Table of Contents

Введение

Инженеры радиочастот и микроволновых печей полагаются на параметры рассеяния (S-параметры) для описания того, как линейная сеть передает и отражает сигналы в своих портах. Эти величины частотной области необходимы для проектирования усилителей, фильтров, антенн и межсоединений, и они обычно измеряются с помощью векторных сетевых анализаторов (VNA). Тем не менее, во многих практических ситуациях исходные данные измерений появляются сначала в виде образцов напряжения или поля во временной области - либо потому, что использовался инструмент временной области (например, осциллограф выборки) или потому, что переходное поведение устройства представляет собой основную интересующую величину. Извлечение точных S-параметров из таких записей временной области является повторяющейся проблемой, которая при правильном решении объединяет миры рефлектометрии временной области (TDR) и анализа сети частотной области.

Классические методы, основанные на прямом преобразовании Фурье, просты в реализации, но страдают от спектральной утечки, эффектов конечного усечения и чувствительности к шуму. За последние два десятилетия появились более надежные методы, которые моделируют систему непосредственно в области времени, используют передовую деконволюцию или используют современные стратегии системной идентификации и машинного обучения. В этой статье рассматриваются теория, практические реализации и подводные камни этих передовых методов, обеспечивая дорожную карту для инженеров, которым необходимо получить высокоточные S-параметры из переходных измерений. Освоение этих методов становится все более важным, поскольку стандарты цифровой связи толкают в миллиметровые частоты волн и поскольку упаковка интегральных схем требует точных широкополосных моделей.

Основные принципы: от домена времени до S-параметров

N-портовая линейная временно-инвариантная сеть полностью характеризуется своей матрицей рассеяния S(f), где каждый элемент S(f) представляет собой сложное отношение исходящей волны в порту i к падающей волне в порту j, при этом все другие порты заканчиваются в сопоставленных нагрузках.ij(f) и соответствующий импульсный отклик h(t) образуют пару Фурье-трансформа.[t])(t) через импульсоподобное возбуждение и затем при применении обратного преобразования Фурье дает Sij(f). Однако реальные измерения содержат записи конечной длины, неидеальные степенные или импульсные генераторы, несовершенные окончания и аддитивный шум.Прямая обработка Фурье без тщательного оконного сканирования часто вводит

Рефлектометрия домена времени (TDR) обычно использует быстрый шаг или импульсный сигнал и записывает отраженную форму волны с тестируемого устройства (DUT). Передача домена времени (TDT) захватывает переданный сигнал. В обоих случаях измеренная форма волны представляет собой свертку стимула, импульсную реакцию DUT и паразитарную реакцию системы. Включение вклада DUT является основной задачей. Правильная экстракция требует обработки эффектов неидеальных источников, кабелей, зондов и полосы пропускания дигитайзера. Цель любого метода экстракции состоит в том, чтобы максимально точно инвертировать эту свертку, подавляя шум и сохраняя физические ограничения причинности и пассивности.

Проблемы в обычной конвертации времени в частоту

Типичный рабочий процесс оцифровывает форму волны временной области, изолирует интересующую часть временным затвором, применяет функцию окна, а затем вычисляет дискретное преобразование Фурье (DFT).

  • Спектральная утечка:] Даже при оконной функции энергия от сильного спектрального компонента может распространяться в соседние контейнеры, повреждая низкоуровневые детали S-параметра. Это особенно проблематично, когда требуются измерения высокого динамического диапазона, например, для характеристики полосы остановки фильтра.
  • Установка эха во временной области: Если длина записи слишком мала, чтобы уловить все множественные отражения, преобразование будет представлять собой неполный системный ответ. Для длинных линий передачи с потерями эхо может сохраняться в течение десятков наносекунд и требует тщательного замера.
  • Усиление шума:] Экстракция на основе преобразования имеет тенденцию распределять широкополосный шум измерения по всей полосе частот, уменьшая эффективный динамический диапазон. На частотах, где энергия сигнала низкая, шум может доминировать в оценке S-параметра.
  • Фазовые ошибки от несоответствия: Подобразцовый сдвиг времени между инцидентом и отраженными волновыми формами вводит линейный фазовый пандус в частотной области, который трудно компенсировать без точного запуска или расширенной интерполяции.
  • Усечение ширины полосы пропускания: Эффективная полоса пропускания измерения временной области ограничена временем подъема или шириной импульса стимула и скоростью отбора проб. Любое содержание частоты выше частоты Nyquist псевдонимируется, искажая оценки S-параметров в верхней части полезной полосы. Пересортировка и аналоговые антисглаживающие фильтры могут смягчить это, но не полностью устранить его.
  • Неидеальные окончания: В реальном измерении эталонное импеданс редко составляет ровно 50 Ом по всей полосе пропускания, что приводит к систематическим ошибкам в извлеченных S-параметрах, если не корректировать. Даже высококачественные окончания демонстрируют частотно-зависимое несоответствие, которое должно быть откалибровано.

