基于神經(jīng)網(wǎng)絡(luò)的GaAs HBT器件模型研究

徐 坤， 張金燦， 王金嬋， 劉 敏， 李 娜

(河南科技大學(xué)電氣工程學(xué)院， 河南洛陽 471023)

0 引言

GaAs異質(zhì)結(jié)雙極晶體管器件具有線性度高、高頻性能好、功率附加效率高和成本低等優(yōu)點，在射頻微波集成電路中，設(shè)計功率器件具有很大的優(yōu)勢。尤其是近幾年，相比高電子遷移率晶體管，其優(yōu)越的線性度和更低廉的成本越來越受到人們的關(guān)注，常被用來設(shè)計功率放大器。而功率放大器的設(shè)計需要精確的非線性大信號模型，因此，GaAs HBT器件非線性大信號模型的建立非常重要，傳統(tǒng)設(shè)計中基本使用的是經(jīng)驗?zāi)Ｐ?，即利用?fù)雜的經(jīng)驗公式擬合器件特性，如Gummel-Poon模型、VBIC模型、Aglient HBT模型等。文獻(xiàn)[5]中所提出的基于VBIC模型的GaAs HBT模型，使用改進(jìn)的異質(zhì)結(jié)效應(yīng)的輸運電流表達(dá)式，可以考慮到大電流下電子速度隨集電極場的變化。但是由于VBIC模型是專門為硅雙極技術(shù)開發(fā)的，對兩個異質(zhì)結(jié)的異質(zhì)結(jié)構(gòu)特性產(chǎn)生的效應(yīng)模擬不佳，這導(dǎo)致HBT器件大信號模擬和電路設(shè)計性能受限。文獻(xiàn)[6]使用基于Gummel-Poon模型的大信號分析方法來預(yù)測GaAs HBT器件的非線性行為，可以準(zhǔn)確分析不同偏置條件下器件大信號本征元件隨頻率變化的情況，但是忽略了10級的B-C結(jié)和C-E結(jié)電導(dǎo)，只考慮了如跨導(dǎo)、發(fā)射結(jié)電導(dǎo)、發(fā)射結(jié)電容等本征元件對大信號性能的影響。Aglient公司開發(fā)的Aglient HBT模型集眾多經(jīng)驗?zāi)Ｐ偷膬?yōu)點，文獻(xiàn)[7]由于GaAs的襯底接近理想高阻，因此模型中忽略了襯底效應(yīng)的影響，簡化了模型，但是模型的簡化會導(dǎo)致精度降低，性能變差。通過這些文獻(xiàn)，我們發(fā)現(xiàn)經(jīng)驗?zāi)Ｐ蜑榱藴?zhǔn)確預(yù)測器件的非線性行為，結(jié)構(gòu)一般十分復(fù)雜，如 Gummel-Poon模型中常用的SPICE參數(shù)有30多個，Aglient HBT模型需要提取SPICE參數(shù)高達(dá)118個，提取公式也十分復(fù)雜。為了方便參數(shù)提取，往往會忽略一些參數(shù)，或簡化公式，例如文獻(xiàn)[7]所示的模型，但是這使得大信號模型的模擬性能變差。因此本文尋求一種更簡單、更快速、更精確的建模方法來預(yù)測GaAs HBT器件的非線性行為。

許多電子科技領(lǐng)域的學(xué)者利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)建立半導(dǎo)體器件的大小信號模型，在預(yù)測半導(dǎo)體器件特性，指導(dǎo)集成電路設(shè)計方面，相比經(jīng)驗?zāi)Ｐ?，基于神?jīng)網(wǎng)絡(luò)的器件模型建立迅速，簡單且精確。目前，比較常見的應(yīng)用于半導(dǎo)體器件建模的神經(jīng)網(wǎng)絡(luò)有很多種，如空間映射神經(jīng)網(wǎng)絡(luò)，在經(jīng)驗?zāi)Ｐ偷幕A(chǔ)上大大提高了模型精度；反向傳播(Back-Propagation，BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)，不需要了解器件的結(jié)構(gòu)知識，也無需復(fù)雜的提取公式，只要有輸入輸出數(shù)據(jù)，就可以建立一個精確的模型；知識基(Know-ledge Based)神經(jīng)網(wǎng)絡(luò)，將神經(jīng)網(wǎng)絡(luò)與經(jīng)驗方程相結(jié)合的建模方法，比起純粹的神經(jīng)網(wǎng)絡(luò)模型，它可以改善外推結(jié)果的可靠性；時間延遲(Time Delay)神經(jīng)網(wǎng)絡(luò)，有記憶功能，功能強大，訓(xùn)練過程很復(fù)雜，多用于人工智能領(lǐng)域。這些模型各有優(yōu)劣，考慮到一些空間映射神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)顯示由于粗模型等效電路中的一些經(jīng)驗方程的簡化或假設(shè)造成的誤差，還是會影響到某些參數(shù)的精度，因此整個神經(jīng)網(wǎng)絡(luò)模型的大信號諧波特性精度不夠高；知識基神經(jīng)網(wǎng)絡(luò)模型由于依賴先驗知識，精度提高有限。時間延遲神經(jīng)網(wǎng)絡(luò)算法過于復(fù)雜。反向傳播(BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)因為訓(xùn)練過程簡單，模型建立速度快，模型精度高，用于指導(dǎo)電路設(shè)計十分合適。

