Einleitung

HF- und Mikrowellentechniker setzen bei der Beschreibung, wie ein lineares Netzwerk Signale an seinen Ports sendet und reflektiert, auf Streuparameter (S-Parameter). Diese Frequenzbereichsgrößen sind für die Gestaltung von Verstärkern, Filtern, Antennen und Leiterbahnen unerlässlich und werden routinemäßig mit Vektornetzwerkanalysatoren (VNAs) gemessen. In vielen praktischen Situationen treten die Rohmessdaten jedoch zuerst als Spannungs- oder Feldproben im Zeitbereich auf - entweder weil ein Zeitbereichsinstrument (z. B. ein Abtastoszilloskop) verwendet wurde, oder weil das transiente Verhalten des Geräts die Hauptgröße ist.

Klassische Techniken, die auf der direkten Fourier-Transformation basieren, sind einfach zu implementieren, leiden jedoch unter spektralen Leckagen, endlichen Verkürzungseffekten und Störempfindlichkeit. In den letzten zwei Jahrzehnten sind robustere Methoden entstanden, die das System direkt im Zeitbereich modellieren, fortschrittliche Entfaltung einsetzen oder moderne Systemidentifikations- und Machine-Learning-Strategien verwenden. Dieser Artikel untersucht die Theorie, die praktischen Implementierungen und Fallstricke dieser fortschrittlichen Techniken und bietet eine Roadmap für Ingenieure, die hochpräzise S-Parameter aus transienten Messungen erhalten müssen. Die Beherrschung dieser Methoden wird zunehmend kritisch, da digitale Kommunikationsstandards in Millimeterwellenfrequenzen vordringen und integrierte Schaltungen präzise Breitbandmodelle erfordern.

Grundlagen: Von Time-Domain zu S-Parametern

Ein lineares zeitinvariantes N-Port-Netzwerk ist vollständig durch seine Streumatrix ]S(f) gekennzeichnet, wobei jedes Element Sij(f) das komplexe Verhältnis der ausgehenden Welle am Port i zur einfallenden Welle am Port j ist, wobei alle anderen Ports in übereinstimmenden Lasten enden. Der Frequenzgang Sijij(t) und die entsprechende Impulsantwort hij(t) bilden ein Fourier-Transformationspaar. Grundsätzlich wird durch die Messung von hij(t) durch eine pulsartige Anregung und anschließende Anwendung einer inversen Fouriertransformation Sij(f) erreicht.

Die Zeitbereichsreflektometrie (TDR) verwendet typischerweise ein schnelles Schritt- oder Impulssignal und zeichnet die reflektierte Wellenform eines zu testenden Geräts (DUT) auf. Die Zeitbereichsübertragung (TDT) erfasst das übertragene Signal. In beiden Fällen ist die gemessene Wellenform die Faltung des Reizes, die DUT-Impulsantwort und die parasitäre Antwort des Systems. Die zentrale Herausforderung ist die De-Embedding des Beitrags des DUT. Die richtige Extraktion erfordert die Handhabung der Auswirkungen nicht idealer Quellen, Kabel, Sonden und Digitizerbandbreite. Das Ziel jedes Extraktionsverfahrens ist es, diese Faltung so genau wie möglich zu invertieren, während Rauschen unterdrückt und die physikalischen Einschränkungen der Kausalität und Passivität erhalten bleiben.

Herausforderungen bei der konventionellen Time-to-Frequency-Konvertierung

Ein typischer Workflow digitalisiert die Zeitbereichswellenform, isoliert den interessierenden Anteil mit einem Zeittor, wendet eine Fensterfunktion an und berechnet dann die diskrete Fouriertransformation (DFT).

