本發明涉及集成電路設計的，特別涉及一種基于神經網絡擬合晶體振蕩器電路參數的方法及系統。

背景技術：

1、晶體振蕩器是一種利用石英晶體的壓電效應來產生穩定頻率的電子振蕩器，其高頻率穩定性、低相位噪聲和小型化的特性使其成為現代電子設備中不可或缺的組件。隨著集成電路器件頻率的增加，寄生噪聲的影響越來越嚴重，在超過200mhz后，通常的儀器已經無法準確的測出晶體振蕩器內部關鍵參數的大小，而晶體振蕩器內部的關鍵參數對振蕩器電路的設計具有重要的指導作用，目前尚沒有一種有效的方法可以擬合晶體振蕩器電路。

技術實現思路

1、本發明的目的在于改善現有技術中所存在的無法準確的測出晶體振蕩器內部關鍵參數的大小的問題，提供一種基于神經網絡擬合晶體振蕩器電路參數的方法及系統。

2、為了實現上述發明目的，本發明實施例提供了以下技術方案：

3、一種基于神經網絡擬合晶體振蕩器電路參數的方法，具體包括：

4、s1，通過測試獲得目標晶體振蕩器電路的頻率阻抗曲線；

5、s2，基于所述頻率阻抗曲線進行預處理得到包含多組測試頻率與電路阻抗值的訓練數據集；

6、s3，所述目標晶體振蕩器電路中包括多個元件，根據多個元件之間組成的電路結構，構建一神經網絡模型用以擬合所述目標晶體振蕩器電路中的元件參數；

7、s4，將所述訓練數據集中的測試頻率作為輸入，電路阻抗值作為真實標簽，將所述訓練數據集分批次輸入所述神經網絡模型輸出預測阻抗值；

8、s5，構建損失函數對所述神經網絡模型進行訓練；所述神經網絡模型的訓練過程即是所述目標晶體振蕩器電路中的元件參數的擬合過程；

9、s6，在所述神經網絡模型訓練完成后，獲得擬合好的目標晶體振蕩器電路中的元件參數。

10、進一步的，所述s2包括：

11、將所述頻率阻抗曲線進行高斯平滑濾波，濾出高頻噪聲，從而得到平滑的頻率阻抗曲線；

12、基于所述平滑的頻率阻抗曲線提取其中的測試頻率與電路阻抗值，構建訓練數據集。

13、進一步的，所述目標晶體振蕩器電路包括至少一個晶體振蕩器、以及電阻元件、電容元件、電感元件中的一個或多個元件；所述s3包括：

14、將所述目標晶體振蕩器電路中包含的多個元件的元件參數作為所述神經網絡模型中多個神經元的可訓練參數；

15、將所述神經元的可訓練參數即元件參數作為變量引入激活函數，獲得每一個神經元輸出的元件阻抗值函數表示；

16、將所述多個元件之間組成的電路結構作為神經元之間的連接關系，確定所述神經網絡模型的前向計算過程。

17、進一步的，所述神經網絡模型中所述激活函數的表達式為：

18、

19、其中，vi表示第i個元件的元件參數，即第i個神經元的可訓練參數，其分布滿足均值為0、標準差為1的高斯函數，max_vi和min_vi為元件參數的取值范圍。

20、進一步的，所述s4包括：

21、將所述訓練數據集中的測試頻率作為輸入，電路阻抗值作為真實標簽，將所述訓練數據集分批次輸入所述神經網絡模型；

22、將所述目標晶體振蕩器電路中各個元件組成電路的串聯和/或并聯的計算關系，確定為所述神經網絡模型的前向計算過程；

23、根據每一個神經元輸出的元件阻抗值函數表示確定所述神經網絡模型輸出的預測阻抗值。

24、進一步的，所述s5包括：

25、基于所述神經網絡模型輸出的預測阻抗值以及作為真實標簽的電路阻抗值，構建損失函數；

26、構建所述損失函數的公式為：

27、σ＝mean{(relabel(s)-repred(s))2+(imlabel(s)-impred(s))2}，

28、其中，relabel(s)和imlabel(s)表示頻率s對應的目標晶體振蕩器電路對應電路阻抗值的實部和虛部，repred(s)和impred(s)表示基于神經網絡模型輸出的頻率s對應的預測阻抗值的實部和虛部；

29、根據損失函數獲得的所述神經網絡模型的預測誤差，在所述預測誤差大于閾值的情況下，所述利用優化算法對所述神經網絡模型中每一個神經元的可訓練參數進行更新優化，所述神經元的可訓練參數的優化過程即是所述目標晶體振蕩器電路中的元件參數的擬合過程。

30、另一方面，本發明實施例中還提供一種基于神經網絡擬合晶體振蕩器電路參數的系統，具體包括：

31、數據處理模塊，用于通過測試獲得晶體振蕩器電路的頻率阻抗曲線基于所述頻率阻抗曲線進行預處理得到包含多組測試頻率與電路阻抗值的訓練數據集；

32、模型建立模塊，用于所述目標晶體振蕩器電路中包括多個元件，根據多個元件之間組成的電路結構，構建一神經網絡模型用以擬合所述目標晶體振蕩器電路中的元件參數；

33、模型優化模塊，用于將所述訓練數據集中的測試頻率作為輸入，電路阻抗值作為真實標簽，將所述訓練數據集分批次輸入所述神經網絡模型輸出預測阻抗值；構建損失函數對所述神經網絡模型進行訓練；所述神經網絡模型的訓練過程即是所述目標晶體振蕩器電路中的元件參數的擬合過程；

34、參數獲取模塊，用于在所述神經網絡模型訓練完成后，獲得擬合好的目標晶體振蕩器電路中的元件參數。

35、再一方面，本發明實施例同時提供了一種包括計算機可讀指令的計算機可讀存儲介質，所述計算機可讀指令在被執行時使處理器執行本發明實施例中所述方法中的操作。

36、再一方面，本發明實施例同時提供了一種電子設備，包括：存儲器，存儲程序指令；處理器，與所述存儲器相連接，執行存儲器中的程序指令，實現本發明實施例中所述方法中的步驟。

37、與現有技術相比，本發明方法及系統實現的有益效果包括：利用神經網路算法優異的計算功能，對晶體振蕩器電路的擬合轉變為對神經網絡的訓練，應用神經網絡算法可以對晶體振蕩器電路進行擬合，通過訓練神經網絡模型中神經元的權重來擬合電路內的元件參數，在較小的誤差范圍內得到了晶體振蕩器內部關鍵的元件參數。

技術特征：

1.一種基于神經網絡擬合晶體振蕩器電路參數的方法，其特征在于，包括：

2.根據權利要求1所述的一種基于神經網絡算法擬合晶體振蕩器電路的方法，其特征在于，所述s2包括：

3.根據權利要求1所述的一種基于神經網絡算法擬合晶體振蕩器電路的方法，其特征在于，所述目標晶體振蕩器電路包括至少一個晶體振蕩器、以及電阻元件、電容元件、電感元件中的一個或多個元件；所述s3包括：

4.根據權利要求3所述的一種基于神經網絡算法擬合晶體振蕩器電路的方法，其特征在于，所述神經網絡模型中所述激活函數的表達式為：

5.根據權利要求4所述的一種基于神經網絡算法擬合晶體振蕩器電路的方法，其特征在于，所述s4包括：

6.根據權利要求1所述的一種基于神經網絡算法擬合晶體振蕩器電路的方法，其特征在于，所述s5包括：

7.一種基于神經網絡擬合晶體振蕩器電路參數的系統，其特征在于，用于實現1-6任一權利要求所述的一種基于神經網絡算法擬合晶體振蕩器電路的方法，包括：

8.一種包括計算機可讀指令的計算機可讀存儲介質，其特征在于，所述計算機可讀指令在被執行時使處理器執行權利要求1-6任一所述方法中的操作。

9.一種電子設備，其特征在于，所述的設備包括：

技術總結
本發明涉及一種基于神經網絡擬合晶體振蕩器電路參數的方法，通過測試獲得目標晶體振蕩器電路的頻率阻抗曲線，并構建訓練數據集；基于目標晶體振蕩器電路中多個元件之間組成的電路結構，構建一個神經網絡模型用以擬合所述目標晶體振蕩器電路中的元件參數；將所述訓練數據集中的測試頻率作為輸入，電路阻抗值作為真實標簽，將所述訓練數據集分批次輸入所述神經網絡模型輸出預測阻抗值；構建損失函數對所述神經網絡模型進行訓練；在所述神經網絡模型訓練完成后，獲得擬合好的目標晶體振蕩器電路中的元件參數。本發明方法應用神經網絡算法通過對神經元參數的更新可以對晶體振蕩器電路進行擬合，在較小的誤差范圍內得到了晶體振蕩器內部的元件參數。

技術研發人員：王俊杰,劉爽
受保護的技術使用者：能芯（常州）電子科技有限公司
技術研發日：
技術公布日：2025/4/24