由于GaAs HBT器件已經(jīng)廣泛應(yīng)用于集成電路設(shè)計，從業(yè)人員對其精確模型的需求越來越高，為了更好地使用HBT器件設(shè)計集成電路，對經(jīng)驗?zāi)Ｐ徒⑦^程復(fù)雜困難，使用經(jīng)驗?zāi)Ｐ驮O(shè)計電路造成電路性能誤差較大的問題，我們擬采用BP神經(jīng)網(wǎng)絡(luò)和RBP神經(jīng)網(wǎng)絡(luò)分別建立GaAs HBT器件的模型。通過對兩種神經(jīng)網(wǎng)絡(luò)模型的分析和對比，綜合考慮哪一個模型更值得選擇。

1 人工神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前向神經(jīng)網(wǎng)絡(luò)，它的核心就是通過調(diào)整權(quán)重逐步減小誤差，原理圖如圖1 所示。在網(wǎng)絡(luò)訓(xùn)練階段用準(zhǔn)備好的樣本數(shù)據(jù)依次通過輸入層、隱含層和輸出層，比較輸出結(jié)果和期望值，若沒有達(dá)到要求的精度，即將輸出結(jié)果與期望值的誤差經(jīng)過輸出層、隱含層和輸入層反向傳播，并不斷調(diào)節(jié)權(quán)值，使誤差越來越小，直至達(dá)到我們需要的精度為止。

圖1 反向傳播(BP)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理圖

如圖1所示的BP神經(jīng)網(wǎng)絡(luò)，有三層結(jié)構(gòu)，分別是輸入層、隱含層和輸出層，，，…，為神經(jīng)元的輸入，神經(jīng)元之間靠權(quán)值連接，是輸入層第個神經(jīng)元到隱含層第個神經(jīng)元的權(quán)值，是隱含層第個神經(jīng)元到輸出層第個神經(jīng)元的權(quán)值。神經(jīng)元內(nèi)部嵌入激活函數(shù)來處理神經(jīng)元接收到的信息并產(chǎn)生輸出，BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建使用的是MATLAB工具箱提供的newff函數(shù)，隱含層神經(jīng)元激活函數(shù)采用的是非線性Sigmod函數(shù)，輸出層神經(jīng)元采用的激活函數(shù)是線性函數(shù)，Sigmod函數(shù)的表達(dá)式如下：

(1)

式中，是隱含層神經(jīng)元的輸入，隱含層第個神經(jīng)元的輸入可表示為

(2)

神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為

(3)

1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)的基本思想是：用徑向基函數(shù)(RBF)作為隱藏神經(jīng)元的基，構(gòu)成隱含層空間，直接將輸入矢量映射到隱含層空間，而隱含層空間到輸出層空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱含層神經(jīng)元輸出的線性加權(quán)和，此處的權(quán)即為網(wǎng)絡(luò)可調(diào)參數(shù)。隱含層的作用是將低維模式的輸入數(shù)據(jù)變換到高維空間，使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。RBF神經(jīng)網(wǎng)絡(luò)原理圖如圖2所示。

圖2 徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理圖

RBF神經(jīng)網(wǎng)絡(luò)只有三層，第一層為輸入層，第二層為隱含層，第三層為輸出層。輸入層到隱含層的神經(jīng)元之間的權(quán)值全部為1。隱含層是使用徑向基函數(shù)作為激活函數(shù)的神經(jīng)元。隱含層與輸出層之間就是普通的神經(jīng)網(wǎng)絡(luò)的連接關(guān)系，它們之間的權(quán)值可以訓(xùn)練而改變。

