一种矢量网络分析仪在片S参数的校准方法、系统及设备

技术领域

本发明属于半导体技术领域，尤其涉及一种矢量网络分析仪在片S参数的校准方法、系统及设备。

背景技术

12-term系统误差模型和8-term系统误差模型分别对系统源/负载匹配、反射/传输跟踪、方向性、隔离等不理想进行了表征，在低频在片领域(50GHz以下)、同轴和波导领域具有很高的准确度，因而得到了广泛的应用。

随着在片测试频率的升高，一些在低频段可以忽略的系统误差在高频段不可忽略，传统的12-term系统误差模型或者8-term误差模型，在高频段对在片S参数校准时误差较大，校准不准确。

发明内容

有鉴于此，本发明实施例提供了矢量网络分析仪在片S参数的校准方法、系统及设备，以解决目前系统误差模型在高频段对在片S参数校准不准确的问题。

本发明实施例的第一方面提供了一种矢量网络分析仪在片S参数的校准方法，包括：

获取矢量网络分析仪测量的第一串扰校准件的第一参数；

基于所述第一串扰校准件的第一参数和所述第一串扰校准件的标定参数获得主串扰误差项，所述主串扰误差项为矢量网络分析仪测量被测件时第一探针和第二探针之间的串扰误差；

获取矢量网络分析仪基于主串扰误差项测量的第二串扰校准件的第二参数；

基于所述第二串扰校准件的第二参数和所述第二串扰校准件的标定参数获得次串扰误差项，所述主串扰误差项和所述次串扰误差项用于校准所述矢量网络分析仪，所述次串扰误差项是主串扰误差项修正不完善的第一探针与第二探针之间的剩余串扰误差。

本发明实施例的第二方面提供了一种矢量网络分析仪在片S参数的校准系统，包括：

第一参数获取模块，用于获取矢量网络分析仪测量的第一串扰校准件的第一参数；

第一计算模块，用于基于所述第一串扰校准件的第一参数和所述第一串扰校准件的标定参数获得主串扰误差项；

第二参数获取模块，用于获取矢量网络分析仪基于主串扰误差项测量的第二串扰校准件的第二参数；

第二计算模块，用于基于所述第二串扰校准件的第二参数和所述第二串扰校准件的标定参数获得次串扰误差项，所述主串扰误差项和所述次串扰误差项用于校准所述矢量网络分析仪。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述矢量网络分析仪在片S参数的校准方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述矢量网络分析仪在片S参数的校准方法的步骤。

本发明通过主串扰误差项，在矢量网络分析仪测量被测件的在片S参数时进行修正，解决了测量时探针与探针之间的主要串扰误差，通过次串扰误差项，在矢量网络分析仪测量被测件的在片S参数时进行修正，解决了主串扰误差项修正不完善引起的剩余误差，提高了在片S参数校准的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一个实施例提供的矢量网络分析仪在片S参数的校准方法的流程示意图；

图2是本发明的一个实施例提供的主串扰误差项模型的结构示意图；

图3是本发明的一个实施例提供的次串扰误差项模型的结构示意图；

图4是本发明的一个实施例提供的Short-Short串扰校准件的结构的示例图；

图5是本发明的一个实施例提供的Open-Open串扰校准件的结构的示例图；

图6是本发明的一个实施例提供的Resistor-Resistor串扰校准件的结构的示例图；

图7是本发明的一个实施例提供的直通传输线的结构的示例图；

图8是本发明的一个实施例提供的3mm频段时本发明与现有技术的仿真结果的示例图；

图9是本发明的一个实施例提供的220GHz～325GHz频段时本发明与现有技术的仿真结果的结构的示例图；

图10是本发明的一个实施例提供的矢量网络分析仪在片S参数的校准系统的结构示例图；

图11是本发明的一个实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及其他任何变形，是指“包括但不限于”，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例1：

图1示出了本发明一实施例所提供的矢量网络分析仪在片S参数的校准方法的实现流程图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

如图1所示，本发明实施例所提供的一种矢量网络分析仪在片S参数的校准方法，包括：

S101，获取矢量网络分析仪测量的第一串扰校准件的第一参数；

S102，基于所述第一串扰校准件的第一参数和所述第一串扰校准件的标定参数获得主串扰误差项，所述主串扰误差项为矢量网络分析仪测量被测件时第一探针和第二探针之间的串扰误差；

S103，获取矢量网络分析仪基于主串扰误差项测量的第二串扰校准件的第二参数；

S104，基于所述第二串扰校准件的第二参数和所述第二串扰校准件的标定参数获得次串扰误差项，所述主串扰误差项和所述次串扰误差项用于校准所述矢量网络分析仪，所述次串扰误差项是主串扰误差项修正不完善的第一探针与第二探针之间的剩余串扰误差。

