CN112884234A - 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 - Google Patents
大功率毫米波回旋行波管功率模块最优工作参数搜索方法 Download PDFInfo
- Publication number
- CN112884234A CN112884234A CN202110238818.7A CN202110238818A CN112884234A CN 112884234 A CN112884234 A CN 112884234A CN 202110238818 A CN202110238818 A CN 202110238818A CN 112884234 A CN112884234 A CN 112884234A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- radial basis
- basis function
- neural network
- working parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明属于大功率毫米波技术领域,具体提供一种大功率毫米波回旋行波管功率模块最优工作参数搜索方法;首先,通过测试数据的合并、相关性分析,选取能够用来建立预测模型的工作参数作为输入,并以效率作为输出,形成样本数据;然后,通过径向基神经网络建立预测模型,并对预测模型进行有效训练;最后,将训练完成的径向基神经网络预测模型的预测输出作为适应度函数,采用遗传算法进行全局优化,获取预测的最优效率及其对应的工作参数。本发明能够基于自动化测试系统提供的大量测试数据,预测得到最优效率及其对应的工作参数,大大减小回旋行波管参数设计的工作量,进而大大降低减少设计和测试成本,具有良好的实用价值。
Description
技术领域
本发明属于大功率毫米波技术领域,涉及大功率毫米波回旋行波管的自动化测试系统;具体提供一种基于径向基神经网络预测模型的大功率毫米波回旋行波管功率模块最优工作参数搜索方法。
背景技术
回旋行波管作为大功率毫米波器件中主流器件,因为其在毫米波波段具有功率大、频带宽的特点,使其在国防、科学研究、民用通讯等领域有着广泛的应用。回旋行波管的设计主要包括尺寸设计和电子注的电流电压速度横纵比两部分,当结构设计完成后,电子注工作参数通常都需要设计人员的大量的理论计算、以及经验值进行设计,从而使得回旋行波管工作在最优效率下。而现有的测试系统在测试过程中得到大量的测试数据无法准确的为设计人员反馈测试中的信息,更无法自动的从数据中获取最优效率对应的工作参数,这使得测试中收集的大量数据无法转化为实际生产价值。因此,如何从测试数据中发掘出准确有效信息成为了回旋行波管参数设计的研究热点。
目前,自动化测试系统中通常采用预测模块对测试数据进行最优效率预测、进而得到预设器件结构下的最优效率对应的工作参数;其中,常见的预测模块均基于BP神经网络进行构建,但是,由于BP神经网络在进行预测时有以下不足:其一是容易陷入局部最优解、其二是隐藏层及隐藏层神经元数量难以确定、其三是一个新的BP神经网络能否经过训练达到收敛与很多因素有关(如数据集的大小、数据集选取的方式、网络结构(输入输出节点,隐藏层节点及激活函数)、损失函数和迭代次数等),最终导致基于BP神经网络的预测模型受各因素影响较大、预测精度无法保持稳定、泛化能力较差。基于此,本发明提供一种基于径向基神经网络预测模型的大功率毫米波功率模块最优状态搜索方法。
发明内容
本发明的目的在于提供一种大功率毫米波回旋行波管功率模块最优工作参数搜索方法,首先基于径向基神经网络构建预测模型,并根据该预测模型,利用遗传算法寻找全局最优效率点及对应的各个工作参数的值。
为实现上述目的,本发明采用的技术方案如下:
大功率毫米波回旋行波管功率模块最优工作参数搜索方法,包括以下步骤:
步骤1.建立及训练径向基神经网络预测模型;
步骤1.1构建训练集
对回旋行波管测试过程中测试数据进行数据清洗、得到有效测试数据,并对有效测试数据进行数据标准化处理,得到若干个训练样本,构成训练集;并同时根据有效测试数据确定每个输入工作参数的最大取值范围;
所述训练样本中,包括:9个工作参数作为输入:管高(mm)、阴极脉冲电压(kv)、阴极脉冲电流(A)、磁场电流(A)、补偿电流(A)、灯丝电流(A)、输出频率(GHz)、信号源功率(kW)、磁场电压(V),并以效率(%)作为训练样本的标签;
步骤1.2构建径向基神经网络预测模型
所述径向基神经网络预测模型包括:输入层、隐藏层及输出层,其中,输入层的节点数为9,隐藏层节点数>50,输出层节点数为1,所述径向基神经网络模型具体为:
步骤1.3设置损失函数及训练参数,采用Adam优化器,对径向基神经网络预测模型进行训练,得到训练完成的径向基神经网络预测模型;所述损失函数采用均方误差损失函数MSE;
步骤2.将训练完成的径向基神经网络预测模型作为遗传算法中的适应度函数,通过遗传算法对输入工作参数进行全局寻优,进而得到最优效率及对应的最优工作参数。
本发明的有益效果在于:
本发明提供一种基于径向基神经网络预测模型的大功率毫米波回旋行波管功率模块最优工作参数搜索方法,首先,通过对获取的实际测试数据进行合并、相关性分析,选取能够用来建立预测模型的工作参数作为样本的输入,并以效率作为输出,再经过数据标准化处理后形成样本数据;然后,通过径向基神经网络建立起神经网络预测模型,并对预测模型进行有效训练;最后,将训练完成的径向基神经网络预测模型的预测输出作为适应度函数,采用遗传算法进行全局优化,获取预测的最优效率及其对应的工作参数。采用本发明提供的最优效率搜索方法能够基于自动化测试系统提供的大量测试数据,预测得到最优效率及其对应的工作参数,大大减小回旋行波管参数设计的工作量,进而大大降低减少设计和测试成本,具有良好的实用价值;并且,基于径向基神经网络的预测模型相比于基于BP神经网络的预测模型,能够避免出局部最优解的问题,并且学习收敛速度更快,有更强的泛化能力。
附图说明
图1为本发明中径向基神经网络预测模型的网络结构示意图。
图2为本发明中遗传算法对输入工作参数进行全局寻优的流程示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明。
