CN111639471A - 一种基于循环神经网络的电磁干扰滤波器设计方法 - Google Patents
一种基于循环神经网络的电磁干扰滤波器设计方法 Download PDFInfo
- Publication number
- CN111639471A CN111639471A CN202010485240.0A CN202010485240A CN111639471A CN 111639471 A CN111639471 A CN 111639471A CN 202010485240 A CN202010485240 A CN 202010485240A CN 111639471 A CN111639471 A CN 111639471A
- Authority
- CN
- China
- Prior art keywords
- filter
- electromagnetic interference
- neural network
- frequency
- interference filter
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/373—Design optimisation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Filters And Equalizers (AREA)
Abstract
本发明公开了一种基于循环神经网络的电磁干扰滤波器设计方法,该方法能够实现电磁干扰滤波器的快速建模,并基于此模型实现电磁干扰滤波器的快速设计。相比于传统建模方法,本发明建模方法使用了全连接神经网络对电磁干扰滤波器中的元器件进行编码,使得元器件之间的相互耦合能够通过神经网络的训练自动学习。因此,本发明避免了对复杂的元器件之间相互耦合效应进行人为分析,同时运用循环神经网络将滤波器的拓扑信息包含在所建立的模型中,从而实现对滤波器插入损耗的快速准确建模,此外本发明结合具体电磁干扰要求标准以及网格搜索算法可以实现对滤波器的快速优化设计。
Description
技术领域
本发明属于电力电子电磁兼容技术领域,具体涉及一种基于循环神经网络的电磁干扰滤波器设计方法。
背景技术
随着高功率密度、高效率、高工作频率的功率变换器的问世,使得电力电子系统中的电源部分由早年稳定而可靠的线性稳压电源开始被新型高频开关电源取代。在电力电子系统中,随着功率半导体器件的高频化,功率变换器的高功率密度和高速开关将导致严重的电磁干扰问题,这将严重影响电力电子系统的可靠性,因此为了保证电力电子系统的可靠性,滤波器成为缓解这些问题的常用解决方案之一。在实践中,对于不同的电力电子系统,发射和抗扰度特性不相同,很难从现有的滤波器产品中选择合适的滤波器,通常需要针对不同的系统定制滤波器,因此开发高效且准确的滤波器设计方法具有重要意义。
在工业应用中,滤波器的结构和拓扑取决于许多因素,例如系统的电压水平、电流水平、尺寸和所需的插入损耗。常用的方法是根据理想电路模型推导滤波器参数,进行滤波器元器件的选择(主要包括电容和电感),但是由于在理想电路模型中未考虑滤波器元器件的高频耦合效应和寄生效应,理想电路模型在高频下并不能达到所需的精度。根据理想电路模型确定的滤波器元器件参数通常都需要进行大量的实验来修正滤波器元器件参数,然而这种反复实验的过程非常耗时且代价高昂,因此为了避免这种反复试验的修改过程,进行高效且低成本地滤波器设计,用建模仿真的方式来代替实验结果成为一种常用手段。
现有的高频滤波器建模方法主要包括:等效电路模型、电磁模型和神经网络模型,无论是使用等效电路模型还是使用电磁模型对滤波器进行建模,针对滤波器高频耦合效应的分析都是必不可少的。然而,现实中滤波器模型所需要适用的频率范围通常为几千赫兹到数十兆赫兹,在如此宽广的频率范围内,想要准确分析滤波器的高频耦合效应,进而找到完全合适的电容和电感参数既困难又费时。基于神经网络的滤波器建模方法尽管在建模效率和模型精度上相较等效电路建模与电磁建模有一定的优势,但是由于现有的方法一般是以滤波器中电容,电感的阻抗参数作为输入变量,文献H.Chen and S.Ye.ModelingandOptimization ofEMI Filterby UsingArtificial Neural Network[J].IEEETransactionson Electromagnetic Compatibility,2019,61(6):1979-1987提出采用多层全连接神经网络对滤波器进行建模,该方法在模型结构设计中并未考虑滤波器中不同元器件之间的相互耦合以及滤波器的电路拓扑对滤波器性能的影响,这导致用该方法建立的滤波器模型在精度和效率上依旧无法满足工业应用的要求,因此亟须研究,电磁干扰滤波器的快速建模和快速设计方法。
发明内容
