CN111177925A - 一种基于bas-bp算法的绞线rlcg参数提取方法 - Google Patents
一种基于bas-bp算法的绞线rlcg参数提取方法 Download PDFInfo
- Publication number
- CN111177925A CN111177925A CN201911392478.2A CN201911392478A CN111177925A CN 111177925 A CN111177925 A CN 111177925A CN 201911392478 A CN201911392478 A CN 201911392478A CN 111177925 A CN111177925 A CN 111177925A
- Authority
- CN
- China
- Prior art keywords
- rlcg
- algorithm
- stranded wire
- neural network
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 241001481710 Cerambycidae Species 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 241000244615 Ergates faber Species 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 3
- 241000254173 Coleoptera Species 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 239000004020 conductor Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 241000223679 Beauveria Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明基于天牛须全局搜索算法(beetle antennae search,BAS)和BP神经网络算法,建立了一种新型绞线RLCG参数提取网络模型,本发明能够利用该网络来提取高精度的绞线任意位置上的RLCG电磁参数矩阵,首先建立绞线模型并借助ANSYSQ3D软件平台提取参数样本,在对绞线空间结构分析后进行样本处理,然后将处理后数据导入BAS‑BP神经网络模型,最后通过训练和测试获取最佳提取网络,现有的传输线RLCG参数提取方法大都基于数值算法,对于绞线类非均匀传输线缺乏处理能力,本发明所提方法基于智能算法,相较于传统方法具有高精度、高效率等优势,且对于线型无特殊要求,能够较好地解决绞线电磁参数的提取问题。
Description
技术领域
本发明属于电磁干扰技术领域,具体涉及一种基于BAS-BP算法的绞线RLCG参数提取方法。
背景技术
绞线是以绞合单线绕绞线轴等角速度旋转和绞线匀速前进运动实现的,对传导噪声的抗干扰能力强,适用于工作频率较高,单股线材的集肤效应和邻近效应损耗过大的场合。使用绞线可以使运行温度降低,相比同截面积的单股线,绞线拥有更高的机械性、柔韧性,早在1960年学者们就开始对双绞线内部串扰进行了相应的研究,也有大量的文献研究了场耦合对绞线的电磁干扰,但对于多芯绞线内部串扰的研究依然较少。
本发明通过对天牛须(BAS)优化BP神经网络算法的研究,提出了一种基于该算法的绞线串扰预测方法。首先建立绞线模型和等效多导体传输线模型,然后利用天牛须-BP神经网络算法构建绞线电磁参数矩阵提取网络,最后将该网络与时域有限差分法(FDTD)结合对一具体三芯绞线模型的近端串扰和远端串扰进行了求解分析。在对这一具体的三芯绞线模型进行分析时,该电磁参数提取网络展现了很高的计算精度和效率。电磁参数矩阵提取网络的测试样本误差较低,主程序的训练时间也很短,相较于同类型的遗传-BP神经网络算法,该算法在效率上提升了5倍以上。与标准BP神经网络算法相比,天牛须-BP算法有效避免了网络陷入局部最优解的可能。与现有优化算法相比,解决了训练时间长、收敛速度慢的问题,具有更好的鲁棒性和预测精度。本发明以电磁场数值方法(TLM)求解的精确值作为参考值,对本发明提出方法进行对比验证。通过对比可知,本发明所提方法与电磁场数值方法(TLM)所求串扰结果具有良好的一致性,验证了基于BAS-BP神经网络算法结合FDTD预测绞线串扰的有效性,使得计算更加简便,结果更加精确。
发明内容
(一)解决的技术问题
本发明所要解决的技术问题是针对背景技术的不足提供了一种新型的绞线RLCG参数提取方法,本发明能够利用BAS-BP神经网络来提取高精度的绞线任意位置上的RLCG电磁参数矩阵。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于BAS-BP算法的绞线RLCG参数提取方法,包括如下步骤:
步骤(1):建立绞线数学模型;
步骤(2):构建RLCG参数样本矩阵提取模型及处理;
步骤(3):基于ANSYSQ3D仿真软件提取RLCG参数矩阵样本;
步骤(4):利用BP神经网络的非线性映射能力构建RLCG参数提取网络;
步骤(5):基于天牛须全局搜索算法优化BP神经网络;
步骤(6):训练和测试步骤(5)优化后的神经网络,并最终获取高精度RLCG参数提取网络。
进一步的,所述步骤(1)具体包括以单螺旋线为基础对绞线进行建模,其公式如下:
其中R0是旋转半径,α是扭绞因子,p是节距,αp是旋转角度,l是线长。
进一步的,所述步骤(5)具体包括以下步骤:
步骤(51):假设天牛方位,定义解空间维度,模型结构为1-M-N,1为输入层神经元个数(角度),M为隐含层神经元个数,输出层神经元个数为N,则解空间维度k=1*M+M*N+M+N;