本实施例提供一种基于径向基神经网络预测模型的大功率毫米波回旋行波管功率模块最优工作参数搜索方法,具体包括以下步骤:
步骤1.建立及训练径向基神经网络预测模型;
步骤1.1构建训练集
本发明中通过对回旋行波管的重要工作参数的相关性分析,最终选取以下9个工作参数作为训练样本的输入:管高(mm)、阴极脉冲电压(kv)、阴极脉冲电流(A)、磁场电流(A)、补偿电流(A)、灯丝电流(A)、输出频率(GHz)、信号源功率(kW)、磁场电压(V),并以效率(%)作为训练样本的标签,即构建得训练样本;
对回旋行波管测试过程中收集的实际测试数据进行数据清洗(去除无效测试数据)、得到有效测试数据,并对有效测试数据进行数据标准化处理,得到若干个训练样本,构成训练集;并同时根据有效测试数据确定每个输入工作参数的最大取值范围;
步骤1.2构建径向基神经网络预测模型,如图1所示;
所述径向基神经网络预测模型包括:输入层、隐藏层及输出层,其中,输入层的节点数为9,隐藏层节点数>50(本实施例为100),输出层节点数为1,所述径向基神经网络模型具体为:
H为隐藏层神经元(节点)的个数,ci、si和ωi分别为第i个隐藏层神经元对应的中心、权重和标准差,b为输出层的偏置;n为输入样本数,m为输入样本的数据数量、本发明中m=9,即:xn1~xnm依次表示第n个样本中的输入参数:管高(mm)、阴极脉冲电压(kv)、阴极脉冲电流(A)、磁场电流(A)、补偿电流(A)、灯丝电流(A)、输出频率(GHz)、信号源功率(kW)、磁场电压(V);
步骤1.3设置损失函数及训练参数,采用Adam优化器,对上述径向基神经网络预测模型进行训练,得到训练完成的径向基神经网络预测模型;
所述训练参数为:隐层基函数中心c和标准差s,隐藏层到输出层的权值ω和偏置b;
所述损失函数采用均方误差损失函数MSE,具体为:
步骤2.通过遗传算法对输入参数进行全局寻优,如图2所示;
步骤S21.初始化种群,通过对实际的测试数据获取各个输入参数的取值范围,在取值范围内随机的获取设定种群规模的输入数据,种群大小根据经验值确定;
步骤S22.对种群个体进行交叉操作,交叉率根据经验值来调整,并通过实验来确定;
步骤S23.对种群个体进行变异操作,变异率根据经验值来调整,并通过实验来确定;
步骤S24.将原始种群和交叉变异之后的种群合并到一个两倍于初始大小的种群中,将种群通过训练完成的神经网络预测模型获得对应的输出结果,将结果作为适应度值;
步骤S25.根据最优保留策略,选取最好的个体组成种群,对其进行迭代;判断是否达到预设的进化停止阈值或者达到最大迭代次数,若满足则停止计算,输出最优效率对应的参数。
由上可见,本发明首先建立及训练径向基神经网络预测模型,并将训练完成的径向基神经网络预测模型作为遗传算法中的适应度函数,通过遗传算法对输入工作参数进行全局寻优,得到最优效率及对应的最优工作参数。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (1)
1.大功率毫米波回旋行波管功率模块最优工作参数搜索方法,包括以下步骤:
步骤1.建立及训练径向基神经网络预测模型;
步骤1.1构建训练集
对回旋行波管测试过程中测试数据进行数据清洗、得到有效测试数据,并对有效测试数据进行数据标准化处理,得到若干个训练样本,构成训练集;并同时根据有效测试数据确定每个输入工作参数的最大取值范围;
所述训练样本中,包括:9个工作参数作为输入:管高(mm)、阴极脉冲电压(kv)、阴极脉冲电流(A)、磁场电流(A)、补偿电流(A)、灯丝电流(A)、输出频率(GHz)、信号源功率(kW)、磁场电压(V),并以效率(%)作为训练样本的标签;
步骤1.2构建径向基神经网络预测模型
所述径向基神经网络预测模型包括:输入层、隐藏层及输出层,其中,输入层的节点数为9,隐藏层节点数>50,输出层节点数为1,所述径向基神经网络模型具体为:
步骤1.3设置损失函数及训练参数,采用Adam优化器,对径向基神经网络预测模型进行训练,得到训练完成的径向基神经网络预测模型;所述损失函数采用均方误差损失函数MSE;
步骤2.将训练完成的径向基神经网络预测模型作为遗传算法中的适应度函数,通过遗传算法对输入工作参数进行全局寻优,进而得到最优效率及对应的最优工作参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238818.7A CN112884234A (zh) | 2021-03-04 | 2021-03-04 | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238818.7A CN112884234A (zh) | 2021-03-04 | 2021-03-04 | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884234A true CN112884234A (zh) | 2021-06-01 |
Family
ID=76055381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110238818.7A Pending CN112884234A (zh) | 2021-03-04 | 2021-03-04 | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884234A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505564A (zh) * | 2021-06-30 | 2021-10-15 | 南京邮电大学 | 一种基于深度学习的resurf横向功率器件最优漂移区浓度设计方法 |
CN117131784A (zh) * | 2023-10-20 | 2023-11-28 | 北京航空航天大学 | 一种基于全局代理优化的加速退化试验设计方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100134007A1 (en) * | 2008-12-03 | 2010-06-03 | Larry Andrew Booker | System and method for gyrotron power regulation |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109816150A (zh) * | 2018-12-29 | 2019-05-28 | 中国农业大学 | 一种采后鲜食葡萄货架期预测方法及装置 |