利用MATLAB工具提供的newrbe函數(shù)訓(xùn)練網(wǎng)絡(luò)可設(shè)計一個精確RBF網(wǎng)絡(luò)，這種網(wǎng)絡(luò)隱含層神經(jīng)元的數(shù)量是基于輸入模式的數(shù)量，隱含層神經(jīng)元內(nèi)嵌的激活函數(shù)選取的是高斯函數(shù)：

(4)

式中是基函數(shù)的中心，是擴展常數(shù)，它決定了徑向基函數(shù)下降的快慢，RBF神經(jīng)元的寬度就是通過擴展常數(shù)來操縱的，在之后的訓(xùn)練和測試中可以調(diào)節(jié)擴展常數(shù)，使擬合結(jié)果達(dá)到最佳。輸出層是隱含層輸出的線性加權(quán)和，是第個隱含神經(jīng)元節(jié)點到第個輸出神經(jīng)元節(jié)點的權(quán)值，RBF神經(jīng)網(wǎng)絡(luò)的輸出可以用下式來表示：

(5)

2 GaAs HBT器件神經(jīng)網(wǎng)絡(luò)模型的建立

本文采用神經(jīng)網(wǎng)絡(luò)的直接建模法，不需要了解器件工作的知識，神經(jīng)網(wǎng)絡(luò)可以直接表征器件的外部電學(xué)特性，即黑匣子建模方法。BP神經(jīng)網(wǎng)絡(luò)建模的流程圖如圖3所示，首先建立GaAs HBT器件的直流模型，采用圖1所示的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，偏置電壓和基極電流作為模型的輸入變量，電流是輸出變量，由于需要建立的模型結(jié)構(gòu)比較簡單，所以我們采用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)隱含層只有一層，根據(jù)經(jīng)驗，選擇隱含層神經(jīng)元個數(shù)為9個，實際測量的GaAs HBT直流特性數(shù)據(jù)為在0～5 V內(nèi)變化，步進(jìn)為0.05 V，為10 ～50 μA，步進(jìn)為10 μA時輸出電流的結(jié)果，這些數(shù)據(jù)將作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測試數(shù)據(jù)。測試數(shù)據(jù)總共100組，從中隨機選取50組進(jìn)行訓(xùn)練，訓(xùn)練的過程如1.1節(jié)所述，即使用newff函數(shù)創(chuàng)建一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，精度設(shè)置為0.001，迭代次數(shù)900次，所用激活函數(shù)如公式(1)，數(shù)據(jù)依次通過輸入層、隱含層和輸出層，比較公式(5)所示的輸出結(jié)果，即神經(jīng)網(wǎng)絡(luò)模型模擬出的值和測試的值，根據(jù)每一次的誤差不斷調(diào)整權(quán)值，直到使二者的最終誤差小于0.001為止，這樣一個BP神經(jīng)網(wǎng)絡(luò)模型就訓(xùn)練好了。另外50組作為測試數(shù)據(jù)，用來對比訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果是否精確。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型建立流程圖

再采用圖2所示的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立GaAs HBT器件的直流模型，使用同樣的訓(xùn)練和測試數(shù)據(jù)，模型建立流程圖如圖4所示，首先利用MATLAB工具提供的newrbe函數(shù)創(chuàng)建一個RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隨機選取50組數(shù)據(jù)，和作為輸入變量，作為輸出變量，隱含層神經(jīng)元個數(shù)取決于輸入變量的個數(shù)，所使用的徑向基函數(shù)是公式(4)所示的高斯函數(shù)，它將輸入變量變換到一個用高斯函數(shù)表示的線性空間，而不必像BP神經(jīng)網(wǎng)絡(luò)那樣調(diào)節(jié)輸入層到隱含層的權(quán)值。訓(xùn)練的過程如1.2節(jié)所述，擴展常數(shù)默認(rèn)為1，而權(quán)值是在算法運行過程中自動調(diào)整的，newrbe函數(shù)創(chuàng)建神經(jīng)網(wǎng)絡(luò)的速度非?？?，上述過程只要進(jìn)行一次就可以得到一個零誤差的徑向基網(wǎng)絡(luò)。通過不斷調(diào)整擴展常數(shù)，最終的輸出結(jié)果與測試結(jié)果擬合良好，一個RBF神經(jīng)網(wǎng)絡(luò)模型就建立好了。圖5和圖6分別是BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型直流模擬結(jié)果和實測結(jié)果對比。

