در این پروژه، پارامترهای ذاتی مدار معادل سیگنال کوچک یک gaas hemt، در برابر بایاس (vds و vgs)، فرکانس (f) و دما(t) ، با استفاده از شبکه های عصبی پرسپترون چند لایه ای (mlp) و تابع پایه شعاعی (rbf) مدل شده اند. شبکه های عصبی پیاده سازی شده، شامل ساختارهایی با چهار ورودی (بایاس (vds و vgs)، دما و فرکانس) و هشت خروجی (مقدار پارمترهای ذاتی gaas hemt و نیز فرکانس قطع آن) می باشند، که در پایان از نظر سرعت همگرایی، مقدار حافظه مورد نیاز و میزان دقت با یکدیگر مقایسه شده اند. نتایج نشان می دهد که درمورد استخراج پارامترهای ذاتی ترانزیستور gaas hemt، دقت شبکه پس انتشار (mlp) کمی بیشتر از تابع پایه شعاعی (rbf) است، ولی سرعت همگرایی شبکه rbf بیشتر از شبکه mlp می باشد و همچنین شبکه rbf نسبت به شبکه mlp به حافظه کمتری نیاز دارد.