Inleiding

RF en magnetron-ingenieurs vertrouwen op verstrooiende parameters (S-parameters) om te beschrijven hoe een lineair netwerk signalen in de havens uitzendt en weerkaatst. Deze frequentie-domeinhoeveelheden zijn essentieel voor het ontwerpen van versterkers, filters, antennes en interconnecten, en ze worden routinematig gemeten met vectornetwerkanalysers (VNA's). Toch ontstaan in veel praktische situaties de ruwe meetgegevens eerst als spanning of veldmonsters in het tijddomein.Zowel omdat een tijd-domeininstrument (bv. een bemonsteringsoscilloscope) werd gebruikt, als eerste als een tijdelijke gedragsverandering van het apparaat de belangrijkste hoeveelheid interessant is. Het extraheren van nauwkeurige S-parameters uit dergelijke tijd-domeinrecords is een terugkerende uitdaging die, wanneer correct opgelost, de werelden van tijd-domein reflectometrie (TDR) en frequentie-domeinanalyse verenigt.

Klassieke technieken gebaseerd op directe Fourier transformatie zijn eenvoudig te implementeren, maar hebben te maken met spectrale lekkage, eindige truncatie effecten en gevoeligheid voor lawaai. In de afgelopen twee decennia zijn robuustere methoden ontwikkeld die het systeem direct in het tijddomein modelleren, geavanceerde deconevolutie toepassen of moderne strategieën voor systeemidentificatie en machine-learning gebruiken. In dit artikel worden de theorie, praktische implementaties en valkuilen van deze geavanceerde technieken onderzocht, die een routekaart bieden aan ingenieurs die een hoge betrouwbaarheid S-parameters van voorbijgaande metingen moeten verkrijgen. Het beheersen van deze methoden is steeds kritischer omdat digitale communicatienormen de frequenties van de millimetergolf indrukken en omdat geïntegreerde circuit verpakkingen nauwkeurige breedbandmodellen vereisen.

Fundamentele factoren: van tijddomein tot S‐parameters

Een N-poort lineair tijd-invariant netwerk wordt volledig gekenmerkt door zijn verstrooiende matrix S[(f), waarbij elk element Sij[(f) de complexe verhouding is van de uitgaande golf aan de haven i tot de incidentgolf aan de haven j, waarbij alle andere havens in gelijke ladingen worden afgesloten.De frequentierespons Sij(f) en de bijbehorende impulsrespons h[]]ij[(t) vormen in principe een Fourier-transformpaar. Meten van hij[[]j]ij[[]]j]j[t) door een pulsieve opwinding en vervolgens een invers Fourier transformatierendementen Sj]]](f). Echte metingen bevatten echter niet-ideale stappen, niet-ideale stappen of impuls

De tijd-domeinreflectometrie (TDR) gebruikt doorgaans een snel stap- of impulssignaal en registreert de gereflecteerde golfvorm van een apparaat dat wordt getest (DUT). Tijd-domeintransmissie (TDT) vangt het verzonden signaal op. In beide gevallen is de gemeten golfvorm de convolutie van de prikkel, de DUT impulsrespons en het systeemparasitieve respons. Het ont-memmen van de DUT-bijdrage is de kernuitdaging. De juiste extractie vereist het hanteren van de effecten van niet-ideale bronnen, kabels, sondes en digitizerbandbreedte. Het doel van elke extractiemethode is om deze convolutie zo nauwkeurig mogelijk om te buigen, terwijl het geluid wordt onderdrukt en de fysieke beperkingen van causaliteit en passiviteit worden behouden.