步骤(52):设置步长因子α,天牛须搜索算法的精度取决于步长因子,为保证较高的搜索经精度,初始参数的设置应尽可能的覆盖搜索区域而不至于陷入局部极小。为了保证算法较高的收敛性,基于变步长策略,设置如下迭代公式:
αi+1=αi*β,i=(1,2,...,n)
式中:β取[0,1]之间接近1的数;
步骤(53):确定适应度函数为样本的均方根误差,借以迭代寻优,函数为:
式中:N为训练集样本数,y′i为第i个样本的模型输出值;yi为第i个样本的实际值;
步骤(54):初始化天牛参数,将天牛的初始位置数集设置为[-0.5,0.5]之间的随机数,并将初始化后的参数保存在bestX中;
步骤(55):将上述初始位置对应的初始适应度值保存在bestY中;
步骤(56):天牛须位置迭代,根据步骤(52)迭代计算天牛须的解空间位置;
步骤(57):计算左右须的适应度函数值f(xri)和f(xli),迭代更新天牛位置。这一步实际为对BP神经网络的权值和阈值进行迭代寻优,同时依据适应度函数更新bestY,bestX;
步骤(58):判断是否达到精度要求,设置为0.000005;或是否达到最大迭代次数(100代),满足任一条件则进行步骤S9,否则,返回步骤(56)继续寻优;
步骤(59):寻优结束后,bestX中的解集就是BP神经网络的最优初始权阈参数;利用该最优解即可生成最优的基于BP神经网络的绞线RLCG参数矩阵提取模型。
进一步的,所述步骤(52)中eta为0.8。
(三)有益效果
1.本发明提出的绞线电磁参数提取方法不局限于绞线,任何满足一定数学关系的空间布线都能够通过本方法获得良好的RLCG参数矩阵;
2.本发明提出的绞线电磁参数提取方法具有高精度、高鲁棒性以及高效率的优势,适用性良好,结合时域有限差分后可预测绞线高频串扰;
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的三芯绞线换位处横截面旋转度数的示意图;
图2为本发明BP神经网络拓扑结构图;
图3为本发明BAS优化BP神经网络流程图;
图4为本发明测试数据测试误差分布直方图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种基于BAS-BP算法的绞线RLCG参数提取方法,包括如下步骤:步骤1,建立绞线数学模型;
以单螺旋线为基础对绞线进行建模,其公式如下:
其中R0是旋转半径,α是扭绞因子,p是节距,αp是旋转角度,l是线长。N芯绞线实际就是N根单螺旋线的组合,只是每根单线的起始位置不同,相邻单线在相位上相差2π/n角度。设绞线芯数为n,初始横截面和与其形状一致的任一横截面在相位上相差2π/n,将上述横截面定义为绞线换位处,即kp/n的位置,对应的径向旋转度数为2kπ/n,其中k=1,2,...,n;
步骤2,RLCG参数样本矩阵提取模型及处理。
导电无限大金属地面上的n导体传输线的参数矩阵表示为:
其中X代表R,L,C,G参数矩阵,x代表电阻、电感、电容和电导值。不考虑损耗,传输线的RLCG电磁参数矩阵为对称矩阵,xij=xji。因此,只需以该矩阵的主对角元数和上三角元素作为研究对象,如下式:
y表示RLCG参数矩阵样本元素的数值,其中y中元素总个m=2n(1+n),n为芯数;
步骤3,基于ANSYSQ3D仿真软件提取RLCG参数矩阵样本。从截面看来,绞线任意位置的截面形状一致,只存在绞线和地的相对位置变化。从轴向延伸的角度看,多绞线可视为由沿轴向逆时针不断旋转变化的无限多个厚度无限小的横截面导体级联而成的多导体传输线,在一个截距内完成一周的连续旋转。因此,可以将绞线对地的相对位置转换成相应的旋转角度。绞线任一位置都对应有自己的RLCG参数矩阵和相应的旋转角度。针对绞线这一独特的性质,可以通过上述仿真软件提取不同旋转角度的多芯均匀传输线的单位长度RLCG参数矩阵,便可获取BAS-BP神经网络所需的样本参数矩阵及其相对应的作为网络输入的角度矩阵。
步骤4,利用BP神经网络的非线性映射能力构建RLCG参数提取网络。
从数学角度来看,绞线模型中的RLCG参数与旋转角度,即距初始端口位置间存在一种高度非线性映射关系F,即
X=F(degree) (7)
利用BP神经网络的非线性映射能力来拟合上述复杂的非线性关系,但BP神经网络存在易陷于局部极优和对初始权重依赖性大的问题。
步骤5,基于天牛须全局搜索算法优化BP神经网络,解决上述问题,获取高精度、高鲁棒性的参数提取网络,具体步骤如下:
S1:假设天牛方位,定义解空间维度,模型结构为1-M-N,1为输入层神经元个数(角度),M为隐含层神经元个数,输出层神经元个数为N,则解空间维度k=1*M+M*N+M+N;
S2:设置步长因子α,天牛须搜索算法的精度取决于步长因子,为保证较高的搜索经精度,初始参数的设置应尽可能的覆盖搜索区域而不至于陷入局部极小。为了保证算法较高的收敛性,基于变步长策略,设置如下迭代公式:
αi+1=αi*β,i=(1,2,...,n)
式中:β取[0,1]之间接近1的数;
S3:确定适应度函数为样本的均方根误差,借以迭代寻优,函数为:
式中:N为训练集样本数,y′i为第i个样本的模型输出值;yi为第i个样本的实际值;
S4:初始化天牛参数,将天牛的初始位置数集设置为[-0.5,0.5]之间的随机数,并将初始化后的参数保存在bestX中;
S5:将上述初始位置对应的初始适应度值保存在bestY中;
S6:天牛须位置迭代,根据步骤(52)迭代计算天牛须的解空间位置;
S7:计算左右须的适应度函数值f(xri)和f(xli),迭代更新天牛位置。这一步实际为对BP神经网络的权值和阈值进行迭代寻优,同时依据适应度函数更新bestY,bestX;
S8:判断是否达到精度要求,设置为0.000005;或是否达到最大迭代次数(100代),满足任一条件则进行步骤S9,否则,返回步骤(56)继续寻优;