CN111507455A (zh) * | 2019-01-31 | 2020-08-07 | 数坤(北京)网络科技有限公司 | 神经网络系统生成方法和装置、图像处理方法和电子设备 |
CN112084709A (zh) * | 2020-09-04 | 2020-12-15 | 西安交通大学 | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 |
-
2021
- 2021-03-04 CN CN202110238818.7A patent/CN112884234A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100134007A1 (en) * | 2008-12-03 | 2010-06-03 | Larry Andrew Booker | System and method for gyrotron power regulation |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109816150A (zh) * | 2018-12-29 | 2019-05-28 | 中国农业大学 | 一种采后鲜食葡萄货架期预测方法及装置 |
CN111507455A (zh) * | 2019-01-31 | 2020-08-07 | 数坤(北京)网络科技有限公司 | 神经网络系统生成方法和装置、图像处理方法和电子设备 |
CN112084709A (zh) * | 2020-09-04 | 2020-12-15 | 西安交通大学 | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 |
Non-Patent Citations (2)
Title |
---|
岳清泉: "基于大功率毫米波测试系统的数据挖掘分析", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
邹富城: "基于大功率毫米波测试系统的最优搜索和故障预测", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505564A (zh) * | 2021-06-30 | 2021-10-15 | 南京邮电大学 | 一种基于深度学习的resurf横向功率器件最优漂移区浓度设计方法 |
CN117131784A (zh) * | 2023-10-20 | 2023-11-28 | 北京航空航天大学 | 一种基于全局代理优化的加速退化试验设计方法和装置 |
CN117131784B (zh) * | 2023-10-20 | 2024-02-23 | 北京航空航天大学 | 一种基于全局代理优化的加速退化试验设计方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN108564206B (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
CN112884234A (zh) | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN110070228B (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN110210648B (zh) | 基于灰色长短期记忆网络的管制空域战略流量预测方法 | |
CN111027673B (zh) | 一种地铁客流量预测方法 | |
JP2021514090A (ja) | 密度クラスタリングに基づくホットルートの分析方法 | |
Tian et al. | A network traffic prediction method based on IFS algorithm optimised LSSVM | |
CN103108343A (zh) | 建立决策树的方法及装置、网络性能优化方法及装置 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
Tian et al. | A network traffic hybrid prediction model optimized by improved harmony search algorithm | |
Wang et al. | Ultra-short-term wind power forecasting based on deep belief network | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN113473580B (zh) | 异构网络中基于深度学习的用户关联联合功率分配方法 | |
CN111985727B (zh) | 一种基于环流分型模型天气预测方法及系统 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN109447336A (zh) | 一种上游水库与其反调节水库坝间水位优化控制方法 | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
Zhang et al. | Water level prediction based on improved grey RBF neural network model | |
CN104102955A (zh) | 一种基于抽象凸估计选择差分进化算法的电力线路规划方法 | |
CN115221770A (zh) | 一种基于精英种群遗传算法的电力信息系统迁移方法 | |
CN108462608B (zh) | 基于多智能体进化算法的无线传感器网络寿命优化方法 |
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: 20210601 |