公开(公告)号：CN115561559A

公开(公告)日：2023-01-03

申请号：CN202211274849.9

申请日：2022-10-18

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  张旭艳 ,  陈思宇 ,  李宇航 ,  刘伯航 ,  曹宪法

IPC: G01R31/00 ,  G01R31/26 ,  G06F30/20

Abstract: 本发明公开了一种基于稠密连接网络的单粒子预测效应方法，包括以下步骤；步骤1，GEANT4建模：步骤2，将获取到的不同粒子条件下的LET数据作为数据集；步骤3，将样本总数据集随机划分为训练集，交叉验证集和测试集，并固定随机种子以确保实验结果可复现；步骤4，基于稠密连接网络构建预测模型；步骤5，将训练集输入预测模型优化预测模型；步骤6，在步骤5过程中同时将交叉验证集输入预测模型，通过对比其损失函数曲线与训练集损失函数曲线来调整优化过程中的训练集重复训练次数与反向传播中的学习率；步骤7，评估其预测准确率与泛化能力。本发明能准确和快速地预测微电子器件的线性能量传输数据，从而分析单粒子效应对其产生的影响。

公开(公告)号：CN118316453A

公开(公告)日：2024-07-09

申请号：CN202410411977.6

申请日：2024-04-08

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  马浩 ,  黎浏滔 ,  冯旺龙 ,  刘诗杰 ,  刘海宇 ,  张旭艳

IPC: H03M3/00 ,  H03M1/66 ,  G06N3/0464 ,  G06N3/063 ,  G06N3/084

Abstract: 本发明公开了一种基于神经网络的Sigma‑Delta调制器校准方法，包括以下步骤；步骤1.建立实际Sigma‑Delta调制器和参考理想Sigma‑Delta调制器；步骤2.采用相干采样，将同一输入信号输入到调制器中，分别进行FFT仿真；采样作为样本数据集和参考数据集；步骤3.构建Sigma‑Delta调制器校准方案；步骤4.构建卷积神经网络模型；步骤5.输入样本数据集训练卷积神经网络，获得训练完成的神经网络校准模型，训练过程中迭代优化卷积神经网络模型参数和超参数，直至神经网络收敛；步骤6.将训练好的神经网络校准模型应用到Sigma‑Delta调制器中，Sigma‑Delta调制器输出经过网络校准输出校准后的数字码，做FFT仿真得到校准后的调制器性能并于校准前的性能进行比对。本发明能够同时校准多项误差，有效提升调制器性能。

公开(公告)号：CN117172015A

公开(公告)日：2023-12-05

申请号：CN202311165370.6

申请日：2023-09-11

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  刘诗杰 ,  马浩 ,  刘海宇 ,  张旭艳 ,  黄金 ,  孙雪琦

IPC: G06F30/20 ,  G06F18/214 ,  G06N3/048 ,  G06F111/10

Abstract: 基于人工神经网络的霍尔器件Verilog‑A仿真模型建立方法、系统、设备及介质，方法包括：建立霍尔器件等效模型，根据建立的等效模型将霍尔器件分解为若干个等效器件，得到等效器件的电学参数，得到训练好的网络模型参数，提取神经网络模型参数，根据提取的神经网络模型参数以及神经网络模型进行标准化以及归一化在Verilog‑A中进行描述，得到基于Verilog‑A语言描述的神经网络模型，将基于Verilog‑A语言描述的神经网络模型输出数据与步骤1建立的等效模型的连接关系进行行为级建模，得到基于人工神经网络的霍尔器件Verilog‑A仿真模型；系统、设备及介质，用于实现基于人工神经网络的霍尔器件Verilog‑A仿真模型建立方法；本发明具有模型结构简单、建模难度低、建模周期短、建模流程简单的特点。

公开(公告)号：CN116306402A

公开(公告)日：2023-06-23

申请号：CN202211582911.0

申请日：2022-12-08

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  陈思宇 ,  张旭艳 ,  陈栋梁 ,  李宇航 ,  刘伯航 ,  马兰

IPC: G06F30/3308 ,  G06F30/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，通过TCAD仿真软件建立GAAFET器件模型；通过改变设计参数，得到多条不同设计条件下的电容‑电压特性曲线，以相同的电压间隔，从每条曲线中取出N个数据点作为训练集成学习模型的数据集，按比例划分成训练集、交叉验证集和测试集，并通过K折交叉将训练集划分为K个子集；集成学习模型的输入为一组设计参数，输出为GAAFET器件电容特性；利用数据集训练集成学习模型，满足要求的模型用于不同参数以及不同工作条件下的GAAFET器件电容特性预测。本发明能够快速准确地预测GAAFET特性，解决传统方法所存在的耗时长、效率低、受人工因素等缺点。

公开(公告)号：CN116245058A

公开(公告)日：2023-06-09

申请号：CN202211575462.7

申请日：2022-12-08

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  张旭艳 ,  陈思宇 ,  陈栋梁 ,  李嘉睿 ,  曹宪法 ,  马兰

IPC: G06F30/33 ,  G06F30/10 ,  G06N20/20 ,  G06F18/2431 ,  G06F111/10

Abstract: 一种基于集成学习模型的GAAFET直流特性预测方法，基于TCAD建立GAAFET器件模型，对器件电学特性进行仿真分析，得到转移特性曲线并从中提出所需的电学参数值；改变设计条件获取数据集，建立集成深度学习的预测模型；预测模型由三个子模型通过greedy ensemble算法集成得到；利用数据集训练预测模型；得到满足要求的预测模型，利用满足要求的预测模型预测不同参数以及不同工作条件下的GAAFET器件直流特性。本发明结合了随机森林模型、最近邻模型以及深度学习模型，可解决现有GAAFET的直流特性仿真方式耗时长、效率低、受人工因素影响较大等问题中的至少之一。

公开(公告)号：CN115935806A

公开(公告)日：2023-04-07

申请号：CN202211482474.5

申请日：2022-11-24

Applicant: 西安电子科技大学

Inventor： 王树龙 ,  高文泽 ,  赵银峰 ,  张旭艳 ,  李宇航 ,  李嘉睿 ,  杨凌

IPC: G06F30/27 ,  G06F18/214 ,  G06F119/02

Abstract: 本发明为一种基于深度学习的PIN限幅器性能及HPM效应预测方法，利用TCAD仿真软件，首先建立PIN限幅器的数值物理模型，随后基于PIN二极管数值物理模型搭建PIN限幅器HPM效应仿真电路，根据样本集所需的特征设置器件参数、HPM参数并进行瞬态响应仿真，获取样本集特征对应的标签；构建深度学习网络预测模型并进行训练验证，得到满足要求的模型，利用该满足要求的模型对不同参数、工作条件下PIN限幅器性能及HPM效应进行预测，本发明解决了现有获取PIN限幅器限幅性能及HPM效应传统方法中存在的计算量大、耗时长且不收敛等问题，降低了获取限幅器性能的人力成本与时间成本，提高了预测效率与准确率。