鉴于上述,本发明提出了一种基于循环神经网络的电磁干扰滤波器设计方法,能够实现电磁干扰滤波器的快速建模,并基于所建立的模型,实现电磁干扰滤波器的快速设计。
一种基于循环神经网络的电磁干扰滤波器设计方法,包括如下步骤:
(1)依据电力电子系统的限制因素,确定电磁干扰滤波器的拓扑结构以及拓扑结构中各元器件(主要包括电容和电感)可选用的型号;
(2)制造电磁干扰滤波器样机,多次改变滤波器样机中各元器件的型号,并测试滤波器样机对应的插入损耗;
(3)以滤波器样机各元器件型号对应的编号为输入变量,以滤波器样机的插入损耗为输出变量,根据步骤(2)得到的结果生成各次不同型号条件下对应的样本(包含对应的输入变量和输出变量);
(4)构建合适的神经网络结构,利用上述样本对该神经网络进行训练,得到电磁干扰滤波器模型;
(5)测试未接入电磁干扰滤波器情况下电力电子系统的电磁干扰频谱,对比标准限值要求,建立电磁干扰滤波器的定量设计指标;
(6)利用所述电磁干扰滤波器模型仿真所有不同元器件型号组合下的电磁干扰滤波器插入损耗;
(7)将步骤(6)中仿真得到的插入损耗代入步骤(5)中所建立的定量设计指标,利用优化算法从所有设计方案(每一套方案包含了各元器件选定型号)中计算选取电磁干扰滤波器的最优设计方案。
进一步地,所述步骤(1)中电力电子系统的限制因素包括功率等级、空间限制、散热、所需的插入损耗等。
进一步地,所述步骤(4)中构建的神经网络结构由一个全连接神经网络和一个循环神经网络连接组成。
进一步地,所述全连接神经网络为单层结构即相当于一个编码层,该编码层实质是一个T×d大小的矩阵,T为滤波器样机中各元器件可选用的型号数量,d为编码向量维度且为2的多次方,该编码层用于对滤波器样机各元器件型号对应的编号进行编码转换成d维的编码向量。
进一步地,所述循环神经网络由编码器和解码器连接组成,所述编码器是一个单层GRU(Gate Recurrent Unit),编码器在编码过程中会递归计算n次,n为滤波器样机中的元器件个数,编码器每次递归计算的输入包括对应元器件的编码向量以及上一次递归计算的输出,第n次递归计算的输出为整个滤波器样机的编码向量;所述解码器也是一个单层GRU,解码器在解码过程中会递归计算k次,k为整个标准限值要求的频段按对数均匀分割得到的频点个数,编码器每次递归计算的输入包括对应频点的频率以及上一次递归计算的输出,第一次递归计算的输入包括第一个频点的频率以及整个滤波器样机的编码向量,编码器每次递归计算的输出为滤波器样机的插入损耗在对应频点上的采样值;所述GRU中的神经元个数为编码向量维度d。
进一步地,所述全连接神经网络生成的编码向量根据其对应元器件在滤波器样机拓扑中的位置关系输入循环神经网络的编码器。
进一步地,所述步骤(5)中电磁干扰滤波器的定量设计指标如下:
d(fi)=R(fi)-M(fi)
其中:QDI为电磁干扰滤波器的定量设计指标,fi表示将整个标准限值要求的频段按对数均匀分割为k个频点后其中第i个频点的频率,R(fi)表示在频率fi下对电磁干扰滤波器要求的插入损耗限值,M(fi)表示在频率fi下电磁干扰滤波器的插入损耗值,m表示在全频段需要保留的裕量,score(fi)表示在频率fi下电磁干扰滤波器的定量设计指标函数值。
进一步地,所述步骤(7)中的优化算法选用网格搜索算法。
相比于传统设计方法以及一般的神经网络建模方法,本发明设计方法使用了带有编码层的循环神经网络对电磁干扰滤波器进行高频建模,循环神经网络使得滤波器的拓扑信息被包含在模型中。此外,本发明设计方法通过运用全连接神经网络对元器件进行编码,使得元器件的编码向量中包含了元器件间的耦合信息,从而避免了对不同元器件之间复杂相互耦合的人为分析。因此,本发明方法可以实现对滤波器插入损耗的快速准确建模,并基于所建立模型使用网格算法计算最优的滤波器元器件组合,进而实现快速高效地得到电磁干扰滤波器的最优设计方案。
附图说明
图1为本发明电磁干扰滤波器设计方法的流程示意图。
图2为二阶π型LC共模滤波器的拓扑结构示意图。
图3为利用网络分析仪对电磁干扰滤波器的测试接线图。
图4为本发明所采用的建模方法流程示意图。
图5为本发明所采用的循环神经网络结构示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,本发明基于循环神经网络的电磁干扰滤波器设计方法,包括如下具体步骤:
(1)依据电力电子系统的限制因素,确定电磁干扰滤波器的拓扑结构以及拓扑结构中包括电容、电感等元器件的多个可选用的型号。
本实施例中,选用了二阶π型LC共模滤波器(该滤波器是用以抑制电动汽车电机驱动器直流母线的共模干扰),其拓扑结构如图2所示,该滤波器使用了共模电容、共模电感两种滤波元器件,可供选用的共模电容有a种,可供选用的共模电感有b种,即一共有T=a+b种候选元器件可供选择。
(2)制造电磁干扰滤波器样机,多次改变样机中电容、电感等元器件的型号,并测试电磁干扰滤波器样机对应的插入损耗,并划分训练样本和验证样本。
