評判標準2 :測試樣本目標向量與GFET模型對測試樣本預測電流之間的均方誤差 errormse。本例中優(yōu)良標準為其值小于IOe-IO。
[0064] 在對神經(jīng)元個數(shù)的循環(huán)掃描中，選擇errorsum和errormse較小的BP網(wǎng)絡(luò)結(jié)構(gòu)； 若多個網(wǎng)絡(luò)結(jié)構(gòu)的errorsum和errormse值相似，則選擇神經(jīng)元數(shù)目最少的網(wǎng)絡(luò)結(jié)構(gòu)。
[0065] 步驟4. GFET模型構(gòu)建和訓練；請見圖2,具體實現(xiàn)包括以下子步驟：
[0066] 步驟4. I :BP網(wǎng)絡(luò)GFET模型隱含層的傳遞函數(shù)如下，
[0067]
[0068] 輸出層的傳遞函數(shù)為線性函數(shù)，如下所示，
[0069] y = X (式三）；
[0070] 以上兩式中，X是傳遞函數(shù)輸入，y是傳遞函數(shù)輸出，即神經(jīng)元輸出；
[0071] 其中傳遞函數(shù)的輸入X是神經(jīng)元所有輸入即前一層所有神經(jīng)元輸出的加權(quán)和，如 下所示，
[0072]
[0073] 其中N是輸入的數(shù)目，（^是神經(jīng)元輸入即前一層神經(jīng)元輸出，W 1是對應的權(quán)值，b 是神經(jīng)元的閾值；
[0074] 步驟4. 2 :BP網(wǎng)絡(luò)模型的訓練過程采用Levenberg-Marquardt算法，具體實現(xiàn)包括 以下子步驟：
[0075] 步驟4. 2. 1 :計算目標電流與模型預測電流之間的誤差，如下所示，
[0076] ep= Tp-yp (式五）；
[0077] 其中Tp和y，別為第p組訓練數(shù)據(jù)的目標電流和對應的模型的預測電流；
[0078] 步驟4. 2. 2 :將ep對步驟4. 1中每個神經(jīng)元的權(quán)值和閾值求偏導，將求得的偏導值 組成雅克比矩陣J，
[0079]
[0080]
[0081] 其中M為訓練樣本總數(shù)，D為BP網(wǎng)絡(luò)模型所有權(quán)值的數(shù)目，F(xiàn)為網(wǎng)絡(luò)所有閾值的數(shù) 目，識表不權(quán)值和閾值；
[0082] 步驟4. 2. 3 :更新權(quán)值和閾值，方法如下，
[0083]
[0084] E = Le1. . . ep. . . eM]T (式九）；
[0085] 其中外+/表示更新后的權(quán)值或閾值，抑表示更新前相應的權(quán)值或閾值，λ為阻尼 因子，I為單位矩陣，階數(shù)為D+F，式八和式九中E為誤差矩陣，其由式五所示ep組成；
[0086] 步驟4. 2. 4 :不斷循環(huán)上述過程，直到BP網(wǎng)絡(luò)模型誤差平方和小于網(wǎng)絡(luò)設(shè)定目標 或循環(huán)次數(shù)達到最大設(shè)定次數(shù)。
[0087] 步驟5.對GFET模型預測輸出電流進行反歸一化，得到模型輸出值；輸出電流反歸 一化處理方法是，
[0088] c = (yp+l) (Cmax-Cmin)/2+cmin (式十）；
[0089] 其中Cmax和c _分別為歸一化前輸出電流的最大值和最小值，y 5是GEFT模型預測 電流的值，c是反歸一化后的模型輸出電流值。
[0090] 步驟6. GFET模型的Verilog-A實現(xiàn)。其具體方法是：首先在數(shù)據(jù)輸入前用步驟2 中所述的歸一化方法對數(shù)據(jù)進行處理；然后根據(jù)步驟3中BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和步驟4中 BP網(wǎng)絡(luò)前向傳播的公式，公式包括式二、式三、式四，將各層之間連接的權(quán)值、各層的閾值和 傳遞函數(shù)以Verilog-A的形式進行表達；最后用步驟5中所述的反歸一化的方法對輸出數(shù) 據(jù)進行反歸一化處理，以得到輸出溝道電流。歸一化和反歸一化的處理函數(shù)也用Verilog-A 的形式進行表達。最終得到用于電路設(shè)計仿真的GFET模型。