在本发明的实施例中，第一串扰校准件和第二串扰校准件可以是相同的串扰校准件也可以是不同的串扰校准件。且第一串扰校准件可以包含一种串扰校准件，也可以是多种串扰校准件。第二串扰校准件可以包含一种串扰校准件，也可以包含多种串扰校准件。

在本发明的实施例中，所述第一串扰校准件的第一参数为所述矢量网络分析仪基于主误差模型对所述第一串扰校准件进行测量获得的，所述主误差模型为利用非串扰校准件对所述矢量网络分析仪进行模型校准获得的8-term误差模型或12-term误差模型。

在本发明的实施例中，主误差模型采用8-term误差模型，可采用SOLT、LRRM、SOLR、LRM、TRL或Multiline TRL校准方法获得。也可先在系统同轴或波导口进行校准得到8term误差模型，再测量探针S参数，级联计算得到8-term误差模型。

如图2所示，在本发明的实施例中，S102包括：

基于主串扰误差项模型，通过所述第一串扰校准件的第一参数和所述第一串扰校准件的标定参数，获得主串扰误差项，所述主串扰误差项模型可以由以下算法获得：

Y_A和Y_C并联，得

因此，Y_T＝Y_C+Y_A；即：

其中，Y_C11、Y_C12、Y_C21、Y_C22为四个主串扰误差项；Y_T11、Y_T12、Y_T21、Y_T22为所述第一串扰校准件的第一参数；Y_A11、Y_A12、Y_A21、Y_A22为所述第一串扰校准件的标定参数；I₁为并联网络第一端口处总电流；I₂为并联网络第二端口处总电流；为串扰误差项网络第一端口处电流；为串扰误差项网络第二端口处电流；为串扰校准件网络第一端口处电流；为串扰校准件网络第二端口处电流；为第一端口处电压；为第二端口处电压。

在本发明的实施例中，S103包括：

获取矢量网络分析仪测量的第二串扰校准件的初始参数，所述第二串扰校准件的初始参数为所述矢量网络分析仪基于主误差模型对所述第二串扰校准件进行测量获得的，所述主误差模型为利用非串扰校准件对所述矢量网络分析仪进行模型校准获得的8-term误差模型或12-term误差模型；

通过所述主串扰误差项对所述初始参数进行修正，获得第二参数。

如图3所示，在本发明的实施例中，S104包括：

基于次串扰误差项模型，通过所述第二串扰校准件的第二参数和所述第二串扰校准件的标定参数获得次串扰误差项，其中所述次串扰误差项模型可以由以下算法获得：

其中：S_mxy为所述第二串扰校准件的第二参数；S_aij为所述第二串扰校准件的标定参数；e₁₀、e₀₁、e₀₀、e₁₁、e₂₃、e₃₂、e₁₂、e₂₁为已设定好的误差项；e₀₃，e₃₀，e₂₀，e₀₂，e₁₃，e₃₁为次串扰误差项；Δ＝e₁₀e₂₃-e₁₃e₂₀；a₀，b₀，a₃，b₃为经主误差模型和主串扰误差项修正后的电压波；a₁，b₁，a₂，b₂为被测件的电压波；T为传输散射矩阵。

在具体应用中，校准参考面与测试参考面在同一个参考面，建立的次串扰误差项模型。次串扰误差项模型为16-term误差模型，16-term误差模型中的10项已经设定好参数，只需求解剩余6项，也就是次串扰误差项即可。此时e₁₀＝e₀₁＝1；e₀₀＝e₁₁＝0；e₂₃＝e₃₂＝1；e₂₂＝e₃₃＝0。考虑到探针与探针之间的串扰已经在上一步中进行表征，因此e₁₂＝e₂₁＝0。需要求取的未知量有六项，共三个：e₀₃＝e₃₀，e₂₀＝e₀₂，e₁₃＝e₃₁。

在本发明的实施例中，S104之后还包括：

S105，获取矢量网络分析仪测量的被测件的初始S参数，所述初始S参数为所述矢量网络分析仪基于主误差模型测量获得的，所述主误差模型为利用非串扰校准件对所述矢量网络分析仪进行模型校准获得的8-term误差模型或12-term误差模型；

S106，通过主串扰误差项对所述初始S参数进行修正，获得候选S参数；

S107，通过所述次串扰误差项对所述候选S参数进行修正，获得所述被测件的在片S参数；

其中，通过公式S_m(T₃S_a+T₄)＝(T₁S_a+T₂)，获得候选S参数，S_a为被测件的标定S参数。

通过公式S＝(T₁-S_mT₃)^-1(S_mT₄-T₂)，获得在片S参数；S_m为候选S参数的集合；S为在片S参数；T为传输散射矩阵。

在本发明的实施例中，串扰校准件为至少两个时，利用正交自回归算法，分别计算主串扰误差项和次串扰误差项。

在本实施例中，串扰标准件的选取，可选用开路开路(Open-Open)，短路短路(Short-Short)，电阻电阻(Resistor-Resistor)，开路短路(Open-Short)，电阻开路(Resistor-Open)，电阻短路(Resistor-Short)或上述标准件的互易结构。