Эти ограничения мотивировали разработку передовых параметрических и непараметрических методов, которые обходят прямую экстракцию на основе DFT, встраивая физические ограничения в процесс оценки. Многие из этих методов рассматривают экстракцию как проблему идентификации системы, которая естественным образом упорядочивает инверсию.

Продвинутое моделирование домена времени для извлечения S-параметра

Вместо того, чтобы рассматривать измеренные данные как последовательность независимых образцов, передовые методы соответствуют данным физически мотивированной модели, параметры которой непосредственно относятся к S-матрице. Моделирование может быть выполнено в области времени, а S-параметры получены путем оценки рациональной функции передачи модели на интересующих частотах. Этот подход по своей сути фильтрует шум и может включать априорные знания об устройстве (например, причинность, пассивность, количество портов). Следующие подразделы описывают наиболее широко используемые методы в промышленности и научных кругах.

Идентификация системы времени-домена и реализация пространства-состояния

Система идентификации конструирует модель пространства-состояния или функции передачи, которая воспроизводит измеренное поведение ввода-вывода. Для устройства N-порта представление состояния-пространства порядка n является:

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

где u(t) и y(t) являются векторами падающих и отраженных/передаваемых волн. Матрица A, B, C, D может быть оценена по набору измеренных шаговых или импульсных реакций с использованием подпространственных алгоритмов, таких как N4SID или MOESP. Эти методы устойчивы к шуму и требуют небольшого пользовательского ввода за пределами государственного порядка. После определения матриц параметры рассеяния в домене Laplace являются:

S(s) = D + C (sI — A)-1 B

Эта параметрическая модель обеспечивает стабильность (собственные значения A в левой полуплоскости) и может быть легко преобразована в рациональную функцию для оценки на произвольных частотах. Инженеры в Keysight продемонстрировали, что подпространственная идентификация, применяемая к данным TDR/TDT, может давать S-параметры, которые согласуются с измерениями VNA в течение нескольких сотых долей децибела по широкой полосе пропускания. Основной практической задачей является выбор соответствующего государственного порядка; слишком низкий порядок не соответствует, в то время как слишком высокий порядок может захватывать шум. Кросс-валидация с использованием отдельного набора данных валидации помогает определить оптимальный порядок.

Рациональная функция, связанная с векторной фитингом (VF)

Алгоритм Vector Fitting, первоначально описанный Густавсеном и Семлином, стал рабочей лошадкой в электромагнитном моделировании. VF итеративно перевесит процедуру перемещения полюсов, чтобы соответствовать сумме частичных фракций к частотно-доменным данным. Когда доступны только ответы временной области, промежуточный этап сначала преобразует переходные данные в грубую частотно-доменную оценку (используя быстрое преобразование Фурье с минимальным окном), а затем уточняет рациональную модель через VF. Окончательная модель может быть оценена для получения шумо-очищенных S-параметров. Альтернативно, версия временной области VF (TD-VF) соответствует импульсным или степенным реакциям напрямую, устраняя необходимость в любой предварительной обработке Фурье. TD-VF, как было показано, обрабатывает дисперсные, многопроводящие структуры и документируется в IEEE Транзакции на микроволновой теории и методах. Полученная рациональная модель компактна, причинно-следстве

Методы анализа и матричного карандаша

Эти методы спектральной оценки высокого разрешения моделируют форму импульса-ответа как сумму сложных экспоненциальных величин:

h(t) = Σk=1M Rk eskt

Метод Прони решает задачу линейного прогнозирования для извлечения полюсов sk и остатков Rk. Хотя классический подход Прони является численно необусловленным и чувствительным к шуму. Алгоритм Матрица Пенцил улучшает стабильность, используя структуру карандаша. Оба метода особенно эффективны, когда требуется захватить только несколько доминирующих резонансов — например, при характеристике антенны или моделировании пакетов. После оценки полюсов и остатков S-параметр на частоте f получается путем оценки преобразования Лапласа установленной формы волны, по существу производя рациональную модель непосредственно из данных времени. Практический принцип реализации можно найти в MATLAB’s Signal Processing Toolbox. Эти методы часто сочетаются с временным зазором для изоляции конкретных отражений, но выбор порядка модели (M) требует тщательной перекрестной проверки, чтобы избежать переподгонки. Метод матричного карандаша обычно предпочтителен для шумных

Сравнение методов экстракции

Выбор среди этих трех параметрических подходов зависит от применения. Идентификация состояния-пространства хорошо подходит для многопортовых устройств, где компактная модель необходима для моделирования схем. Векторная арматура обеспечивает наибольшую гибкость в обработке произвольных частотных реакций и широко используется в коммерческих инструментах моделирования ЭМ. Методы Prony и матричного карандаша быстрее для небольших заказов моделей и превосходят, когда доминируют лишь несколько резонансов. Для лучшей точности может использоваться гибридный подход: применять идентификацию подпространства или векторную арматуру для получения рациональной модели, затем использовать матричный карандаш для уточнения полюсов критических резонансов. В таблице ниже обобщаются ключевые характеристики:

  • Государственное пространство (N4SID/MOESP): Надежность к шуму, обрабатывает несколько входов/выходов, требует определенного пользователем порядка.
  • Фиттинг вектора: Итеративная утонченность полюсов, хорошая для широких частотных диапазонов, может обеспечить пассивность.
  • Прони/Матричный карандаш: Прямая подгонка по временной области, лучше всего для нескольких полюсов, чувствительная к выбору порядка.

Методы деконволюции и калибровки

Измерения по временной области редко идеальны; они включают импульсную реакцию генератора стимулов, кабелей, зондов и сэмплера. Деконволюция устраняет эти систематические искажения, оставляя реакцию DUT, из которой S-параметры могут быть извлечены более чисто. Калибровка дополнительно учитывает известные стандарты для исправления систематических ошибок, таких как несоответствия импеданса и потери, зависящие от частоты.

Регуляризированная обратная фильтрация и деконволюция венера

При измеренном выходе y(t) = hsys(t)* x(t) + n(t), где hsys(t) включает в себя DUT и ответ системы, цель состоит в том, чтобы восстановить импульс DUTDUT(t). Если доступно эталонное измерение системы без DUT, фильтр Винера минимизирует среднеквадратную ошибку при наличии шума. Фильтр в частотной области:

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

где α — шумозависимое регуляризирующее значение. После деконвекции DUT-ответ может быть преобразован Фурье для получения S-параметров со значительно сниженной ряби и увеличенной полосой пропускания. Тщательная обработка регуляризации предотвращает шумовое надувание на частотах, где функция передачи системы имеет глубокие нули. Более продвинутые подходы используют регуляризацию Тихонова или полное деноизирование вариаций для сохранения резких временных признаков при подавлении высокочастотного шума. Выбор α часто руководствуется критерием L-кривой, который уравновешивает остаточную норму и норму решения. На практике эталонная форма волны получается путем соединения сквозной линии или известного стандарта, а множественные средние улучшают отношение сигнал-шум.

Калибровка с использованием известных стандартов

Так же, как VNA калибруется со стандартами Short-Open-Load-Thru (SOLT) или Thru-Reflect-Line (TRL), установка измерения временной области может быть калибрована путем измерения трех или более известных стандартов отражения. Коэффициенты погрешности-бокса решаются путем применения версии 12-концевой модели ошибки. Калиброванный ответ DUT затем дает точные S-параметры. Подробная процедура калибровки SOLT на основе TDR приводится в примечаниях приложения Rohde & Schwarz. Эта калибровка устраняет несоответствия портов, потери и дисперсии, выталкивая используемый диапазон частот за пределы того, что позволят необработанные данные TDR. На практике стандарты калибровки должны быть охарактеризованы до самой высокой интересующей частоты, и плоскость отсчета временной области должна быть точно расположена. Для дифференциальных структур аналогичная процедура с использованием S-параметров смешанного режима может быть расширена для учета неидеальных стандартов с использованием более

Машинное обучение и подходы, основанные на данных

Нейронные сети могут изучать отображение от форм волн домена времени к S-параметрам непосредственно из данных обучения. Полностью связанная или сверточная сеть может быть обучена на миллионах смоделированных пар (волновая форма, S-матрица), после чего вывод на измеренные данные почти мгновенный. Такой подход особенно привлекателен для производственных испытаний, где одно и то же семейство DUT измеряется неоднократно. Такая сеть косвенно учится выполнять де-встраивание, снижение шума и интерполяцию, хотя тщательная регуляризация требуется для поддержания физической согласованности (причинность, пассивность). Также появляются информированные по физике нейронные сети, которые включают отношения Крамерса-Кронига в качестве термина потери. Гибридные методы, которые сочетают параметрическую модель (например, векторную фитинг) с нейронной сетью для оценки параметров. Хотя эти методы, управляемые данными, быстро набирают тягу для высокообъемной характеристики, где приоритет отдается скорости. Одно текущее ограничение - необходимость обширных наборов обучения, которые охватывают все ожидаемые вариации DUT, но генеративные модели могут помочь синте

Практическая реализация и обработки сигналов

Настройка измерения и приобретение данных

Высококачественная экстракция начинается с чистой записи временных доменов. Используйте стимул с быстрым временем подъема (например, < 20 ps для полосы пропускания до 20 ГГц) или пикосекундный импульс, который покрывает желаемую полосу пропускания. Скорость выборки должна быть не менее 2,5× максимальной интересующей частоты, а длина записи должна захватывать все значительные множественные отражения. Усреднение множественных приобретений снижает некоррелированный шум; 16-64 средних являются общими. Дифференциальные измерения могут подавлять помехи общего режима и улучшать целостность сигнала. Также важно обеспечить, чтобы DUT находился в согласованном состоянии (например, условия смещения для активных устройств) во время всего приобретения. Для измерений на пластине, размещения зонда и повторяемости контакта добавляют неопределенность; использование автоматизированного зонда может уменьшить изменчивость.

Время бьется и Edge-Alignment

Перед применением любого алгоритма извлечения часто применяется временной шлюз для изоляции реакции DUT от разрывов разъемов и отражений крепления. Однако агрессивное галтинг вводит свои собственные артефакты Gibbs-феномена. Передовые методы заменяют жесткий галстук гладким, регулируемым окном (например, Kaiser-Bessel) или используют итеративные схемы перевеса, которые одновременно оценивают форму затвора и лежащие в его основе S-параметры. Субпикосекундное выравнивание инцидента и отраженных краев может быть достигнуто путем перекрестной корреляции или оценки временной задержки в качестве параметра в рамках модели монтирования. Несбалансировка даже нескольких пикосекунд может вызвать значительные фазовые ошибки на миллиметровых частотах. Для длинных последовательностей фильтры фракционной задержки могут выравнивать формы волн в пределах небольшой доли интервала отбора проб.

Выбор типового заказа и чрезмерная подборка

Параметрические методы требуют выбора порядка модели (количество полюсов). Слишком низкий порядок соответствует данным; слишком высокий порядок соответствует, захватывая шум, а не истинное поведение DUT. Информационно-теоретические критерии (AIC, MDL) или перекрестная валидация на нескольких приобретениях могут направлять выбор. Реализации векторной подгонки часто включают в себя автоматический шаг сокращения порядка, который удаляет полюса с незначительными остатками, упрощая модель без ущерба для точности. Для методов Prony сингулярное разложение значения матрицы данных может указывать на эффективный ранг и, следовательно, оптимальное число экспоненциальных. Практический подход заключается в том, чтобы начать с консервативно высокого порядка, а затем применять сокращение модели при мониторинге ошибки частотной области.