  • Spektralleckage: Selbst bei einer Fensterfunktion kann sich Energie aus einer starken Spektralkomponente in benachbarte Bins ausbreiten und Details der niedrigen S-Parameter verfälschen. Dies ist besonders problematisch, wenn Messungen mit hohem Dynamikbereich erforderlich sind, wie z. B. für die Filterstoppbandcharakterisierung.
  • Aliasing of time-domain echoes: Wenn die Rekordlänge zu kurz ist, um alle Mehrfachreflexionen zu erfassen, stellt die Transformation eine unvollständige Systemantwort dar. Für lange verlustbehaftete Übertragungsleitungen können Echos für Dutzende Nanosekunden bestehen bleiben und erfordern ein sorgfältiges Gating.
  • Rauschverstärkung: Die transformatorbasierte Extraktion neigt dazu, breitbandiges Messrauschen über das gesamte Frequenzband zu verteilen, wodurch der effektive Dynamikbereich reduziert wird.
  • Phasenfehler aus Fehlausrichtung: Eine Zeitverschiebung unter Stichproben zwischen den einfallenden und reflektierten Wellenformen führt eine lineare Phasenrampe im Frequenzbereich ein, die ohne genaues Auslösen oder fortgeschrittene Interpolation schwer zu kompensieren ist.
  • Bandbreitenverkürzung: Die effektive Bandbreite einer Zeitbereichsmessung ist durch die Anstiegszeit oder Pulsbreite des Reizes und die Abtastrate begrenzt. Jeder Frequenzgehalt oberhalb der Nyquistfrequenz wird aliasiert, was S-Parameter-Schätzungen am oberen Rand des nutzbaren Bandes verzerrt. Überabtastung und analoge Anti-Aliasing-Filter können dies mildern, aber nicht vollständig eliminieren.
  • Nicht-ideale Terminierungen: In einer realen Messung beträgt die Referenzimpedanz selten genau 50 Ω über die gesamte Bandbreite, was zu systematischen Fehlern in den extrahierten S‐Parametern führt, wenn sie nicht korrigiert werden. Selbst qualitativ hochwertige Terminierungen weisen eine frequenzabhängige Fehlanpassung auf, die herauskalibriert werden muss.

Diese Einschränkungen haben die Entwicklung fortschrittlicher parametrischer und nichtparametrischer Techniken motiviert, die die direkte DFT-basierte Extraktion umgehen, indem sie physikalische Einschränkungen in den Schätzprozess einbetten. Viele dieser Methoden behandeln die Extraktion als Systemidentifikationsproblem, das die Inversion natürlich reguliert.

Erweiterte Zeitbereichsmodellierung für die S-Parameter-Extraktion

Anstatt die Messdaten als eine Abfolge unabhängiger Proben zu behandeln, passen fortschrittliche Methoden die Daten an ein physikalisch motiviertes Modell an, dessen Parameter sich direkt auf die S‐Matrix beziehen. Die Modellierung kann im Zeitbereich durchgeführt werden, und die S‐Parameter werden durch die Bewertung der rationalen Übertragungsfunktion des Modells bei den interessierenden Frequenzen erhalten. Dieser Ansatz filtert inhärent Rauschen und kann a priori Wissen über das Gerät (z. B. Kausalität, Passivität, Anzahl der Ports) einfließen. Die folgenden Unterabschnitte beschreiben die am häufigsten verwendeten Techniken in Industrie und Wissenschaft.

Time-Domain System Identifikation und State-Space Realisations

Die Systemidentifikation erstellt ein Zustandsraum- oder Transferfunktionsmodell, das das gemessene Input-Output-Verhalten wiedergibt.

ẋ(t) = A x(t) + B u(t), y(t) = C x(t) + D u(t)

Die Matrizen A, B, C, D können aus einer Reihe von gemessenen Schritt- oder Impulsantworten mit Unterraumalgorithmen wie N4SID oder MOESP geschätzt werden. Diese Methoden sind robust gegenüber Rauschen und erfordern wenig Benutzereingaben über die Zustandsordnung hinaus. Sobald die Matrizen bestimmt sind, sind die Streuparameter in der Laplace-Domäne:

S](s) = D + C (sI – A)-1 B

Dieses parametrische Modell erzwingt Stabilität (Eigenwerte von A in der linken Halbebene) und kann leicht in eine rationale Funktion für die Auswertung bei beliebigen Frequenzen umgewandelt werden. Ingenieure von Keysight haben gezeigt, dass die Subraumidentifikation auf TDR/TDT-Daten S-Parameter ergeben kann, die mit VNA-Messungen innerhalb weniger Hundertstel eines Dezibels über eine breite Bandbreite übereinstimmen. Die größte praktische Herausforderung besteht darin, eine geeignete Zustandsordnung auszuwählen; eine zu niedrige Ordnung passt unter, während eine zu hohe Ordnung Rauschen erfassen kann. Die Kreuzvalidierung mit einem separaten Validierungsdatensatz hilft, die optimale Ordnung zu bestimmen.