本实施例中,通过选用不同型号的共模电容和共模电感,改变电磁干扰滤波器样机n次(条件允许的情况n越大越好),并通过网络分析仪测试电磁干扰滤波器的在100kHz到108MHz频率范围内的插入损耗,测试接线如图3所示,最终记录下这n次测试所选用的器件对应的序号以及插入损耗,并将1/10的数据划分为验证样本,其余作为训练样本。
(3)利用神经网络将步骤(1)中可选用的包括电容,电感等元器件进行编码,得到每个元器件的编码向量。
本实施例中,编码选用的神经网络为全连接神经网络。首先初始化一个形状为T×d的单层全连接神经网络,将其称为编码层,编码层的本质是一个形状被T×d的矩阵,T是候选元器件的总数,d是编码向量的维度;然后将每个可选元器件从1到T编号,元器件的编号对应于其在神经网络的对应行的编码向量;对于编码向量的维度,取2的多次方能够充分利用计算机的计算资源,同时维度取的越高,编码向量中包含的有效信息就越多,模型的仿真结果也会更准确,但是高维度也意味着更长的训练时间,因此编码向量的维度需要通过多次建模仿真实验来确定,一般取64、128或者256能够在效率与精度上取得比较好的综合性能。对于此二阶π型LC共模滤波器,由于其内部共有5个元器件,所以其原始输入是5个数字,每个数字对应一个电容或电感的编号,编号对应的行就是该器件对应的d维向量。将器件输入编码层进行编码,滤波器的5个元器件会被表征为5个d维编码向量。
(4)将步骤(3)中得到的编码向量作为神经网络的输入变量,将电磁干扰滤波器样机的插入损耗在对数均匀的k个频点的采样值作为神经网络的输出变量,使用步骤(2)中构建的训练样本训练神经网络,得到滤波器的神经网络模型。
本实施例中,滤波器模型选用的神经网络为循环神经网络,模型的整体结构如图5所示,由两个GRU(一种循环神经网络)构成,分别被称为编码器和解码器(其中,GRU中神经元的个数一般取和编码向量相同的维度,这样在计算过程中不会有信息丢失,同时还能兼顾训练效率)。首先将步骤(3)中得到的5个元器件编码向量根据每个编码向量所对应元器件在滤波器拓扑中的位置关系输入编码器,其中本实施例中的滤波器拓扑如图2所示,等所有编码向量都输入完毕之后,由编码器的输出可得滤波器的编码向量;然后将滤波器的编码向量作为解码器的初始状态输入解码器,以步骤(2)中采样的k个频点的插入损耗作为解码器的输出变量,使用训练样本训练神经网络直至其在验证样本上精度不再上升,整个建模方法的流程如图4所示。
对于本实施例,滤波器的插入损耗的频率覆盖范围为100kHz到108MHz,为了保证模型仿真所得曲线的平滑性,采样点数k会取得比较多(一般取100个以上)。因此,在循环神经网络内部进行计算时会导致长期依赖的问题,具体而言,是因为频率覆盖范围较大,采样点数较多,循环神经网络在高频段展开计算插入损耗时,网络“遗忘”了低频段已经仿真出的插入损耗以及作为初始状态输入的滤波器的编码向量,进而导致高频段的仿真结果不准。为了解决这个问题,本实施例中采用GRU作为模型的基本单元,GRU内部每一计算步的行为用如下公式表征:
其中:xt代表模型的输入变量(在编码器中,xt代表电容或电感的编码向量;在解码器中,xt代表前一个频率点的插入损耗值和当前计算步待仿真的频率值),ht表示当前计算步的隐藏状态,这是计算过程中的中间变量(在编码器的第一步,它用零初始化;在解码器中,用EMI滤波器的编码向量初始化),ht-1表示上一步的隐藏状态,yt表示当前计算步的输出变量(对于解码器,是模型输出的插入损耗)。
(5)测试未接入电磁干扰滤波器情况下电力电子系统的电磁干扰频谱,对比标准限值要求,得到电磁干扰滤波器的定量设计指标。
本实施案例中,首先测试未接入电磁干扰滤波器时,电动汽车电机驱动器直流母线上的共模干扰,此处干扰需要满足标准CISPR 25电流法测试class 4的限值要求(对于其他系统,只需要根据需要满足的标准相应即可);通过将限值要求减去未接入电磁干扰滤波器时,电动汽车电机驱动器直流母线上的共模干扰,可得对电磁干扰滤波器要求的插入损耗限值。进一步地,在实际工程中最好能保持一定的裕量,因此使用下式作为电磁干扰滤波器的定量设计指标。
其中:QDI为电磁干扰滤波器的定量设计指标,fi表示将整个标准限值要求的频段按对数均匀分割为k个频点后其中第i个频点的频率值,R(fi)表示在fi频率下对电磁干扰滤波器要求的插入损耗限值,M(fi)表示在fi频率下电磁干扰滤波器神经网络模型仿真的插入损耗值,m表示在全频段需要保留的裕量,score(fi)表示在fi频率下电磁干扰滤波器的定量设计指标函数值。
(6)利用步骤(4)中所建立的滤波器神经网络模型仿真不同元器件组合下的电磁干扰滤波器插入损耗。
本实施例中,首先将不同器件组合中电容、电感的型号输入步骤(3)中所建立的编码层,得到对应的编码向量;然后,将编码向量输入步骤(4)中所建立的滤波器循环神经网络模型,计算不同器件组合下对应的电磁干扰滤波器在k个频点上的插入损耗。