圖4 RBF神經(jīng)網(wǎng)絡(luò)模型建立流程圖

圖5 BP神經(jīng)網(wǎng)絡(luò)模型直流模擬結(jié)果和實測結(jié)果對比

圖6 RBF神經(jīng)網(wǎng)絡(luò)模型直流模擬結(jié)果和實測結(jié)果對比

GaAs HBT器件交流模型的建立，與直流模型一樣采用圖1和圖2所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分別建立GaAs HBT器件的S參數(shù)模型，建立流程分別如圖3和圖4所示。輸入變量是偏置電壓，基極電流和頻率，S參數(shù)的歸一化幅度和相位總共8個變量作為輸出變量，S參數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立過程與直流模型基本類似，僅輸入輸出變量不同，這也是神經(jīng)網(wǎng)絡(luò)模型相比經(jīng)驗?zāi)Ｐ偷膬?yōu)越之處，方便又快捷，這里不再贅述。兩個神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測試數(shù)據(jù)均來自于實際測試結(jié)果，這里選取偏置點為=3.6 V，=30 μA，頻率0.1～40 GHz的GaAs HBT器件的S參數(shù)來驗證神經(jīng)網(wǎng)絡(luò)模型的精確性，圖7和圖8分別是BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型S參數(shù)模擬結(jié)果與測試結(jié)果的對比。

圖7 BP神經(jīng)網(wǎng)絡(luò)模型S參數(shù)模擬結(jié)果與測試結(jié)果的對比

圖8 RBF神經(jīng)網(wǎng)絡(luò)模型S參數(shù)模擬結(jié)果與測試結(jié)果的對比

諧波功率特性神經(jīng)網(wǎng)絡(luò)模型的建立與上述兩個神經(jīng)網(wǎng)絡(luò)模型的建立過程類似，在=3.6 mA，為2 mA，中心頻率為3.5 GHz時，輸入功率()作為模型的輸入變量，隨輸入功率變化的輸出功率()、增益(Gain)和功率附加效率(PAE)作為模型的輸出變量，訓(xùn)練過程與直流模型基本一致，圖9和圖10分別是在=3.6 V，=2 mA，中心頻率3.5 GHz下，BP和RBF神經(jīng)網(wǎng)絡(luò)模型功率特性模擬結(jié)果與測試結(jié)果的對比。

圖9 BP神經(jīng)網(wǎng)絡(luò)模型功率特性模擬結(jié)果與測試結(jié)果的對比

圖10 RBF神經(jīng)網(wǎng)絡(luò)模型功率特性模擬結(jié)果與測試結(jié)果的對比

3 誤差分析

從圖5～10所示的神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果可以看出，神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果與測試結(jié)果擬合良好，GaAs HBT神經(jīng)網(wǎng)絡(luò)模型建立完成以后，兩個模型的精度以平均相對誤差來衡量，如表1所示。圖11和圖12是S參數(shù)模型的誤差圖，圖13和圖14是功率特性的誤差圖。

表1 兩個神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差比較

圖11 BP神經(jīng)網(wǎng)絡(luò)S參數(shù)模型誤差圖

圖12 RBF神經(jīng)網(wǎng)絡(luò)S參數(shù)模型誤差圖

對于直流模型，表中顯示兩個神經(jīng)網(wǎng)絡(luò)模型都具有較好的精度，平均相對誤差均小于1%，BP神經(jīng)網(wǎng)絡(luò)直流模型總的平均相對誤差為0.626%，RBF神經(jīng)網(wǎng)絡(luò)模型為0.688%，BP神經(jīng)網(wǎng)絡(luò)直流模型的精度略高。對于交流模型，從圖7和圖8可以看出，兩個S參數(shù)模型模擬結(jié)果和測試結(jié)果都具有良好的一致性，但是BP神經(jīng)網(wǎng)絡(luò)模型在2 GHz以內(nèi)有較大的誤差，這一點從圖11的誤差圖中也可以看出，如的平均相對誤差高達(dá)6%，但是在2 GHz以上的頻率范圍內(nèi)相對誤差都低于2%。這是因為在100 MHz時，相對誤差最大達(dá)到了4.52，使得平均相對誤差比較高，去掉這個異常的數(shù)據(jù)，的相對誤差在1.5%。圖11誤差圖顯示的相對誤差相比其他S參數(shù)，較多分布在3%左右，是BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差最大的S參數(shù)。RBF神經(jīng)網(wǎng)絡(luò)在S參數(shù)的預(yù)測上具有比BP神經(jīng)網(wǎng)絡(luò)更高的精度，如表1所示，4個S參數(shù)的平均相對誤差都低于1.3%，圖12的誤差圖中顯示，在0.1～40 GHz內(nèi)，S參數(shù)的相對誤差絕大部分都在1%左右，但是參數(shù)在1.2 GHz以內(nèi)的相對誤差稍大，最大相對誤差為10.1%，在1.2 GHz以上相對誤差都在0.8%左右。是RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測的4個S參數(shù)相對誤差較大的一個，如圖12誤差圖所示，的相對誤差集中在1.2%左右。

圖13 BP神經(jīng)網(wǎng)絡(luò)模型功率特性誤差圖

圖14 RBF神經(jīng)網(wǎng)絡(luò)模型功率特性誤差圖

功率特性的模擬在經(jīng)驗?zāi)Ｐ椭幸恢笔且粋€難點，如GP模型、VBIC模型、Agilent HBT模型等，隨著對模型精確度的要求越來越高，經(jīng)驗?zāi)Ｐ偷慕⒃絹碓綇?fù)雜，但是這會造成參數(shù)提取過程復(fù)雜繁瑣，耗費研究人員更多時間。而神經(jīng)網(wǎng)絡(luò)模型可以精確模擬器件的功率特性。如圖9和圖10所示，BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果與測試結(jié)果都有良好的一致性，其中RBF神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果精確度十分高。如表1所示，RBF神經(jīng)網(wǎng)絡(luò)的功率特性模擬結(jié)果的平均相對誤差均低于2%，而BP神經(jīng)網(wǎng)絡(luò)模型功率特性的模擬結(jié)果的平均相對誤差與RBF神經(jīng)網(wǎng)絡(luò)相比差距有點大，功率附加效率(PAE)的平均相對誤差高達(dá)21.16%。從圖13和圖14的誤差圖中也可以看出，RBF神經(jīng)網(wǎng)絡(luò)模型的輸出功率、增益和功率附加效率的相對誤差都非常小，集中分布在0 ～ 0.02%這個區(qū)間內(nèi)。BP神經(jīng)網(wǎng)絡(luò)模型的模擬結(jié)果不太好，尤其是功率附加效率，在較低的輸入功率范圍內(nèi)，相對誤差分布在0.4%～1.4%。因此，RBF神經(jīng)網(wǎng)絡(luò)模型在功率特性的仿真模擬中比BP神經(jīng)網(wǎng)絡(luò)更精確。

綜上所述，通過對兩個神經(jīng)網(wǎng)絡(luò)模型誤差分析，RBF神經(jīng)網(wǎng)絡(luò)模型具有更高的準(zhǔn)確性，而且在神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練中發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)模型具有更快的訓(xùn)練速度，這是因為BP神經(jīng)網(wǎng)絡(luò)屬于全局輸入網(wǎng)絡(luò)，即網(wǎng)絡(luò)的一個或多個可調(diào)參數(shù)(權(quán)值)對任何一個輸出都有影響時，對于每次輸入，網(wǎng)絡(luò)上的每一個權(quán)值都要調(diào)整，從而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度很慢。如果對于輸入空間的某個局部區(qū)域只有少數(shù)幾個連接權(quán)值影響輸出，則該網(wǎng)絡(luò)稱為局部逼近網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)就屬于局部逼近網(wǎng)絡(luò)，訓(xùn)練速度比BP神經(jīng)網(wǎng)絡(luò)快得多?？偟膩碚f，RBF神經(jīng)網(wǎng)絡(luò)模型速度更快，精度更高，是建立HBT器件模型的良好選擇。

4 結(jié)束語

本文研究了基于神經(jīng)網(wǎng)絡(luò)的GaAs HBT器件的模型，利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)分別建立了GaAs HBT器件的模型，并對兩個神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析和對比。研究結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型的模擬結(jié)果與測試數(shù)據(jù)具有良好的一致性。與經(jīng)驗?zāi)Ｐ拖啾龋窠?jīng)網(wǎng)絡(luò)模型不必依賴器件內(nèi)部結(jié)構(gòu)知識，建模速度快，建模過程簡單，節(jié)省了大量的時間，而且彌補了經(jīng)驗?zāi)Ｐ驮陬A(yù)測功率特性方面的不足，可以更好地預(yù)測器件特性，方便研究人員進(jìn)行電路設(shè)計。在模型的精度與速度方面，RBF神經(jīng)網(wǎng)絡(luò)模型因為訓(xùn)練速度更快、精度更高，比BP神經(jīng)網(wǎng)絡(luò)模型更具優(yōu)越性，是建立HBT器件模型的良好選擇。