Проверка и анализ ошибок

Ни один метод извлечения не является полным без количественной оценки его неопределенности. Сравните извлеченные S-параметры с эталонным измерением VNA того же DUT, обращая внимание на величину, фазу и задержку группы. Для критических параметров, таких как S11, часто нацеливаются на ошибку 0,1 дБ или 1°. Моделирование Монте-Карло, которое возмущает необработанную форму волны в пределах шумового пола, дает доверительный интервал для извлеченных S-параметров. Кроме того, проверьте, что окончательная модель удовлетворяет фундаментальным ограничениям: S-матрицы должны быть причинными (Kramers-Kronig) и пассивными (собственные значения SHS ≤ 1). Обеспечение этих свойств, например, через этап возмущения после обработки, повышает доверие к извлеченным данным для последующего моделирования схем. Практический скрипт проверки может вычислить нарушение пассивности и немного настроить модель для его обеспечения. Для крупномасштабного производства автоматизированные

Тематическое исследование: извлечение S-параметров высокоскоростного коннектора

Рассмотрим 40 Гбит/с передний разъем, измеренный с 35-с TDR-модулем времени подъема и осциллографом выборки 20 ГГц. Традиционная экстракция на основе FT дает S11, которая колеблется на ±1,5 дБ выше 15 ГГц из-за спектральной утечки. Применение векторного фитинга домена времени (TD-VF) с моделью 18-поля уменьшает колебание до ±0,2 дБ и соответствует эталонным данным VNA до 25 ГГц. Та же модель точно предсказывает потерю дифференциальной вставки, позволяя инженеру целостности сигнала деэмблиировать разъем из симуляций каналов с уверенностью. Этот рабочий процесс был проверен во внутренних обзорах проектирования, которые ссылаются на метод TD-VF. Дальнейшая валидация включала анализ ошибок Монте-Карло, показывающий, что процесс экстракции на частотах

Будущие направления

Новые ультраширокополосные приложения (110 ГГц и выше) расширяют границы как инструментов временной области, так и алгоритмов извлечения. Фотонные методы выборки и электрооптические методы производят записи временной области с пикосекундным разрешением, но уровень шума измерения выше, чем у VNA. Изучаются стратегии гибридной экстракции, которые объединяют несколько разреженных точек VNA с данными TDR высокого разрешения. Кроме того, растущая доступность ускоренных GPU вычислений делает возможным параметрическую экстракцию в реальном времени для тестирования производственной линии. По мере созревания искусственного интеллекта мы можем ожидать, что сети не только извлекают S-параметры, но и диагностируют дефекты крепления и рекомендуют перекалибровку. Другим перспективным направлением является использование сжатого зондирования для сокращения количества требуемых образцов времени, что позволяет быстрее измерять без ущерба для пропускной способности. Наконец, интеграция этих методов извлечения непосредственно в прошивку осциллографа может упростить пользовательский опыт и уменьшить потребность в автономной обработке.

Заключение

Получение точных S-параметров от измерений временной области является проблемой, которая охватывает обработку сигналов, микроволновую теорию и вычислительное моделирование. В то время как простое преобразование времени к частоте остается полезным первым шагом, оно часто неадекватно для современных высокочастотных требований с низким уровнем шума. Передовые методы - от идентификации подпространства и векторной установки до матричного карандаша и обучающих картографов - преодолевают традиционные ограничения путем прямого моделирования основной физики и внедрения надежных шагов деконволюции и калибровки. При реализации с тщательным вниманием к качеству приобретения, выбору порядка модели и обеспечению пассивности эти методы обеспечивают S-параметры, которые конкурируют с прямыми измерениями VNA. Поскольку высокоскоростные цифровые и радиочастотные системы продолжают продвигать полосы пропускания все выше, освоение этих передовых инструментов извлечения останется ключевой компетенцией для любого инженера, работающего на интерфейсе анализа временной области и частотной области. Инвестирование времени в понимание этих методов окупается в лучших границах проектирования и более надежных высокоскоростных продуктах.