[0091] 請見圖3,本實施例中，共采集數(shù)據(jù)3922組，其中3000組數(shù)據(jù)用于訓練，922組數(shù) 據(jù)用于測試。建模取得了較好的效果，測試數(shù)據(jù)平均相對誤差小于1%。由實例可知，基于 BP神經(jīng)網(wǎng)絡(luò)，對GFET進行建模，可以取得良好的效果，且具有計算時間短，不需要GFET完備 理論的優(yōu)點。
[0092] 應當理解的是，本說明書未詳細闡述的部分均屬于現(xiàn)有技術(shù)。
[0093] 應當理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本 發(fā)明專利保護范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán) 利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā) 明的請求保護范圍應以所附權(quán)利要求為準。
【主權(quán)項】
1. 一種基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在于，包括以下步驟： 步驟1.數(shù)據(jù)采集：采集一定量的GFET輸入輸出數(shù)據(jù)用于BP網(wǎng)絡(luò)模型訓練和測試，經(jīng) 訓練測試后得到的網(wǎng)絡(luò)模型即可用于對GFET在其他輸入?yún)?shù)下性能的預測；輸入數(shù)據(jù)包 括柵源電壓Vgs、漏源電壓Vds、溝道寬度W、溝道長度L，輸出數(shù)據(jù)為溝道電流Id;采集到數(shù)據(jù) 后按一定比例將所有數(shù)據(jù)隨機分為訓練數(shù)據(jù)和測試數(shù)據(jù)； 步驟2.數(shù)據(jù)預處理：將步驟1所得數(shù)據(jù)統(tǒng)一進行歸一化處理； 步驟3.確定所用BP網(wǎng)絡(luò)GFET模型結(jié)構(gòu)，包括隱含層數(shù)目和每個隱含層的神經(jīng)元個 數(shù)，輸入層神經(jīng)元數(shù)目為輸入?yún)?shù)個數(shù)，輸出層神經(jīng)元數(shù)目為輸出參數(shù)個數(shù)； 步驟4. GFET模型構(gòu)建和訓練； 步驟5.對GFET模型預測輸出電流進行反歸一化，得到模型輸出值； 步驟6.GFET模型的Verilog-A實現(xiàn)。2.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在于：步驟2中 所述的數(shù)據(jù)歸一化，其具體方法是， m=2* (a_amin)/(amax_amin) _1 (式一）； 其中&_和amin分別為歸一化前數(shù)據(jù)a的最大值和最小值，m是歸一化后的值。3.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在于：步驟3中 所述的確定BP網(wǎng)絡(luò)GFET模型隱含層結(jié)構(gòu)，其主要依靠試湊法，具體實現(xiàn)包括以下子步驟： 步驟3. 1 :選擇雙隱含層結(jié)構(gòu)； 步驟3. 2 :確定隱含層數(shù)目后，設(shè)定兩項判斷BP網(wǎng)絡(luò)GFET模型輸出優(yōu)良與否的評判標 準，再選定神經(jīng)元個數(shù)為一定范圍，對其進行循環(huán)掃描，選擇效果最好的網(wǎng)絡(luò)結(jié)構(gòu)；其中兩 項判斷BP網(wǎng)絡(luò)GFET模型輸出優(yōu)良與否的評判標準分別是： 評判標準1 :測試樣本目標電流與GFET模型對測試樣本預測電流之間的誤差絕對值和errorsum，優(yōu)良標準為其值小于0? 01 ; 評判標準2 :測試樣本目標向量與GFET模型對測試樣本預測電流之間的均方誤差errormse，優(yōu)良標準為其值小于10e-10 ; 在對神經(jīng)元個數(shù)的循環(huán)掃描中，選擇errorsum和errormse較小的BP網(wǎng)絡(luò)結(jié)構(gòu)；若多 個網(wǎng)絡(luò)結(jié)構(gòu)的errorsum和errormse值相似，則選擇神經(jīng)元數(shù)目最少的網(wǎng)絡(luò)結(jié)構(gòu)。4.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在于：步驟4中 所述的GFET模型構(gòu)建和訓練，具體實現(xiàn)包括以下子步驟： 步驟4. 