Rational Function Fitting mit Vektor Fitting (VF)

Der Vector Fitting Algorithmus, der ursprünglich von Gustavsen und Semlyen beschrieben wurde, ist zu einem Arbeitspferd in der elektromagnetischen Modellierung geworden. VF gewichtet ein Polverlagerungsverfahren iterativ neu, um eine Summe von Teilfraktionen an Frequenzdomänendaten anzupassen. Wenn nur Zeitdomänenantworten verfügbar sind, konvertiert ein Zwischenschritt zuerst die transienten Daten in eine grobe Frequenzdomänenschätzung (unter Verwendung einer schnellen Fourier-Transformation mit minimaler Fensterung) und verfeinert dann das rationale Modell durch VF. Das endgültige Modell kann ausgewertet werden, um rauschgereinigte S-Parameter zu erhalten. Alternativ passt eine Zeitdomänenversion von VF (TD-VF) direkt zu Impuls- oder Schrittantworten, wodurch die Notwendigkeit einer Fourier-Vorverarbeitung entfällt. TD-VF hat gezeigt, dass es dispersive, multi-leitende Strukturen handhabt und ist dokumentiert in IEEE Transactions on Microwave Theory and Techniques. Das resultierende rationale Modell ist kompakt, kausal und passiv, wenn geeignete Einschränkungen

Prony Analyse und Matrix Pencil Methoden

Diese hochauflösenden spektralen Schätztechniken modellieren eine Impulsreaktionswellenform als Summe komplexer Exponentiale:

h(t) = Σk=1M Rk eskt

Die Methode von Prony löst ein lineares Vorhersageproblem, um die Pole sk und die Reste Rk zu extrahieren. Der Matrix-Bleistift-Algorithmus verbessert die Stabilität durch Ausnutzung einer Bleistift-von-Matrix-Struktur. Beide Methoden sind besonders effektiv, wenn nur wenige dominante Resonanzen erfasst werden müssen - beispielsweise bei der Antennencharakterisierung oder Paketmodellierung. Sobald die Pole und Reste geschätzt werden, wird der S‐Parameter bei der Frequenz f durch die Auswertung der Laplace-Transformation der angepassten Wellenform erhalten, wobei im Wesentlichen ein rationales Modell direkt aus den Zeitdaten erzeugt wird. Eine praktische Implementierungsrichtlinie findet sich in MATLABs Signal Processing Toolbox Diese Methoden werden oft mit Time Gating kombiniert, um spezifische Reflexionen zu isolieren, aber die Auswahl der Modellreihenfolge (M) erfordert eine sorgfältige Kreuzvalidierung, um eine Überanpassung zu vermeiden. Die Matrix-Bleistift-Methode wird im Allgemeinen für verrauschte Daten bevorzugt

Vergleich der Extraktionsmethoden

Die Wahl zwischen diesen drei parametrischen Ansätzen hängt von der Anwendung ab. Die Zustandsraumidentifikation eignet sich gut für Multiport-Geräte, bei denen ein kompaktes Modell für die Schaltungssimulation benötigt wird. Die Vektoranpassung bietet die größte Flexibilität bei der Handhabung beliebiger Frequenzantworten und wird in kommerziellen EM-Simulationswerkzeugen weit verbreitet. Prony- und Matrix-Bleistift-Methoden sind für kleine Modellaufträge schneller und zeichnen sich durch eine optimale Genauigkeit aus. Für die beste Genauigkeit kann ein hybrider Ansatz verwendet werden: Anwendung der Unterraumidentifikation oder Vektoranpassung, um ein rationales Modell zu erhalten, und dann Verwendung von Matrix-Bleistift, um die Pole kritischer Resonanzen zu verfeinern. Die folgende Tabelle fasst die wichtigsten Merkmale zusammen:

  • State‐Space (N4SID/MOESP): Robust gegenüber Rauschen, verarbeitet mehrere Ein-/Ausgänge, erfordert eine benutzerdefinierte Reihenfolge.
  • Vector Fitting: Iterative Polverfeinerung, gut für breite Frequenzbereiche, kann Passivität erzwingen.
  • Prony/Matrix Pencil: Direct time-domain fit, am besten für wenige Pole, empfindlich auf die Auftragsauswahl.

Deconvolution und Kalibriertechniken

Zeitbereichsmessungen sind selten ideal; sie umfassen die Impulsantwort des Reizgenerators, Kabel, Sonden und des Samplers. Deconvolution entfernt diese systematischen Verzerrungen und lässt die DUT-Antwort übrig, aus der S-Parameter sauberer extrahiert werden können. Die Kalibrierung berücksichtigt ferner bekannte Standards, um systematische Fehler wie Impedanzfehlanpassungen und frequenzabhängige Verluste zu korrigieren.