(7)将步骤(6)中仿真得到的插入损耗代入步骤(5)中所建立的定量设计指标,利用参数搜索算法从所有候选元器件组合中选取满足定量设计指标的器件组合,最终得到电磁干扰滤波器元器件参数的最优设计方案。
本实施例中使用网格搜索算法求解最优的电容电感组合;首先,将步骤(6)中仿真得到的不同器件组合下k个频点的电磁干扰滤波器插入损耗代入步骤(5)中所建立的定量评价指标中的M(fi),通过步骤(5)中的公式可以计算得到不同器件组合下的QDI;随后以QDI为网格搜索算法的目标函数,以各电容、电感的型号为待搜索参数,利用网格搜索算法对器件参数进行搜索,取使QDI值最小,同时满足各频点的score(fi)都大于等于0的器件组合作为电磁干扰滤波器元器件参数的最优设计方案。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于循环神经网络的电磁干扰滤波器设计方法,包括如下步骤:
(1)依据电力电子系统的限制因素,确定电磁干扰滤波器的拓扑结构以及拓扑结构中各元器件可选用的型号;
(2)制造电磁干扰滤波器样机,多次改变滤波器样机中各元器件的型号,并测试滤波器样机对应的插入损耗;
(3)以滤波器样机各元器件型号对应的编号为输入变量,以滤波器样机的插入损耗为输出变量,根据步骤(2)得到的结果生成各次不同型号条件下对应的样本;
(4)构建合适的神经网络结构,利用上述样本对该神经网络进行训练,得到电磁干扰滤波器模型;
(5)测试未接入电磁干扰滤波器情况下电力电子系统的电磁干扰频谱,对比标准限值要求,建立电磁干扰滤波器的定量设计指标;
(6)利用所述电磁干扰滤波器模型仿真所有不同元器件型号组合下的电磁干扰滤波器插入损耗;
(7)将步骤(6)中仿真得到的插入损耗代入步骤(5)中所建立的定量设计指标,利用优化算法从所有设计方案中计算选取电磁干扰滤波器的最优设计方案。
2.根据权利要求1所述的电磁干扰滤波器设计方法,其特征在于:所述步骤(1)中电力电子系统的限制因素包括功率等级、空间限制、散热、所需的插入损耗。
3.根据权利要求1所述的电磁干扰滤波器设计方法,其特征在于:所述步骤(4)中构建的神经网络结构由一个全连接神经网络和一个循环神经网络连接组成。
4.根据权利要求3所述的电磁干扰滤波器设计方法,其特征在于:所述全连接神经网络为单层结构即相当于一个编码层,该编码层实质是一个T×d大小的矩阵,T为滤波器样机中各元器件可选用的型号数量,d为编码向量维度且为2的多次方,该编码层用于对滤波器样机各元器件型号对应的编号进行编码转换成d维的编码向量。
5.根据权利要求4所述的电磁干扰滤波器设计方法,其特征在于:所述循环神经网络由编码器和解码器连接组成,所述编码器是一个单层GRU,编码器在编码过程中会递归计算n次,n为滤波器样机中的元器件个数,编码器每次递归计算的输入包括对应元器件的编码向量以及上一次递归计算的输出,第n次递归计算的输出为整个滤波器样机的编码向量;所述解码器也是一个单层GRU,解码器在解码过程中会递归计算k次,k为整个标准限值要求的频段按对数均匀分割得到的频点个数,编码器每次递归计算的输入包括对应频点的频率以及上一次递归计算的输出,第一次递归计算的输入包括第一个频点的频率以及整个滤波器样机的编码向量,编码器每次递归计算的输出为滤波器样机的插入损耗在对应频点上的采样值;所述GRU中的神经元个数为编码向量维度d。
6.根据权利要求5所述的电磁干扰滤波器设计方法,其特征在于:所述全连接神经网络生成的编码向量根据其对应元器件在滤波器样机拓扑中的位置关系输入循环神经网络的编码器。
8.根据权利要求1所述的电磁干扰滤波器设计方法,其特征在于:所述步骤(7)中的优化算法选用网格搜索算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485240.0A CN111639471B (zh) | 2020-06-01 | 2020-06-01 | 一种基于循环神经网络的电磁干扰滤波器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010485240.0A CN111639471B (zh) | 2020-06-01 | 2020-06-01 | 一种基于循环神经网络的电磁干扰滤波器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639471A true CN111639471A (zh) | 2020-09-08 |
CN111639471B CN111639471B (zh) | 2022-05-27 |
Family
