技术领域
[0001] 本
发明属于射频集成
电路测试领域，设计一种对矢量网络测试漂移误差自动修复的改进校准方法。
背景技术
[0002] 为了成功完成
微波/毫米波集成电路的设计，实现更高的性能、更高的集成度等，同时减少设计
迭代的次数，需要对各类
半导体器件如有源、无源器件和互连结构等进行精准的测试，在此
基础上开发精确的器件模型，结合相应的电路设计技术，实现射频集成电路的成功设计。此类测试，一般均依托于矢量网络测试系统来进行。
[0003] 矢量网络测试以
矢量网络分析仪(VNA)为主要测试仪器，通过获得实际器件端口面的入射
电磁波和反射电磁波的绝对功率值来评估器件的性能。在测试过程中，由于测试组件、外界环境、以及人为操作的影响，不可避免的会带来测试误差。为了排除测试误差，一般会测试一些标准件，也叫校准件，然后通过测试数据的计算来获得系统的误差参数，这个过程就叫做校准。矢量校准本身的准确度对大信号测试精准数据的获得至关重要。
[0004] 测试误差可以分为两部分：一部分是系统组件的引入导致的系统误差，该部分的误差可以通过现有的矢量校准方法消除；另外一部分通常被称为漂移误差，该部分误差通常由于环境
温度/湿度变化、测试仪器仪表晃动、测试组件连接可重复性差或者激励功率变化等原因引起，普通的矢量校准方法并不能完全消除其对测试系统的影响。
[0005] 漂移误差会造成矢量校准的
质量严重下降，甚至会造成校准结果完全失效。现阶段，尚无一种从实际出发，可操作性强，快速、有效的降低测试漂移误差、提升测试数据准确性的方法。这就造成在实际测试中，只能不断重新进行矢量校准，来减小漂移误差。这样，一方面需要耗费大量时间在系统校准上；另一方面，在针对多个器件进行长时间大批量测试时，测试数据的一致性也难以得到保证。上述问题严重阻碍了集成电路设计的快速迭代和精准设计，急需得到解决。
发明内容
[0006] 本发明的目的是解决
现有技术的不足，提供一种对矢量网络测试漂移误差自动修复的改进校准方法，结构简单，使用方便。
[0007] 一种矢量网络测试装置，所述装置的信息交流网络包括矢量网络分析仪、待测器件、误差网络A、误差网络B以及两个交流电源网络。
[0008] 进一步的，所述误差网络A包括待测器件源端的偏置器、
耦合器、源端调谐器以及器件之间的
连接线；所述误差网络B包括待测器件负载端的偏置器、耦合器、负载端调谐器以及器件之间的连接线；所述矢量网络分析仪采用双反射架构。
[0009] 进一步的，所述装置的校准模型包括被矢量网络分析仪测量到的行波，待测器件在双端口入射的实际行波和反射的实际行波，以及误差网络A和误差网络B所导致的误差项。
[0010] 进一步的，一种利用上述装置的用于大信号测试的矢量校准快速修正方法，包括如下步骤：
[0011] 步骤一：矢量网络分析仪测量行波，基于误差项建立误差模型，并简化误差模型；
[0012] 步骤二：矢量网络测试装置分别测试直通校准件、反射校准件、匹配负载校准件，得到测试数据；
[0013] 步骤三：通过TRM
算法得到误差模型中的误差项；
[0014] 步骤四：在经过一段时间后，重新测量三种校准件，依据测试数据以及误差项，对神经网络进行训练；
[0015] 步骤五：神经网络训练完成后，根据重新测量的直通标准件的测试数据，神经网络预测匹配负载标准件和反射标准件的S参数；重新代入TRM算法，得到新的误差系数；
[0016] 步骤六：根据步骤五得到的新的误差系数修正原始测试数据，根据设定的间隔时间重复步骤五、步骤六。
[0017] 进一步的，所述TRM算法要求被测试的校准件两端口的匹配负载标准件一致，且匹配负载标准件的阻抗值为50欧姆；对于反射标准件的要求是两个端口相同，并且反射系数的模值必须较大，采用开路标准或者
短路标准；直通校准件的S参数的4个标准值全部符合标称值。