Regularisiertes Inverse Filtering und Wiener Deconvolution

Bei einer gemessenen Ausgabe y(t) = hsys(t) ∗ x(t) + n(t), wobei hsys(t) den DUT und die Antwort des Systems enthält, besteht das Ziel darin, den DUT-Impuls hDUT(t) zurückzugewinnen. Wenn eine Referenzmessung des Systems ohne den DUT verfügbar ist, minimiert ein Wiener-Filter den Fehler im Mittelquadrat bei Vorhandensein von Rauschen. Das Filter im Frequenzbereich ist:

HWiener(f) = Href*(f) / (|Href(f)|2 + α)

wobei α ein rauschabhängiger Regularisierungsparameter ist. Nach der Dekonvolvierung kann die DUT-Antwort Fourier-transformiert werden, um S-Parameter mit deutlich reduzierter Welligkeit und erhöhter Bandbreite zu erhalten. Eine sorgfältige Behandlung der Regularisierung verhindert das Rauschen bei Frequenzen, bei denen die Systemübertragungsfunktion tiefe Nullen hat. Fortgeschrittene Ansätze verwenden die Tikhonov-Regulierung oder die Totalvariation-Entrausung, um scharfe zeitliche Merkmale zu erhalten und gleichzeitig hochfrequentes Rauschen zu unterdrücken. Die Wahl von α wird oft vom L-Kurvenkriterium geleitet, das die Restnorm und die Lösungsnorm ausgleicht. In der Praxis wird die Referenzwellenform durch eine Durchgangsleitung oder einen bekannten Standard erhalten, und mehrere Mittelwerte verbessern das Signal-Rausch-Verhältnis.

Kalibrierung mit bekannten Standards

So wie ein VNA mit SOLT- (Short-Open-Load-Thru)- oder TRL-Standards kalibriert wird, kann ein Zeitbereichsmessaufbau durch Messung von drei oder mehr bekannten Reflexionsstandards kalibriert werden. Die Fehlerbox-Koeffizienten werden durch Anwendung einer Zeitbereichsversion des 12-Term-Fehlermodells gelöst. Die kalibrierte DUT-Antwort liefert dann genaue S-Parameter. Die kalibrierte DUT-Antwort liefert dann genaue S-Parameter. Die detaillierte Prozedur für die TDR-basierte SOLT-Kalibrierung ist in den Anwendungsnotizen von Rohde & Schwarz vorgesehen. Diese Kalibrierung entfernt Port-Missmatches, Verlust und Dispersion, wodurch der nutzbare Frequenzbereich über das hinausgeht, was rohe TDR-Daten erlauben würden. In der Praxis müssen die Kalibrierstandards bis zur höchsten interessierenden Häufigkeit charakterisiert werden und die Zeitbereichs-Referenzebene muss genau lokalisiert werden. Für differentielle Strukturen kann ein ähnliches Verfahren mit gemischten S-Para

Machine Learning und datengetriebene Ansätze

Neuronale Netze können die Abbildung von Zeitbereichswellenformen zu S-Parametern direkt aus Trainingsdaten lernen. Ein vollständig verbundenes oder konvolutionales Netzwerk kann an Millionen simulierter Paare von (Wellenform, S-Matrix) trainiert werden, wonach Rückschlüsse auf Messdaten nahezu sofort erfolgen. Ein solcher Ansatz ist besonders attraktiv für Produktionstests, bei denen die gleiche DUT-Familie wiederholt gemessen wird. Das Netzwerk lernt implizit, De-Embedding, Rauschreduktion und Interpolation durchzuführen, obwohl eine sorgfältige Regularisierung erforderlich ist, um die physikalische Konsistenz (Kausalität, Passivität) zu erhalten. Physikisch informierte neuronale Netze, die die Kramers-Kronig-Relationen als Verlustterm enthalten, haben eine verbesserte Leistung bei Extrapolation und verrauschten Daten gezeigt. Hybride Methoden, die ein parametrisches Modell (z. B. Vektoranpassung) mit einem neuronalen Netzwerk kombinieren Parameterschätzung tauchen ebenfalls auf. Diese datengesteuerten Techniken sind zwar noch nicht in der Labormetrologie etabliert, aber diese datengesteuerten Techniken gewinnen schnell an Zugkraft für eine hochvolumige Charakterisierung, bei der Geschwindigkeit priorisiert wird. Eine aktuelle