S9:寻优结束后,bestX中的解集就是BP神经网络的最优初始权阈参数;利用该最优解即可生成最优的基于BP神经网络的绞线RLCG参数矩阵提取模型。
步骤6,训练和测试该神经网络,并最终获取高精度RLCG参数提取网络。
将绞线任意位置RLCG参数矩阵提取网络与FDTD算法结合,便可预测出绞线的串扰。
表1
表1是从相对误差均值以及迭代过程中CPU运行时间2个角度对模型的性能进行描述。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于BAS-BP算法的绞线RLCG参数提取方法,其特征在于,包括如下步骤:
步骤(1):建立绞线数学模型;
步骤(2):构建RLCG参数样本矩阵提取模型及处理;
步骤(3):基于ANSYSQ3D仿真软件提取RLCG参数矩阵样本;
步骤(4):利用BP神经网络的非线性映射能力构建RLCG参数提取网络;
步骤(5):基于天牛须全局搜索算法优化BP神经网络;
步骤(6):训练和测试步骤(5)优化后的神经网络,并最终获取高精度RLCG参数提取网络。
3.根据权利要求1所述的一种基于BAS-BP算法的绞线RLCG参数提取方法,其特征在于,所述步骤(5)具体包括以下步骤:
步骤(51):假设天牛方位,定义解空间维度,模型结构为1-M-N,1为输入层神经元个数(角度),M为隐含层神经元个数,输出层神经元个数为N,则解空间维度k=1*M+M*N+M+N;
步骤(52):设置步长因子α,天牛须搜索算法的精度取决于步长因子,为保证较高的搜索经精度,初始参数的设置应尽可能的覆盖搜索区域而不至于陷入局部极小。为了保证算法较高的收敛性,基于变步长策略,设置如下迭代公式:
αi+1=αi*β,i=(1,2,...,n)
式中:β取[0,1]之间接近1的数;
步骤(53):确定适应度函数为样本的均方根误差,借以迭代寻优,函数为:
式中:N为训练集样本数,y′i为第i个样本的模型输出值;yi为第i个样本的实际值;
步骤(54):初始化天牛参数,将天牛的初始位置数集设置为[-0.5,0.5]之间的随机数,并将初始化后的参数保存在bestX中;
步骤(55):将上述初始位置对应的初始适应度值保存在bestY中;
步骤(56):天牛须位置迭代,根据步骤(52)迭代计算天牛须的解空间位置;
步骤(57):计算左右须的适应度函数值f(xri)和f(xli),迭代更新天牛位置。这一步实际为对BP神经网络的权值和阈值进行迭代寻优,同时依据适应度函数更新bestY,bestX;
步骤(58):判断是否达到精度要求,设置为0.000005;或是否达到最大迭代次数(100代),满足任一条件则进行步骤S9,否则,返回步骤(56)继续寻优;
步骤(59):寻优结束后,bestX中的解集就是BP神经网络的最优初始权阈参数;利用该最优解即可生成最优的基于BP神经网络的绞线RLCG参数矩阵提取模型。
4.根据权利要求3所述的一种基于BAS-BP算法的绞线RLCG参数提取方法,其特征在于:所述步骤(52)中eta为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392478.2A CN111177925A (zh) | 2019-12-30 | 2019-12-30 | 一种基于bas-bp算法的绞线rlcg参数提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392478.2A CN111177925A (zh) | 2019-12-30 | 2019-12-30 | 一种基于bas-bp算法的绞线rlcg参数提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177925A true CN111177925A (zh) | 2020-05-19 |
Family
ID=70655935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911392478.2A Pending CN111177925A (zh) | 2019-12-30 | 2019-12-30 | 一种基于bas-bp算法的绞线rlcg参数提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177925A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001491A (zh) * | 2020-07-27 | 2020-11-27 | 三星(中国)半导体有限公司 | 针对处理器确定神经网络架构的搜索方法和装置 |
CN112529066A (zh) * | 2020-12-07 | 2021-03-19 | 南京工程学院 | 一种基于bas-bp分类器模型的电压暂降源识别方法 |
CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
CN113449837A (zh) * | 2020-11-12 | 2021-09-28 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232204A (zh) * | 2019-04-23 | 2019-09-13 | 南京师范大学镇江创新发展研究院 | 一种基于bp-fdtd算法的多绞线串扰预测方法 |
-
2019
- 2019-12-30 CN CN201911392478.2A patent/CN111177925A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232204A (zh) * | 2019-04-23 | 2019-09-13 | 南京师范大学镇江创新发展研究院 | 一种基于bp-fdtd算法的多绞线串扰预测方法 |