[0018] 进一步的，所述简化误差模型为，将e01e10视作一项误差项，e32e23视作一项误差项；k视作一项误差项；简化后的误差模型如下所示：
[0019]
[0020] 其中
[0021]
[0022] 式中a0，b0，a3，b3表示被矢量网络分析仪测量到的行波；e00，e11，e01，e10表示误差网络A产生的误差；e22，e23，e33，e32表示误差网络B导致的误差。
[0023] 进一步的，所述TRM算法中，由匹配负载标准件的测试数据得到：
[0024]
[0025]
[0026] 其中 表示端口1连接匹配负载标准件时的b波； 表示端口1连接匹配负载标准件时的a波； 表示端口2连接匹配负载标准件时的b波；
表示端口2连接匹配负载标准件时的a波。
[0027] 进一步的，所述测试直通校准件得到
[0028]
[0029]
[0030]
[0031]
[0032]
[0033]
[0034] 其中 表示连接直通校准件测得的S参数中的输入反射系数； 表示连接直通校准件测得的S参数中的反向传输系数； 表示连接直通校准件测得的S参数中的正向传输系数； 表示连接直通校准件测得的S参数中的输出反射系数；
表示直通校准件S参数中的反向传输系数的标定值。
[0035] 进一步的，所述测试反射校准件得到
[0036]
[0037]
[0038] 其中ΓM1表示端口1测试反射校准件得到的反射系数；ΓM2表示端口2测试反射校准件得到的反射系数；ΓStd1表示端口1的反射校准件的标定反射系数；ΓStd2表示端口2的反射校准件的标定反射系数。
[0039] 进一步的，所述直通校准件以及反射校准件得到的测试数据联立获得其余的误差项；反射校准件和匹配负载校准件的S参数与直通校准件的S参数存在如下关系：
[0040]
[0041]
[0042] 其中S11open_new表示反射标准件在漂移误差的影响下的测试数据，S11open_o表示反射标准件的初始测试数据；S11match_new表示匹配负载标准件在漂移误差影响下的测试数据，S11match_o表示匹配负载标准件的初始测试数据；F(·)表示直通校准件测试数据漂移误差与开路校准件测试数据漂移误差的函数；G(·)表示直通校准件测试数据漂移误差与短路校准件测试数据漂移误差的函数ΔSthru表示测试中直通校准件S参数的漂移误差,Δt表示距离上一次校准的时间；训练神经网络并通过神经网络训练方法获得F(·)和G(·)的解。
[0043] 采用发明的有益效果是：
[0044] 在本发明中，训练后的神经网络能够根据测试的直通校准件的测试数据，实时修正误差系数，尽可能小的减小漂移误差的影响，避免了反复繁琐的矢量校准。
[0045] 通过引入T矩阵的定义，是的装置中功率波的传输具备级联特性，能够通过关系式直接的进行表达。
[0046] 通过引入k值以及将e01e10和e32e23误差项的乘积看作一个误差项，将8误差系数模型简化为7误差系数模型，简化计算过程。
附图说明
[0047] 图1是矢量测试系统组成图；
[0049] 图3为误差网络信号流图；
[0050] 图4为采用
支撑向量回归网络来预测漂移误差；
[0051] 图5为误差系数的快速修正方法流程框图。
具体实施方式
[0052] 下面将结合附图和具体
实施例对本发明做进一步的说明。
[0053] 实施例1
[0054] 如图1所示，典型矢量网络测试装置包括矢量网络分析仪、RF探针、阻抗调配器、直流电源、功率
放大器、耦合器、直流偏置器。
[0055] 如图2所示，所述典型矢量网络测试装置的信息交流网络包括矢量网络分析仪、待测器件、误差网络A、误差网络B以及两个交流电源。所述误差网络A包括待测器件源端的偏置器、耦合器、源端调谐器以及器件之间的连接线等一系列能够产生漂移误差的连接网络。所述误差网络B包括待测器件负载端的偏置器、耦合器、负载端调谐器以及器件之间的连接线等一系列能够产生漂移误差的连接网络。所述矢量网络分析仪采用双反射架构，矢量网络分析仪的各个测试端口设置有独立的测试信号接收机和参考信号接收机，因此本装置的校准模型包括8个参数。所述8个参数在本实施例中分别为a0、b0、a1、b1、a2、b2、a3、b3。