Praktische Umsetzung und Signalverarbeitungsüberlegungen

Messaufbau und Datenerfassung

Hochwertige Extraktion beginnt mit einem sauberen Zeitbereichs-Datensatz. Verwenden Sie einen Reiz mit einer schnellen Anstiegszeit (z. B. 20 ps für Bandbreiten bis zu 20 GHz) oder einen Pikosekunden-Impuls, der die gewünschte Bandbreite abdeckt. Die Abtastrate sollte mindestens das 2,5-fache der maximalen Frequenz von Interesse sein, und die Datenlänge muss alle signifikanten Mehrfachreflexionen erfassen. Die Mittelung mehrerer Aufnahmen reduziert das unkorrelierte Rauschen; 16 bis 64 Durchschnittswerte sind üblich. Differenzmessungen können Gleichtaktstörungen unterdrücken und die Signalintegrität verbessern. Es ist auch wichtig, sicherzustellen, dass sich das DUT während der gesamten Aufnahme in einem konsistenten Zustand befindet (z. B. Bias-Bedingungen für aktive Geräte).

Time Gating und Edge‐Alignment

Vor der Anwendung eines Extraktionsalgorithmus wird häufig ein Zeittor verwendet, um die Antwort des DUT von Verbindungsdiskontinuitäten und Fixture-Reflexionen zu isolieren. Aggressives Gating führt jedoch eigene Gibbs-Phänomen-Artefakte ein. Fortgeschrittene Techniken ersetzen das harte Gating durch ein glattes, einstellbares Fenster (z. B. Kaiser-Bessel) oder verwenden iterative Regewichtungsschemata, die gleichzeitig die Gateform und die zugrunde liegenden S-Parameter schätzen. Die Ausrichtung der einfallenden und reflektierten Kanten unter Pikosekunden kann durch Kreuzkorrelation oder durch Schätzung der Zeitverzögerung als Parameter innerhalb der Modellanpassung erreicht werden. Eine Fehlausrichtung von nur wenigen Pikosekunden kann bei Millimeterwellenfrequenzen zu erheblichen Phasenfehlern führen. Für lange Sequenzen können fraktionierte Verzögerungsfilter die Wellenformen auf einen kleinen Bruchteil des Abtastintervalls ausrichten.

Model Order Selection und Over-Fitting

Parametrische Methoden erfordern die Auswahl einer Modellreihenfolge (Anzahl der Pole). Zu niedrig ist die Reihenfolge der Daten; zu hoch ist die Reihenfolge der Überreihen, die das Rauschen statt des wahren DUT-Verhaltens erfasst. Informationstheoretische Kriterien (AIC, MDL) oder Cross-Validation bei mehreren Akquisitionen können die Auswahl leiten. Vector Fitting-Implementierungen beinhalten oft einen automatischen Schritt zur Auftragsreduzierung, der Pole mit vernachlässigbaren Rückständen entfernt und das Modell vereinfacht, ohne die Genauigkeit zu beeinträchtigen. Bei Prony-Methoden kann die Singularwert-Dekomposition der Datenmatrix den effektiven Rang und damit die optimale Anzahl von Exponentialen anzeigen. Ein praktischer Ansatz besteht darin, mit einer konservativ hohen Ordnung zu beginnen und dann die Modellreduktion anzuwenden, während der Frequenzbereichsfehler überwacht wird.

Validierung und Fehleranalyse

Keine Extraktionstechnik ist vollständig, ohne ihre Unsicherheit zu quantifizieren. Vergleichen Sie die extrahierten S‐Parameter mit einer Referenz-VNA-Messung des gleichen DUT, wobei Sie auf Größe, Phase und Gruppenverzögerung achten. Die Fehlervektorgröße (EVM) liefert eine einzige Metrik. Für entscheidende Parameter wie S11 in der Nähe der Resonanz wird oft ein Fehler von 0,1 dB oder 1° angestrebt. Monte‐Carlo-Simulationen, die die Rohwellenform innerhalb ihres Rauschpegels stören, geben ein Konfidenzintervall für die extrahierten S‐Parameter. Darüber hinaus ist zu überprüfen, ob das endgültige Modell grundlegende Einschränkungen erfüllt: S‐Matrizen müssen kausal (Kramers‐Kronig) und passiv (Eigenwerte von SHS ≤ 1 sein. Die Durchsetzung dieser Eigenschaften, beispielsweise durch einen Nachverarbeitungsschritt, stärkt das Vertrauen in die extrahierten Daten für nachfolgende Schaltungssimulationen. Ein praktisches Validierungsskript könnte die Passivitätsverletzung berechnen und das Modell geringfügig anpassen, um sie durchzusetzen. Für eine