1 :BP網(wǎng)絡(luò)GFET模型隱含層的傳遞函數(shù)如下，輸出層的傳遞函數(shù)為線性函數(shù)，如下所示，y=x(式三）； 以上兩式中，x是傳遞函數(shù)輸入，y是傳遞函數(shù)輸出，即神經(jīng)元輸出； 其中傳遞函數(shù)的輸入x是神經(jīng)元所有輸入即前一層所有神經(jīng)元輸出的加權(quán)和，如下所 示，其中N是輸入的數(shù)目，0肩神經(jīng)元輸入即前一層神經(jīng)元輸出，W馮對應的權(quán)值，b是神 經(jīng)元的閾值； 步驟4. 2 :BP網(wǎng)絡(luò)模型的訓練過程采用Levenberg-Marquardt算法，具體實現(xiàn)包括以下 子步驟： 步驟4. 2. 1 :計算目標電流與模型預測電流之間的誤差，如下所示， ep=Tp-yp (式五）； 其中1；和yp*別為第p組訓練數(shù)據(jù)的目標電流和對應的模型的預測電流； 步驟4. 2. 2jfep對步驟4. 1中每個神經(jīng)元的權(quán)值和閾值求偏導，將求得的偏導值組成 雅克比矩陣J，其中M為訓練樣本總數(shù)，D為BP網(wǎng)絡(luò)模型所有權(quán)值的數(shù)目，F(xiàn)為網(wǎng)絡(luò)所有閾值的數(shù)目， 識表不權(quán)值和閾值； 步驟4. 2. 3 :更新權(quán)值和閾值，方法如下，E= [ej. . .ep. . .eM] (式九）； 其中仰+/表示更新后的權(quán)值或閾值，抑表示更新前相應的權(quán)值或閾值，X為阻尼因 子，I為單位矩陣，階數(shù)為D+F，式八和式九中E為誤差矩陣，其由式五中ep組成； 步驟4. 2. 4 :不斷循環(huán)上述過程，直到BP網(wǎng)絡(luò)模型誤差平方和小于網(wǎng)絡(luò)設(shè)定目標或循 環(huán)次數(shù)達到最大設(shè)定次數(shù)。5. 根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在于：步驟5中 所述的輸出電流反歸一化，其具體方法是， c= (yp+l) (cmax-cmin)/2+cmin (式十）； 其中(3_和cmin分別為歸一化前輸出電流的最大值和最小值，y5是GEFT模型預測電流 的值，c是反歸一化后的模型輸出電流值。6. 根據(jù)權(quán)利要求4所述的基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，其特征在于：步驟6中 所述的GFET模型的Verilog-A實現(xiàn)，其具體方法是：首先在數(shù)據(jù)輸入前用步驟2中所述的 歸一化方法對數(shù)據(jù)進行處理；然后根據(jù)步驟3中BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和步驟4中BP網(wǎng)絡(luò)前 向傳播的公式，公式包括式二、式三、式四，將各層之間連接的權(quán)值、各層的閾值和傳遞函數(shù) 以Verilog-A的形式進行表達；最后用步驟5中所述的反歸一化的方法對輸出數(shù)據(jù)進行反 歸一化處理，以得到輸出溝道電流；歸一化和反歸一化的處理函數(shù)也用Verilog-A的形式 進行表達，最終得到用于電路設(shè)計仿真的GFET模型。
【專利摘要】本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡(luò)的GFET建模方法，包括數(shù)據(jù)采集，數(shù)據(jù)預處理，確定所用BP網(wǎng)絡(luò)GFET模型結(jié)構(gòu)，GFET模型構(gòu)建和訓練，對GFET模型預測輸出電流進行反歸一化得到模型輸出值，GFET模型的Verilog-A實現(xiàn)等6個步驟；本發(fā)明具有計算時間短、精確度高、不需要完備的器件理論知識，能用于電路設(shè)計仿真的優(yōu)點。
【IPC分類】G06F17/50, G06N3/02
【公開號】CN104915515
【申請?zhí)枴緾N201510364868
【發(fā)明人】常勝, 張濟
【申請人】武漢大學
【公開日】2015年9月16日
【申請日】2015年6月26日