Uitdagingen bij de conventionele tijd-tot-frequentieomzetting

Een typische workflow digitaliseert de tijd-domein golfvorm, isoleert het deel van de interesse met een tijdpoort, past een vensterfunctie toe, en berekent vervolgens de discrete Fourier transformatie (DFT). Er ontstaan verschillende afbraakmechanismen:

  • Spectrumlekkage: Zelfs met een vensterfunctie kan energie uit een sterk spectrale component zich verspreiden in aangrenzende bakken, waardoor de details van de S-parameters op laag niveau worden beschadigd. Dit is vooral problematisch wanneer metingen met een hoge dynamische afstand nodig zijn, zoals voor filterstopbandkarakterisering.
  • Aliasing of time-domein echo's: Als de recordlengte te kort is om alle meerdere reflecties te vangen, zal de transformatie een onvolledige systeemrespons vertegenwoordigen. Voor lange verlieslijnen kunnen echo's tientallen nanoseconden aanhouden en een zorgvuldige koppeling vereisen.
  • Geluidsversterking: Transformatiegebaseerde extractie heeft de neiging om breedbandmeetgeluid over de gehele frequentieband te verspreiden, waardoor het effectieve dynamische bereik wordt verminderd. Bij frequenties waar de signaalenergie laag is, kan het geluid de S-parameterschatting domineren.
  • Fasefouten van fout in de afstemming: Een substeekproeftijdverschuiving tussen het incident en de gereflecteerde golfvormen introduceert een lineaire fasehelling in het frequentiedomein die moeilijk te compenseren is zonder nauwkeurige triggering of geavanceerde interpolatie.
  • Bandbreedtetruncatie: De effectieve bandbreedte van een tijd-domeinmeting wordt beperkt door de stijgingstijd of pulsbreedte van de stimulans en de bemonsteringssnelheid. Elk frequentiebereik boven de Nyquist-frequentie wordt alias genoemd, waardoor S-parameterschattingen bovenaan de bruikbare band worden verstoord. Oversampling- en analoge anti-aliasingfilters kunnen dit verzachten, maar niet volledig elimineren.
  • Niet-ideale beëindigingen: Bij een reële meting is de referentieimpedantie zelden precies 50 Ω over de hele bandbreedte, waardoor systematische fouten in de uitgezogen S-parameters ontstaan, indien deze niet gecorrigeerd worden. Zelfs hoogwaardige beëindigingen vertonen een frequentieafhankelijke mismatch die moet worden gekalibreerd.

Deze beperkingen hebben de ontwikkeling van geavanceerde parametrische en niet-parametrische technieken gemotiveerd die directe DFT-gebaseerde extractie omzeilen door fysieke beperkingen in het schattingsproces te integreren. Veel van deze methoden behandelen de extractie als een systeemidentificatieprobleem, dat de inversie van nature regulariseert.

Geavanceerde tijd-domeinmodellering voor S-parameter extractie

In plaats van de gemeten gegevens als een reeks onafhankelijke monsters te behandelen, passen geavanceerde methoden de gegevens aan een fysiek gemotiveerd model waarvan de parameters rechtstreeks betrekking hebben op de S-matrix. De modellering kan worden uitgevoerd in het tijddomein, en de S-parameters worden verkregen door het model te evalueren rationeel overdrachtsfunctie op de frequenties van belang. Deze aanpak filtert inherent lawaai en kan a priori kennis over het apparaat bevatten (bijvoorbeeld causaliteit, passiviteit, aantal havens). De volgende subsecties beschrijven de meest gebruikte technieken in de industrie en de academische wereld.

Systeemidentificatie en -verwerkelijkingen van tijd-domein

De systeemidentificatie maakt een state-space- of transferfunctiemodel dat het gemeten input-outputgedrag reproduceert. Voor een N-poortsapparaat is een state-space-representatie van orde n:

waarbij u(t) en y(t) vectoren van incidenten en gereflecteerde/getransmitteerde golven zijn. De matrices A, B, C, D kunnen worden geschat op basis van een reeks gemeten stappen of impulsreacties met behulp van subruimtealgoritmen zoals N4SID of MOESP. Deze methoden zijn robuust voor lawaai en vereisen weinig gebruikersinvoer buiten de staatorde. Zodra de matrices zijn bepaald, zijn de verstrooiende parameters in het Laplace-domein:

S(s) = D + C (sI

Dit parametrische model dwingt stabiliteit (eigenwaarden van A in het linker halfvlak) en kan gemakkelijk worden omgezet in een rationele functie voor evaluatie bij willekeurige frequenties. Ingenieurs bij Keysight[] hebben aangetoond dat subruimte-identificatie toegepast op TDR/TDT-gegevens S-parameters kan opleveren die overeenkomen met VNA-metingen binnen een paar honderdste van een decibel over een brede bandbreedte. De belangrijkste praktische uitdaging is het selecteren van een geschikte staatsvolgorde; te lage order under-fits, terwijl een te hoge order geluid kan vangen. Kruisvalidatie met behulp van een afzonderlijke validatiedataset helpt bij het bepalen van de optimale volgorde.

Rationele functie Past met Vector Fitting (VF)

Het Vector Fitting-algoritme, oorspronkelijk beschreven door Gustavsen en Semlyen, is een werkpaard geworden in elektromagnetische modellering. VF iteratief herwegeert een pool-relocatie procedure om een som van gedeeltelijke breuken aan frequentie-domeingegevens te passen. Wanneer alleen tijd-domein responsen beschikbaar zijn, kan een tussenstap eerst de voorbijgaande gegevens omzetten in een grof frequentie-domeinschatting (met behulp van een snelle Fourier transformatie met minimale vensters) en vervolgens verfijnen het rationele model door VF. Het uiteindelijke model kan worden geëvalueerd om geluid-gereinigde S-parameters te verkrijgen. Als alternatief, past een tijd-domein versie van VF (TD‐VF) impuls of stapreacties direct toe, waardoor de behoefte aan een viervoudige voorbewerking wordt weggenomen. TD‐VF is aangetoond om dispersieve, multi-geleiderstructuren te hanteren en is gedocumenteerd in IEEE Transactions on Microwave Theory and Techniques. Het resulterende rationele model is compact, causaal en passief indien de juiste beperkingen worden toegepast.

Pronieanalyse en Matrix Potloodmethoden

Deze spectrale schattingstechnieken met hoge resolutie modelleren een impuls-responsgolfvorm als een som van complexe exponentieelheden:

h(t) = Σk=1M[Rkeskt[

Prony . De methode van de methode van de voorspelling lost een lineair probleem op om polen te extraheren sk en residuen Rk. Hoewel de klassieke Prony-benadering numeriek slecht en gevoelig is voor lawaai. Het algoritme van de Matrix Pencil verbetert de stabiliteit door het exploiteren van een potlood-of-matrix-structuur. Beide methoden zijn bijzonder effectief wanneer slechts een paar dominante resonanties moeten worden opgevangen, bijvoorbeeld in antennekarakterisatie of pakketmodellering. Zodra de polen en residuen worden geschat, wordt de S-parameter op frequentie f verkregen door de Laplace-transformatie van de ingezette golfvorm te evalueren, waarbij een rationeel model rechtstreeks wordt geproduceerd uit de tijdgegevens. Een praktische implementatierichtlijn kan worden gevonden in MATLAB

Vergelijking van extractiemethoden

De keuze tussen deze drie parametrische benaderingen hangt af van de toepassing. State-space identificatie is zeer geschikt voor multi-port apparaten waar een compact model nodig is voor circuitsimulatie. Vector fitting biedt de meest flexibiliteit in het omgaan met willekeurige frequentieresponsen en wordt op grote schaal gebruikt in commerciële EM simulatie tools. Prony en matrix potlood methoden zijn sneller voor kleine model orders en blinken uit wanneer slechts een paar resonanties domineren. Voor de beste nauwkeurigheid kan een hybride benadering worden gebruikt: toepassing subruimte identificatie of vector passen om een rationeel model te verkrijgen, dan gebruik matrix potlood om de polen van kritische resonanties verfijnen. De tabel hieronder geeft een samenvatting van de belangrijkste kenmerken:

  • State-Space (N4SID/MOESP): Robuust aan lawaai, verwerkt meerdere inputs/outputs, vereist door de gebruiker gedefinieerde volgorde.
  • Vector Fitting: Iteratieve pool verfijning, goed voor brede frequentiebereiken, kan passiviteit afdwingen.
  • Prony/Matrix Potlood: Direct tijd-domein montage, het beste voor weinig polen, gevoelig voor orderkeuze.

Deconvolutie- en kalibratietechnieken

Tijddomeinmetingen zijn zelden ideaal; ze omvatten de impulsrespons van de stimulusgenerator, kabels, sondes en de sampler. Deconcentratie verwijdert deze systematische vervormingen, waardoor de DUT-respons, waaruit S-parameters meer schoon kunnen worden gehaald, wordt verwijderd. Kalibratie zorgt er verder voor dat bekende normen voor systematische fouten zoals impedantie-ongelijkheid en frequentieafhankelijk verlies worden gecorrigeerd.

Geregulariseerde Inverse Filtering en Wiener Deconvolution

Gegeven een gemeten output y(t) = hsys(t)

HWiener(f) = Href*(f) / (

Wanneer α een geluidsafhankelijke regularisatieparameter is. Na het deconveriseren kan de DUT-respons Fourier-transformeren om S-parameters te verkrijgen met een aanzienlijk verminderde rimpel en een verbeterde bandbreedte. Een zorgvuldige behandeling van regularisatie voorkomt geluidsopbraak bij frequenties waar de systeemoverdrachtsfunctie diep nul is. Meer geavanceerde benaderingen maken gebruik van Tikhonov regularisatie of totale variatie denoiseer om scherpe temporele kenmerken te behouden terwijl het hogefrequentiegeluid wordt onderdrukt. De keuze van α wordt vaak geleid door het L-curvecriterium, dat de restnorm en de oplossingsnorm balanceert. In de praktijk wordt de referentiegolfvorm verkregen door een doorlijn of een bekende standaard aan te sluiten, en meerdere gemiddelden verbeteren de signaal-tot-ruisverhouding.

Kalibratie met behulp van bekende standaarden

Net zoals een VNA gekalibreerd is met Short-Open-Load-Thru (SOLT) of Thru-Reflect-Line (TRL) standaarden, kan een tijd-domeinmeetopstelling gekalibreerd worden door drie of meer bekende reflectienormen te meten. De fout-boxcoëfficiënten worden opgelost door toepassing van een tijd-domeinversie van het 12-term-foutmodel. De gekalibreerde DUT-respons geeft vervolgens nauwkeurige S‐parameters. Een gedetailleerde procedure voor op TDR gebaseerde SOLT-kalibratie wordt gegeven in Rohde & Schwarz-toepassingsnotities[]. Deze kalibratie verwijdert poortenverschillen, verlies en dispersie, waardoor het bruikbare frequentiebereik wordt verleggen boven wat ruwe TDR-gegevens zouden toestaan. In de praktijk moeten de kalibratienormen tot de hoogste frequentie van belang zijn, en de tijd-domeinreferentievlak moet precies worden bepaald. Voor differentiaalstructuren kan een vergelijkbare procedure met behulp van gemengde S‐modaliteit S‐parameters worden toegepast.

Machine learning en data-driven aanpak

Een volledig aangesloten of convolutionair netwerk kan worden getraind op miljoenen gesimuleerde paren van (golfvorm, S‐matrix), waarna de invloed op gemeten gegevens bijna onmiddellijk is. Een dergelijke aanpak is bijzonder aantrekkelijk voor productietests waarbij dezelfde DUT-familie herhaaldelijk wordt gemeten. Het netwerk leert impliciet om ont-embeding, geluidreductie en interpolatie uit te voeren, hoewel zorgvuldige regularisatie nodig is om de fysieke consistentie (caausaliteit, passiviteit) te behouden. Fysica-geïnformeerde neurale netwerken die de Kramers‐Kronig relaties opnemen als een verliesterm hebben aangetoond dat verbeterde prestaties op het gebied van extrapolatie en lawaaierige gegevens. Hybride methoden die een parametrisch model (bijv. vector-fitting) combineren met een neuraal netwerk voor parameterschatting, komen ook aan de orde. Hoewel deze data-gedreven technieken nog niet mainstreaming in laboratoriummetrologie zijn, winnen ze snel aan tractie voor hoge volumekarakterisatie waar prioriteit wordt gegeven aan snelheid. Een stroombeperking is de noodzaak voor uitgebreide trainingen die alle verwachte DUT-variatieen dekken, maar kunnen helpen bij het verbeteren van reële metingen.

Praktische uitvoering en seinverwerking

Meetopstelling en gegevensverwerving

Hoogwaardige extractie begint met een schone tijd-domein record. Gebruik een stimulans met een snelle stijging tijd (bijv., < 20 ps voor bandbreedtes tot 20 GHz) of een picosecond puls die de gewenste bandbreedte dekt. De sample rate moet ten minste 2,5× de maximale frequentie van de rente, en de record lengte moet alle significante meerdere reflecties vangen. Averaging meerdere overnames vermindert oncorrelated lawaai; 16 tot 64 gemiddelden zijn gebruikelijk. Verschillende metingen kunnen gemeenschappelijke modus interferentie onderdrukken en verbeteren signaalintegriteit. Het is ook van cruciaal belang om ervoor te zorgen dat de DUT is in een consistente staat (bijv., voorinvloed voorwaarden voor actieve apparaten) tijdens de gehele overname. Voor on-wafer metingen, probe plaatsing en contact variabiliteit toevoegen onzekerheid; met behulp van een geautomatiseerde prober kan verminderen variabiliteit.

Tijdsgating en rand-uitlijning

Voordat een extractiealgoritme wordt toegepast, wordt vaak een tijdpoort toegepast om de DUT-respons te isoleren van connectorafbrekingen en reflecties van de armatuur. Echter, agressieve afstelling introduceert zijn eigen Gibbs-fenomenon artefacten. Geavanceerde technieken vervangen harde afstelling door een glad, verstelbaar venster (bijv. Kaiser-Bessel) of gebruik iteratieve herwegingssystemen die tegelijkertijd de poortvorm en de onderliggende S-parameters inschatten. Sub-picoseconde uitlijning van het incident en de gereflecteerde randen kan worden bereikt door cross-correlatie of door de tijdvertraging als parameter binnen het modelfitting te schatten. Een foute uitschakeling van zelfs enkele picoseconden kan significante fasefouten veroorzaken bij millimeter-golffrequenties. Voor lange sequenties kunnen fractionele-delayfilters de golfvormen in een kleine fractie van het bemonsteringsinterval afstemmen.

Modelordeselectie en over-inbouw

Parametrische methoden vereisen het kiezen van een modelvolgorde (aantal polen). Te laag een bestelling past de gegevens; te hoog een orderover-fits, het vastleggen van lawaai in plaats van het ware DUT-gedrag. Informatie-theoretische criteria (AIC, MDL) of kruisvalidatie op meerdere acquisities kan de selectie leiden. Vector Fitting implementaties omvatten vaak een automatische orderreductie stap die palen met verwaarloosbare residuen verwijdert, het model te vereenvoudigen zonder op te offeren nauwkeurigheid. Voor Prony methoden, kan de enkelvoudige waarde ontleding van de gegevensmatrix aangeven de effectieve rang en dus het optimale aantal exponentieels. Een praktische aanpak is om te beginnen met een conservatieve hoge orde en vervolgens modelverlaging toepassen tijdens het monitoren van de frequentie-domeinfout.

Validatie en foutanalyse

Geen enkele extractietechniek is compleet zonder de onzekerheid te kwantificeren. Vergelijk de gewonnen S-parameters met een referentie VNA-meting van dezelfde DUT, waarbij aandacht wordt besteed aan de omvang, de fase en de vertraging van de groep. De foutvector magnitude (EVM) levert een enkele metriek. Voor cruciale parameters zoals S11[ bij resonantie, is een fout van 0,1 dB of 1° vaak gericht. Monte‐Carlo simulaties die de ruwe golfvorm binnen de geluidsvloer verstoren geven een betrouwbaarheidsinterval voor de gewonnen S‐parameters. Bovendien moet controleren of het uiteindelijke model voldoet aan fundamentele beperkingen: S‐matrices moeten causaal (Kramers‐Kronig) en passief zijn (eigenwaarden van S[H Deze eigenschappen moeten worden versterkt, bijvoorbeeld door middel van een nabewerkingsperturbatiestap, waardoor het vertrouwen in de gewonnen gegevens voor daaropvolgende circuitsimulaties wordt vergroot. Een praktische validatiescript zou de overtreding van de passiviteit kunnen berekenen en het model lichtelijk aan te passen.

Casestudy: S-parameters van een hoge snelheidsconnector extraheren

Een 40 Gb/s board-edge connector gemeten met een 35-ps rise-time TDR module en een 20-GHz sampling oscilloscoop. Een traditionele FT-gebaseerde extractieopbrengst S11[] die schommelt met ±1,5 dB boven 15 GHz door spectrale lekkage. Het toepassen van een tijd-domein Vector Fitting (TD‐VF) met een 18-polige model vermindert de oscillatie tot ±0.2 dB[] en komt overeen met de referentie VNA-gegevens tot 25 GHz. Hetzelfde model voorspelt nauwkeurig differentiaal invoegverlies, waardoor de signaal-integriteitsingenieur de connector kan ontmantelen door middel van kanaalsimulaties met vertrouwen. Deze workflow is gevalideerd over meerdere connectorfamilies en is gedocumenteerd in interne ontwerpbeoordelingen die verwijzen naar de TD‐VFF:5]]. Verdere validatie omvat een Monte‐Carlo foutanalyse die een analyse die aangeeft dat minder dan 0,1 dB onzekerheid

Toekomstige aanwijzingen

De integratie van deze extractiemethoden in oscilloscoop-firmware zou de gebruikerservaring kunnen vereenvoudigen en de noodzaak voor offline verwerking kunnen verminderen. Een andere veelbelovende richting is het gebruik van gecomprimeerde sensoren om het aantal vereiste tijdmonsters te verminderen, waardoor sneller metingen mogelijk worden zonder dat bandbreedte wordt opgebracht. Tot slot kan de integratie van deze extractiemethoden direct in oscilloscoop-firmware de gebruikerservaring vereenvoudigen en de noodzaak voor offline verwerking verminderen.

Conclusie

Het verkrijgen van nauwkeurige S-parameters van tijd-domeinmetingen is een uitdaging die signaalverwerking, microgolventheorie en computationele modellering overspant. Hoewel de eenvoudige tijd-tot-frequentietransformatie een nuttige eerste pas blijft, is het vaak ontoereikend voor moderne hogefrequentie-, geluidsarme eisen. Geavanceerde technieken, gaande van subruimte-identificatie en vectoropbouw tot matrixpotlood en leren-gebaseerde kaartenpers, komen de traditionele beperkingen vaak boven water door direct modelleren van de onderliggende fysica en door robuuste deconvolutie en kalibratiestappen in te voeren. Wanneer deze methoden worden toegepast met zorgvuldige aandacht voor de verwerving van kwaliteit, modelorderselectie en passiviteitscontrole, leveren ze S‐parameters die de directe VNA-metingen met elkaar vergelijken. Aangezien high-speed digitale en RF-systemen steeds hogere bandbreedtes blijven drukken, blijft de beheersing van deze geavanceerde extractie-instrumenten een sleutelcompetentie voor elke ingenieur die werkt aan de interface van tijd-domein- en frequentie-domeinanalyse.