在本实施例中，在主串扰误差项和次串扰误差项修正过程中，可以使用一个串扰校准件，也可以使用多个串扰校准件，仅使用一个串扰校准件计算得到的准确度受随机误差影响较大。为了提高串扰误差提取准确度，此时可采用测量多个串扰校准件，利用正交自回归的算法，减小单个串扰校准件随机误差较大，提高了串扰误差项的测量准确度，进而提高了太赫兹频段在片S参数测量准确度。

正交自回归的算法如下所示。

y_i＝f_i(x_i+δ_i,β)-ε_i；

式中i表示n次测量过程中第i次观测，f_i表示测量模型(已知)，关于待估量β和自变量x_i(已知)的关系，ε_i和δ_i表示观测值y_i和自变量x_i测量误差，也是测量过程中希望减小的量。

那么，最优的待估量β可以下式中得到，

式中ω_εandω_δ是加权因子，这里设定为等权，ω_ε，ω_δ成为单位矩阵。以上公式可等效为

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了便于理解，下面以一个案例进行说明：

为验证新建立的十八项误差模型，研制了3mm频段和220GHz～325GHz校准件和串扰校准件，部分校准件示意图如图4-7所示。校准件分为Multiline TRL校准件和串扰校准件。Multiline TRL校准件中设计了直通长度为400μm的Coplanar Waveguide(CPW)传输线，其余额外长度为100μm，300μm，500μm，2000μm，5000μm，7000μm，11000μm，反射标准为Short-Short；串扰标准为Open-Open，Short-Short，Resistor-Resistor，Open-Short，Resistor-Short，Resistor-Open，串扰标准件的单端口偏移为直通一半200μm。被测件为无源衰减器，左右两端口50欧姆串联，上下地板之间75欧姆并联，这种衰减器结构对串扰最为敏感。

总体方案为：第一步采用Multiline TRL校准方法进行基本在片矢量网络分析仪校准，获得8-term误差模型，之后测量得到无源衰减器未经串扰修正过的测量结果；第二步，采用校准过的在片矢量网络分析仪测量1种串扰校准件获取4项主串扰误差项；第三步，测量其余几种串扰标准件，获取次串扰误差项。最后，根据串扰项得到无源衰减器串扰修正过的测量结果。测量完成后，需要对无源衰减器进行电磁场仿真来得到其S参数，比较下串扰修正前后测量结果与仿真结果。

测试结果：

采用在片矢量网络分析仪测量无源衰减器得到未经串扰修正的S参数，根据十八项系统误差模型得到最终被测件的S参数。测量结果见图8。后缀为“XX_未经串扰修正”是未经串扰修正的8-term误差模型测量结果；后缀为“_本文”是采用本文误差模型进行串扰修正测量结果；后缀为“_NIST”为美国NIST(美国国家标准技术研究院，全球顶级水平)进行串扰修正测量结果(NIST测试结果可作为评价修正效果的一个参考)。理论上分析，无源衰减器本身结构简单，在全频段范围内传输增益应该比较平坦，图8可以看出，采用本文误差模型修正后的测量结果传输幅度比较平坦，符合物理本质，高频段最大改善约1.2dB，同时与NIST结果基本一致。图9可以看出，在220GHz～325GHz频段，本文结果与NIST较为一致，相比于未经串扰修正结果，全频段内最大改善1.0dB，测试结果与仿真结果趋势更为吻合。至于300GHz衰减器测量结果稍有波动，应该是衰减器加工工艺所至。

实施例2：

如图10所示，本发明的一个实施例提供的矢量网络分析仪在片S参数的校准系统100，用于执行图1所对应的实施例中的方法步骤，其包括：

第一参数获取模块110，用于获取矢量网络分析仪测量的第一串扰校准件的第一参数；

第一计算模块120，用于基于所述第一串扰校准件的第一参数和所述第一串扰校准件的标定参数获得主串扰误差项，所述主串扰误差项为矢量网络分析仪测量被测件时第一探针和第二探针之间的串扰误差；

第二参数获取模块130，用于获取矢量网络分析仪基于主串扰误差项测量的第二串扰校准件的第二参数；

第二计算模块140，用于基于所述第二串扰校准件的第二参数和所述第二串扰校准件的标定参数获得次串扰误差项，所述主串扰误差项和所述次串扰误差项用于校准所述矢量网络分析仪，所述次串扰误差项是主串扰误差项修正不完善的第一探针与第二探针之间的剩余串扰误差。