Non-Patent Citations (3)
Title |
---|
CHENGPAN YANG等: "Analysis on RLCG Parameter Matrix Extraction for Multi-core Twisted Cable Based on Back Propagation Neural Network Algorithm", 《JOURNALS & MAGAZINES》 * |
王甜甜等: "基于BAS-BP模型的风暴潮灾害损失预测", 《海洋环境科学》 * |
陈馨凝等: "基于BAS-BP模型的电缆阻水性评估研究", 《湖北工业大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001491A (zh) * | 2020-07-27 | 2020-11-27 | 三星(中国)半导体有限公司 | 针对处理器确定神经网络架构的搜索方法和装置 |
CN113449837A (zh) * | 2020-11-12 | 2021-09-28 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
CN113449837B (zh) * | 2020-11-12 | 2022-10-11 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
CN112529066A (zh) * | 2020-12-07 | 2021-03-19 | 南京工程学院 | 一种基于bas-bp分类器模型的电压暂降源识别方法 |
CN112529066B (zh) * | 2020-12-07 | 2024-04-16 | 南京工程学院 | 一种基于bas-bp分类器模型的电压暂降源识别方法 |
CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
CN113111579B (zh) * | 2021-04-02 | 2022-09-09 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177925A (zh) | 一种基于bas-bp算法的绞线rlcg参数提取方法 | |
CN108170950B (zh) | 基于神经网络的多层频率选择表面吸波材料建模优化方法 | |
CN107038292A (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
CN113609815A (zh) | 一种电路仿真优化方法、装置、计算机设备及存储介质 | |
CN105005675A (zh) | 基于多目标遗传算法的复合绝缘子电场优化方法 | |
CN105225000B (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN113177673A (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
Xiaobo | Comparison of response surface method and Kriging method for approximation modeling | |
CN113408077B (zh) | 一种基于代理模型的锯齿形水翼前缘优化方法 | |
CN105045967A (zh) | 基于集团度的复杂网络重要节点排序方法及模型演化方法 | |
CN106934096B (zh) | 一种基于架空导线表面温度求解钢芯温度的方法 | |
CN106294284A (zh) | 基于频率角度二维混合插值的降雨粒子散射运算加速方法 | |
CN114810008A (zh) | 一种油田分层注水量预测方法 | |
CN116720442A (zh) | 一种基于改进傅里叶神经算子的磨损预测方法 | |
CN115456184B (zh) | 量子电路处理方法、量子态制备方法、装置、设备及介质 | |
Huang et al. | Analysis of crosstalk problem in multi-twisted bundle of multi-twisted wire based on BSAS-BP neural network algorithm and multilayer transposition method | |
CN111507044B (zh) | 一种手工多芯线束rlcg参数矩阵预测方法 | |
CN113869350A (zh) | 基于空间特征差异的海流预测方法以及系统 | |
Zhang et al. | Composite structured mesh generation with automatic domain decomposition in complex geometries | |
CN116503434B (zh) | 一种点云数据的边界提取方法、装置、设备及存储介质 | |
Zhang et al. | Design and Optimization of Radar Low Scattering Objects | |
CN113268840B (zh) | 一种电子线束的拓扑优化方法及系统 | |
Sun et al. | Research on Crosstalk Prediction of Stranded Cable Based on GA-BP Neural Network Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |