射:
经过对含糊规矩中各参数的精心挑选， 可精确地描写变量之间的联系。
用 含糊逻辑建模能够把整个建模进程分红两步: 初始模型的树立和模型的后续练习调整。初始模型的树立除了可依据该范畴已有的一些经历、常识外，现在还能够依据一组练习样本数据，运用必定的算法确认输入变量与输出变量的含糊集个数与相应的从属度函数的形状， 及一组含糊规矩。有了这样一个初始模型后，再用学习算法，如BP算法、DFP算法，来调整从属度函数中的参数， 逐渐减小体系的含糊输出值跟实践输出值之间的差错，可获得较好的作用。
2 建模进程
鄙人面的实例中使用ANFIS进行建模的过程如下:
( 1)在ADS中对规划好的功放电路进行仿真，这儿别离对输入为单音信号、双音信号以及调制信号的功放电路进行仿真，终究意图是树立一个描绘输入输出端口联系的行为模型，故挑选输入和输出的电压数据用以练习之用。
( 2)编写程序， 预设ANFIS中的参数值， 确认从属度函数的类型、含糊规矩的条数、迭代次数、含糊集的个数等，树立初始模型，并完成对练习数据的学习;( 3)使用检测样本数据查验所树立的模型; 选用最小二乘法和梯度下降法对模型的参数进行调整。
( 4)调查检测成果， 若检测差错满意精度要求，建模完毕， 若不满意， 持续调整。
本 文选用一个三输入单输出的初始模型， 输入变量选为Vin ( k )， Vin ( k- 1)， Vout ( k- 1)三个输入变量， 其间Vin ( k ) 为输入电压， 变量Vin ( k – 1 ) 用Vin ( k- 1) = Vin ( k ) – Vin ( k – 1)的差分方式来替换。Vout ( k- 1)为考虑回忆效应而参加的项，即前一刻的输出量。输出变量为一单变量Vou t ( k )。这样能够将整个需建模的电路输入输出的动态联系用式( 7)予以表达:
模型选用高斯从属度函数， 含糊规矩条数为[ 2 12]， 共四条， 选用均匀分割法。
3 使用实例
以下是一个依据SM IC 技能规划的射频功率放大器，如图2所示。它的规划目标如下:
S11 – 15 dB， S21> 20 dB， P1 dB > 20 dBm，PAE 30% ， Pgain > 20 dB。
图2
电路中选用SM %&&&&&% 库中的NMOS管， 其他元件参数如表1~ 3所示。
表1 元件参数单位: pF
表2 元件参数单位: nH
表3 元件参数单位: kΩ
电 路作业在2. 45 GHz下， 输入功率为RF_input= – 20 dBm~ 10 dBm(距离1 dBm)的信号，对电路进行HB仿真， 并选取时域下两个周期的抽样输入输出电压抽样数据作为练习数据。查验数据的选取与上述相似，能够挑选输入功率RF_input= – 19. 5 dBm~10. 5 dBm (距离为1 dBm )内的一组或多组信号。