[0056] 如图3所示，所述8个参数中a0，b0，a3，b3表示被矢量网络分析仪测量到的行波，a1，b1，a2，b2表示待测器件(Device Under Test，DUT)在双端口入射和反射的实际行波。在本实施例中所述误差网络A导致了误差项e00，e11，e01，e10；所述误差网络B导致了e22，e23，e33，e32。校准的过程基于上述误差网络A以及误差网络B所导致的8个误差项进行。基于误差项建立的误差模型如公式1所示：
[0057]
[0058] 如公式(1)所示，由于误差模型中之运用到了e01e10和e32e23，而没有运用到e01、e10、e32、e23中单独的误差项，因此可以将e01e10以及e32e23只视作一项，那么只需要得出公式(1)中的k值。结合k值，将8误差系数的模型缩减为7误差系数的模型，所述7误差分别为e00、e11、e22、e33、e01e10、e32e23以及k。其中k值能够通过公式(2)得出：
[0059]
[0060] 在图3中待测器件的
散射参数为S11、S22、S12、S21；散射参数也被称为S参数。所述S11为输入反射系数，也被称为输入回波损耗；S12为反向传输系数，也被称为隔离；S21为正向传输系数，也被称为增益；S22为输出反射系数，也被称为输出回波损耗。考虑到S参数不具备级联特性，按照输入以及输出功率的关系式重新构建功率波的关系式，并在关系式中引入传输参数的定义，所述传输参数表现为T矩阵。所述关系式表现为：
[0061]
[0062] 通过信号流图的分析方法，将误差网络A以及误差网络B的传输矩阵分别假设为TA、TB，待测器件的传输矩阵假设为TD，误差网络A、误差网络B以及待测器件三个二口网络组成的级联传输矩阵假设为TM。测量网络参数已知的校准标准件，结合计算获得公式(1)中的7个误差项。假设每次测量的校准件的参数为T，获得如下等式：
[0063] TM＝TA·TD·TB (4)
[0064] 其中，
[0065]
[0066]
[0067]
[0068]
[0069] 由等式(4)可以看出，为了求出待测器件的传输矩阵TD，需要求出TM和TD中的7个误差项，分别为e00，e11，e01e10，e22,e33,e23e32,e01e23。对于双端口的校准来说，T矩阵为2X2的矩阵，T矩阵中包含4个参数，那么每次测试结果又可以分解为4个方程。显然，为了解出上述误差模型的7个误差项，至少需要7个方程。至少采用2个测量步骤，就可以获得全部7个误差项，但是由于校准件的S参数可能存在相同的情况，所以在实际测量的过程中一般采用3个及以上测量步骤。
[0070] 为了尽量减小漂移误差的影响，需要每个测量步骤所影响到的误差项独立，同时采用尽量少的测量步骤。本实施例采用测量直通标准件(Thru)、反射标准件(Open)、匹配负载标准件(Match)作为测量步骤，简称TRM算法。所述TRM算法要求被测试的校准件两端口的匹配负载标准件完全一致，且匹配负载标准件的阻抗值为50欧姆；对于反射标准件的要求是两个端口相同，并且反射系数的模值必须较大，一般可以采用开路(Open)标准或者短路(Short)标准，在本实施例中采用开路校准；要求直通校准件的S参数的4个标准值全部符合标称值。
[0071] 测试匹配负载标准件得到：
[0072]
[0073]
[0074] 其中 表示端口1连接匹配负载标准件时的b波； 表示端口1连接匹配负载标准件时的a波； 表示端口2连接匹配负载标准件时的b波；
表示端口2连接匹配负载标准件时的a波。
[0075] 由式(9)(10)得到e00、e33两个误差系数。随后测试直通校准件得到：
[0076]
[0077]
[0078]
[0079]
[0080]
[0081]
[0082] 其中 表示连接直通校准件测得的S参数中的输入反射系数； 表示连接直通校准件测得的S参数中的反向传输系数； 表示连接直通校准件测得的S参数中的正向传输系数； 表示连接直通校准件测得的S参数中的输出反射系数。
表示直通校准件S参数中的反向传输系数的标定值。
[0083] 测试反射校准件得到：
[0084]
[0085]
[0086] 其中ΓM1表示端口1测试反射校准件得到的反射系数；ΓM2表示端口2测试反射校准件得到的反射系数；ΓStd1表示端口1的反射校准件的标定反射系数；ΓStd2表示端口2的反射校准件的标定反射系数。联立式(15)～(18)求出e11以及e22两个误差系数，将求得的误差项e11以及e22带入式(12)～(16)求出e01e10，e23e01以及e23e32三个项。
[0087]
[0088]
[0089] 由于漂移误差的值的大小比较随机，难以进行直接的预测，但是可以肯定的是漂移误差是存在的。漂移误差的存在，会对直通校准件、反射校准件以及匹配负载校准件的S参数测试数据造成同样的影响。因此，反射校准件和匹配负载校准件的S参数测试数据与直通校准件的S参数测试数据具有如下关系。
[0090]
[0091]
[0092] 在上述式(21)、(22)中S11open_new表示反射标准件在漂移误差的影响下的测试数据，S11open_o表示反射标准件的初始测试数据。S11match_new表示匹配负载标准件在漂移误差影响下的测试数据，S11match_o表示匹配负载标准件的初始测试数据。F(·)表示直通校准件测试数据漂移误差与开路校准件测试数据漂移误差的函数；G(·)表示直通校准件测试数据漂移误差与短路校准件测试数据漂移误差的函数。ΔSthru表示测试中直通校准件S参数的漂移误差,Δt表示距离上一次校准的时间。
[0093] 如图4所示，采用神经网络训练的方法获得F(·)和G(·)的解。分别选择Δt为3分钟、5分钟、7分钟、11分钟、13分钟、17分钟和19分钟时的S参数测试数据作为训练集，获得包含F(·)和G(·)信息的神经网络。由于校准数据为复数，需将测试数据的
实部和
虚部分开作为神经网络的输入端，其中“Real”表示实部，“Image”表示虚部。针对开路以及匹配负载校准件的测试数据的预测，需要用包含15个
节点的支撑向量回归来进行预测。
[0094] 如图5所示，神经网络训练完成后，间隔设定的时间重新测量直通校准件，通过神经网络预测处反射校准件以及匹配负载校准件的S参数。将直通校准件、反射校准件以及匹配负载校准件的S参数带入上述式(9)～(22)，能够得到一组新的误差参数。将新的误差参数替代原有的误差参数，并对原始测试数据进行修正，能够实时减小漂移误差对待测器件的测试数据的影响。所述误差校准快速修正方法包括如下步骤：
[0095] 步骤一：矢量网络分析仪测量行波，基于误差项建立误差模型，并简化误差模型；
[0096] 步骤二：矢量网络测试装置分别测试直通校准件、反射校准件、匹配负载校准件，得到测试数据；
[0097] 步骤三：通过TRM算法得到误差模型中的误差项；
[0098] 步骤四：在经过一段时间后，重新测量三种校准件，依据测试数据以及误差项，对神经网络进行训练；
[0099] 步骤五：神经网络训练完成后，根据重新测量的直通标准件的测试数据，神经网络预测匹配负载标准件和反射标准件的S参数；重新代入TRM算法，得到新的误差系数；
[0100] 步骤六：根据步骤五得到的新的误差系数修正原始测试数据，根据设定的间隔时间重复步骤五、步骤六。
[0101] 以上所述，只是发明的具体实施例，并非对本发明做出任何形式上的限制，在不脱离本发明的技术方案基础上，所做出的简单
修改、等同变化或修饰，均落入本发明的保护范围。