在本发明的实施例中，第一串扰校准件的第一参数为所述矢量网络分析仪基于主误差模型对所述第一串扰校准件进行测量获得的，所述主误差模型为利用非串扰校准件对所述矢量网络分析仪进行模型校准获得的8-term误差模型或12-term误差模型。

在本发明的实施例中，第一计算模块120用于：

基于主串扰误差项模型，通过所述第一串扰校准件的第一参数和所述第一串扰校准件的标定参数，获得主串扰误差项，所述主串扰误差项模型为：

其中，Y_C11、Y_C12、Y_C21、Y_C22为四个主串扰误差项；Y_T11、Y_T12、Y_T21、Y_T22为所述第一串扰校准件的第一参数；Y_A11、Y_A12、Y_A21、Y_A22为所述第一串扰校准件的标定参数。

在本发明的实施例中，第二参数获取模块130包括：

参数获取单元，用于获取矢量网络分析仪测量的第二串扰校准件的初始参数，所述第二串扰校准件的初始参数为所述矢量网络分析仪基于主误差模型对所述第二串扰校准件进行测量获得的，所述主误差模型为利用非串扰校准件对所述矢量网络分析仪进行模型校准获得的8-term误差模型或12-term误差模型；

第二参数计算单元，用于通过所述主串扰误差项对所述初始参数进行修正，获得第二参数。

在本发明的实施例中，第二计算模块140用于：

基于次串扰误差项模型，通过所述第二串扰校准件的第二参数和所述第二串扰校准件的标定参数获得次串扰误差项，其中所述次串扰误差项模型为：

其中：S_mxy为所述第二串扰校准件的第二参数；S_aij为所述第二串扰校准件的标定参数；e₁₀、e₀₁、e₀₀、e₁₁、e₂₃、e₃₂、e₁₂、e₂₁为已设定好的误差项；e₀₃，e₃₀，e₂₀，e₀₂，e₁₃，e₃₁为次串扰误差项；Δ＝e₁₀e₂₃-e₁₃e₂₀；T为传输散射矩阵；e₁₀＝e₀₁＝1；e₀₀＝e₁₁＝0；e₂₃＝e₃₂＝1；e₂₂＝e₃₃＝0；e₀₃＝e₃₀，e₂₀＝e₀₂，e₁₃＝e₃₁。

在本发明的实施例中，与第二计算模块140相连的还包括：

初始S参数获取模块，用于获取矢量网络分析仪测量的被测件的初始S参数，所述初始S参数为所述矢量网络分析仪基于主误差模型测量获得的，所述主误差模型为利用非串扰校准件对所述矢量网络分析仪进行模型校准获得的8-term误差模型或12-term误差模型；

候选S参数获取模块，用于通过主串扰误差项对所述初始S参数进行修正，获得候选S参数；

在片S参数获取模块，用于通过所述次串扰误差项对所述候选S参数进行修正，获得所述被测件的在片S参数；

其中，通过公式S＝(T₁-S_mT₃)^-1(S_mT₄-T₂)，获得在片S参数；S_m为候选S参数的集合；S为在片S参数；T为传输散射矩阵。

在本发明的实施例中，串扰校准件为至少两个时，利用正交自回归算法，分别计算主串扰误差项和次串扰误差项。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即所述矢量网络分析仪在片S参数的校准系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述矢量网络分析仪在片S参数的校准系统中模块的具体工作过程，可以参考前述方法实施例1中的对应过程，在此不再赘述。

实施例3：

图11是本发明一实施例提供的终端设备的示意图。如图11所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器60执行所述计算机程序62时实现如实施例2中所述的各系统实施例中的各模块/单元的功能，例如图10所示模块110至140的功能。

所述终端设备6是指具有数据处理能力的终端，包括但不限于计算机、工作站、服务器，甚至是一些性能优异的智能手机、掌上电脑、平板电脑、个人数字助理(PDA)、智能电视(Smart TV)等。终端设备上一般都安装有操作系统，包括但不限于：Windows操作系统、LINUX操作系统、安卓(Android)操作系统、Symbian操作系统、Windows mobile操作系统、以及iOS操作系统等等。以上详细罗列了终端设备6的具体实例，本领域技术人员可以意识到，终端设备并不限于上述罗列实例。

所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图11仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备6还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备6所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

实施例4：

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如实施例1中所述的各实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述计算机程序被处理器执行时实现如实施例2中所述的各系统实施例中的各模块/单元的功能，例如图10所示的模块110至140的功能。

所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

在上述实施例中，对各个实施例的描述都各有侧重，实施例1至4可以任意组合，组合后形成的新的实施例也在本申请的保护范围之内。某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。