ID=72329830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010485240.0A Active CN111639471B (zh) | 2020-06-01 | 2020-06-01 | 一种基于循环神经网络的电磁干扰滤波器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639471B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862715A (zh) * | 2021-02-08 | 2021-05-28 | 天津大学 | 一种实时且可控的尺度空间滤波方法 |
CN116050185A (zh) * | 2023-03-28 | 2023-05-02 | 敏业信息科技(上海)有限公司 | 电磁干扰滤波器仿真和验证方法、装置和计算机可读介质 |
CN116527017A (zh) * | 2023-07-03 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 电机控制器的滤波器件确定方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
US20190265950A1 (en) * | 2018-02-27 | 2019-08-29 | New York University | System, method, and apparatus for recurrent neural networks |
CN110232207A (zh) * | 2019-04-30 | 2019-09-13 | 浙江大学 | 一种基于人工神经网络的电磁干扰滤波器设计方法 |
CN110245436A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
EP3572957A1 (en) * | 2018-05-24 | 2019-11-27 | Hitachi, Ltd. | Automated electromagnetic interference filter design |
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
-
2020
- 2020-06-01 CN CN202010485240.0A patent/CN111639471B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
US20190265950A1 (en) * | 2018-02-27 | 2019-08-29 | New York University | System, method, and apparatus for recurrent neural networks |
EP3572957A1 (en) * | 2018-05-24 | 2019-11-27 | Hitachi, Ltd. | Automated electromagnetic interference filter design |
CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
CN110232207A (zh) * | 2019-04-30 | 2019-09-13 | 浙江大学 | 一种基于人工神经网络的电磁干扰滤波器设计方法 |
CN110245436A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
Non-Patent Citations (3)
Title |
---|
HENGLIN CHEN ET AL.: "Modeling and Optimization of EMI Filter by Using Artificial Neural Network", 《IEEE TRANSACTIONS ON ELECTROMAGNETIC COMPATIBILITY》 * |
王书新: "神经网络在天线和滤波器中的应用", 《中国优秀硕士学位论文全文库(电子期刊)信息科技辑》 * |
王小川等: "《MATLAB神经网络43个案例分析》", 31 August 2013, 北京航空航天大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862715A (zh) * | 2021-02-08 | 2021-05-28 | 天津大学 | 一种实时且可控的尺度空间滤波方法 |
CN116050185A (zh) * | 2023-03-28 | 2023-05-02 | 敏业信息科技(上海)有限公司 | 电磁干扰滤波器仿真和验证方法、装置和计算机可读介质 |