Case Study: Extraktion von S‐Parametern eines High‐Speed-Connectors

Betrachten wir einen 40 Gb/s Board-Edge-Steckverbinder, der mit einem 35-ps Anstiegszeit-TDR-Modul und einem 20-GHz-Probenahmeoszilloskop gemessen wird. Eine traditionelle FT-basierte Extraktion ergibt S11, der durch spektrale Leckagen um ±1,5 dB über 15 GHz oszilliert. Die Anwendung eines Zeitbereichs-Vektor-Filttings (TD‐VF) mit einem 18-Pol-Modell reduziert die Oszillation auf ±0,2 dB und passt die Referenz-VNA-Daten bis zu 25 GHz an. Das gleiche Modell prognostiziert genau den differentiellen Einfügeverlust, so dass der Signal-Integritäts-Ingenieur den Stecker aus Kanalsimulationen mit Vertrauen entbetten kann. Dieser Workflow wurde über mehrere Steckerfamilien hinweg validiert und wird in internen Design-Reviews dokumentiert, die auf die TD‐VF-Methode verweisen.

Zukünftige Richtungen

Aufkommende Ultrabreitband-Anwendungen (110 GHz und darüber hinaus) stoßen an die Grenzen von Zeitbereichsinstrumenten und Extraktionsalgorithmen. Photonisch unterstützte Abtastung und elektrooptische Techniken erzeugen Zeitbereichsdatensätze mit Pikosekundenauflösung, aber der Messrauschenboden ist höher als der eines VNA. Hybride Extraktionsstrategien, die einige wenige spärliche VNA-Punkte mit hochauflösenden TDR-Daten verschmelzen. Hybride Extraktionsstrategien, die einige wenige spärliche VNA-Punkte mit hochauflösenden TDR-Daten verschmelzen, werden erforscht. Darüber hinaus macht die zunehmende Verfügbarkeit von GPU-beschleunigtem Computing eine parametrische Echtzeitextraktion für Produktionslinientests möglich. Mit zunehmender künstlicher Intelligenz können wir erwarten, dass Netzwerke nicht nur S-Parameter extrahieren, sondern auch Fixture-Fehler diagnostizieren und eine Rekalibrierung empfehlen. Eine weitere vielversprechende Richtung ist die Verwendung von komprimiertem Sensoring, um die Anzahl der erforderlichen Zeitproben zu reduzieren und schnellere Messungen zu ermöglichen, ohne die Bandbreite zu beeinträchtigen. Schließlich könnte die Integration dieser Extraktionsmethoden direkt in die Os

Schlussfolgerung

Präzise S-Parameter aus Zeitbereichsmessungen zu erhalten, ist eine Herausforderung, die Signalverarbeitung, Mikrowellentheorie und Computermodellierung umfasst. Während die einfache Zeit-zu-Frequenz-Transformation ein nützlicher erster Durchgang bleibt, ist sie oft für moderne hochfrequente, rauscharme Anforderungen unzureichend. Fortgeschrittene Techniken - von der Identifizierung von Unterräumen und Vektoranpassung bis hin zu Matrix-Bleistift und lernbasierten Mappern - überwinden die traditionellen Einschränkungen durch direkte Modellierung der zugrunde liegenden Physik und durch die Einführung robuster Dekonvolutions- und Kalibrierungsschritte. Bei der sorgfältigen Umsetzung mit Aufmerksamkeit auf die Akquisitionsqualität, Modellauswahl und Passivitätsdurchsetzung liefern diese Methoden S-Parameter, die mit direkten VNA-Messungen konkurrieren. Da digitale Hochgeschwindigkeits- und HF-Systeme die Bandbreiten immer weiter erhöhen, wird die Beherrschung dieser fortschrittlichen Extraktionswerkzeuge eine Schlüsselkompetenz bleiben für jeden Ingenieur, der an der Schnittstelle der Zeitbereichs- und Frequenzbereichsanalyse arbeitet.