CN116050185B (zh) * | 2023-03-28 | 2023-08-18 | 敏业信息科技(上海)有限公司 | 电磁干扰滤波器仿真和验证方法、装置和计算机可读介质 |
CN116527017A (zh) * | 2023-07-03 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 电机控制器的滤波器件确定方法及装置 |
CN116527017B (zh) * | 2023-07-03 | 2023-09-22 | 广汽埃安新能源汽车股份有限公司 | 电机控制器的滤波器件确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111639471B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639471B (zh) | 一种基于循环神经网络的电磁干扰滤波器设计方法 | |
CN110232207B (zh) | 一种基于人工神经网络的电磁干扰滤波器设计方法 | |
Krishnamoorthy et al. | Machine learning based modeling of power electronic converters | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
Chen et al. | Modeling and optimization of EMI filter by using artificial neural network | |
CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
CN108254678A (zh) | 一种基于正弦余弦算法的模拟电路故障分类方法 | |
CN115166561A (zh) | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 | |
CN112084294B (zh) | 一种基于人工智能的整车电磁兼容分级管理方法 | |
CN110988511A (zh) | 基于多重熵值特征提取的电力电子变换器非线性识别方法 | |
Fan et al. | From specification to topology: Automatic power converter design via reinforcement learning | |
CN114355173B (zh) | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN114781577A (zh) | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 | |
CN116451544B (zh) | 一种大功率高频变压器智能优化设计方法 | |
Bai et al. | Application of Non-Embedded Uncertainty Analysis Methods in Worst Case Estimation of the EMC | |
Chen et al. | Insertion Loss Prediction of Differential Mode EMI Filter Based on Artificial Neural Network | |
Nayak et al. | Sensitivity Based Reduction of Equivalent Electrical Circuits in Power Electronics Application | |
Hackl et al. | Python-LTSpice Framework for Multi-Objective EMC Filter Optimization | |
CN113988116A (zh) | 一种基于因果卷积的负荷分解方法 | |
CN114841111A (zh) | 一种可物理实现的强电磁设备宽频段阻抗等效建模方法 | |
CN116992806A (zh) | 一种基于自注意力机制的大规模模拟集成电路自动优化方法 | |
CN116125327A (zh) | 一种基于改进小波去噪和lstm的开关电源故障诊断方法 | |
CN117977584A (zh) | 电力负荷概率预测方法、系统、介质、设备及程序产品 | |
He | EMI characterization for power supplies and machine learning based modeling in EMC/SI |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |