CN113779868A - 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 - Google Patents
一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN113779868A CN113779868A CN202110929783.1A CN202110929783A CN113779868A CN 113779868 A CN113779868 A CN 113779868A CN 202110929783 A CN202110929783 A CN 202110929783A CN 113779868 A CN113779868 A CN 113779868A
- Authority
- CN
- China
- Prior art keywords
- metal plate
- rectangular hole
- shielding effectiveness
- hole metal
- terminal
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)
Abstract
本发明公开了一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质,属于电磁兼容技术领域,包括:获取矩形孔金属板特征参数;通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。本发明提供了一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质,实现了矩形孔金属板屏蔽效能的快速计算预测,通过建立BP神经网络模型进行预测,避免了复杂繁琐的计算,大大缩短了计算周期,提高了计算效率,节省了人力,电磁屏蔽设计智能化转型提供参考。
Description
技术领域
本发明公开了一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质,属于电磁兼容技术领域。
背景技术
汽车电子电气部件电磁兼容设计整改主要包括屏蔽、接地和滤波三大措施。电磁屏蔽的作用一是限制系统内部辐射的电磁能力泄露出该内部区域,二是防止外来的辐射干扰进入该区域内部。常见的影响屏蔽效能的因素有:孔洞泄漏、缝隙泄漏、观察口泄漏和滤波泄漏等。矩形孔作为孔洞泄漏的一种常见形式,会严重影响汽车电子电气系统的屏蔽效能。目前,通过仿真建模和近似公式手动计算方式存在计算效率低,浪费人力等缺点,缺少一种矩形孔金属板屏蔽效能快速计算预测方法。
本发明将BP神经网络和矩形孔金属板屏蔽效能相结合,利用BP神经网络非线性映射的特点进行电磁屏蔽效能预测,大大提高了计算效率,为矩形孔金属板屏蔽效能提供了一种高效智能的预测方法。
发明内容
本发明的目的在于解决现有仿真建模和近似公式手动计算方式存在计算效率低,浪费人力等缺点,提出一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质。
本发明所要解决的问题是由以下技术方案实现的:
本发明的技术方案如下:
根据本发明实施例的第一方面,提供一种矩形孔金属板屏蔽效能预测方法,所述方法包括:
获取矩形孔金属板特征参数;
通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;
通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。
优选的是,所述矩形孔金属板特征参数包括:矩形孔的长度、矩形孔的直径、波阻抗、单位面积上的孔数、孔间导体宽度、入射频率、相对磁导率和相对电导率。
优选的是,所述通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能之前,还包括:获取BP神经网络模型。
根据本发明实施例的第二方面,提供一种矩形孔金属板屏蔽效能预测系统,所述系统包括:
获取模块,用于获取矩形孔金属板特征参数;
执行模块,用于通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;
处理模块,通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。
根据本发明实施例的第三方面,提供一种终端,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为:
执行本发明实施例的第一方面所述的方法。
根据本发明实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行本发明实施例的第一方面所述的方法。
根据本发明实施例的第五方面,提供一种应用程序产品,当应用程序产品在终端在运行时,使得终端执行本发明实施例的第一方面所述的方法。
与现有技术相比,本发明的有益效果在于:
本发明提供了一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质,实现了矩形孔金属板屏蔽效能的快速计算预测,通过建立BP神经网络模型进行预测,避免了复杂繁琐的计算,大大缩短了计算周期,提高了计算效率,节省了人力,为电磁屏蔽设计智能化转型提供参考。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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是根据一示例性实施例示出的一种矩形孔金属板屏蔽效能预测方法的流程图;
图2据一示例性实施例示出的一种矩形孔金属板屏蔽效能预测系统的结构示意框图;
图3据一示例性实施例示出的一种终端结构示意框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供了一种矩形孔金属板屏蔽效能预测方法,该方法由终端实现,终端可以是智能手机、台式计算机或者笔记本电脑等,终端至少包括CPU、语音采集装置等。
实施例一
图1是根据一示例性实施例示出的一种矩形孔金属板屏蔽效能预测方法,所述方法包括:
S101,获取矩形孔金属板特征参数。
矩形孔金属板特征参数包括:矩形孔的长度、矩形孔的直径、波阻抗、单位面积上的孔数、孔间导体宽度、入射频率、相对磁导率和相对电导率。
S102,通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;
获取BP神经网络模型:
(1)构建矩形孔金属板屏蔽效能预测的三层BP神经网络拓扑结构。将影响矩形孔金属板屏蔽效能的9个特征参数分别作为输入层神经元,将屏蔽效能结果参数1个作为输出层神经元。隐含层个数依据经验公式确定,其中a为1到10之间的常数,经过多次尝试计算,得出隐含层个数为6时,模型最优。
(2)数据归一化处理。对矩形孔金属板屏蔽效能计算样本数据进行归一化处理。归一化处理的计算公式如下所示:
其中,xk为数据序列中第k个数据,xmin为数据序列中的最小值,xmax为数据序列中的最大值。
(3)样本随机分类。随机抽取60组预处理后的样本数据作为训练样本数据,随机抽取10个预处理后的样本数据作为测试样本数据。
(4)BP神经网络训练。三层BP神经网络中,其中,x1,……,xN为N=9个输入节点,y1,……,yM为M=1个输出节点,隐含层有L=6个节点。ωij和θj分别为输入层到隐含层之间的权值和阈值;ωjk和θk分别为隐层到输出层之间的权值和阈值。神经网络中权值和阈值的初始值分别设置为Wij(0)、阈值θi(0),它们一般随机分布于[-1,1]区间。
将60组训练样本数据输入到构建好的BP神经网络中进行训练,包括输入样本数据和目标输出样本数据。采用梯度最速下降算法,计算输入样本数据对应的神经网络的实际输出向量(该神经网络的传递函数为Sigmoid函数)。
OPj=fj(∑WjiOi-θj)=1/{1+exp[-∑WjiOi-θj]}
计算BP神经网络训练目标输出样本数据与实际输出之间的误差
Ep=1/2∑(Ypj-Opj)
若误差Ep≤Eps(最初设定的误差阈值容限)或达到设定的最大迭代步数,则停止网络学习,否则进行下一步,计算网络训练误差和调整网络各连接权值和阈值。
BP网络训练误差计算公式如下:
δpj=Opj(1-Opj)(Ypj-Opj)(输入层)
δpj=Opj(1-Opj)(隐藏层)
按误差减小方向,调整网络各连接权值和阈值:
Wji(n+1)=Wji(n)+nδpjOpj+α(Wji(n)-Wji(n-1))
θj(n+1)=θj(n)+ηδpj+α(θj(n)-θj(n-1))
(5)BP神经网络预测模型。BP神经网络训练结束后,确定权值矩阵和阈值矩阵,建立BP神经网络预测模型。将10组测试样本数据输入至训练好的BP神经网络预测模型进行验证,得到BP神经网络预测结果并和采用近似计算公式手动计算结果进行对比,验证模型有效性。
然后将矩形孔金属板特征参数作为输入变量输入到上述BP神经网络预测模型中,将矩形孔金属板电磁屏蔽效能作为输出变量,最终得到矩形孔金属板电磁屏蔽效能。
S103,通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。
通过BP神经网络模型描述输入变量和输出变量之间的非线性映射关系,实现矩形孔金属板屏蔽效能的预测。
实施例二
在示例性实施例中,还提供了根据本发明实施例的第二方面,提供一种矩形孔金属板屏蔽效能预测系统,如图2所示,所述系统包括:
获取模块210,用于获取矩形孔金属板特征参数;
执行模块220,用于通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;
处理模块230,通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。
本发明中,实现了矩形孔金属板屏蔽效能的快速计算预测,通过建立BP神经网络模型进行预测,避免了复杂繁琐的计算,大大缩短了计算周期,提高了计算效率,节省了人力,经验证BP神经网络模型误差小,预测精度高,方法有效。
实施例三
图3是本申请实施例提供的一种终端的结构框图,该终端可以是上述实施例中的终端。该终端300可以是便携式移动终端,比如:智能手机、平板电脑。终端300还可能被称为用户设备、便携式终端等其他名称。
通常,终端300包括有:处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中提供的一种矩形孔金属板屏蔽效能预测方法。
在一些实施例中,终端300还可选包括有:外围设备接口303和至少一个外围设备。具体地,外围设备包括:射频电路304、触摸显示屏305、摄像头306、音频电路307、定位组件308和电源309中的至少一种。
外围设备接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
触摸显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。触摸显示屏305还具有采集在触摸显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。触摸显示屏305用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,触摸显示屏305可以为一个,设置终端300的前面板;在另一些实施例中,触摸显示屏305可以为至少两个,分别设置在终端300的不同表面或呈折叠设计;在再一些实施例中,触摸显示屏305可以是柔性显示屏,设置在终端300的弯曲表面上或折叠面上。甚至,触摸显示屏305还可以设置成非矩形的不规则图形,也即异形屏。触摸显示屏305可以采用LCD(LiquidCrystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件306用于采集图像或视频。可选地,摄像头组件306包括前置摄像头和后置摄像头。通常,前置摄像头用于实现视频通话或自拍,后置摄像头用于实现照片或视频的拍摄。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能,主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能。在一些实施例中,摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路307用于提供用户和终端300之间的音频接口。音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器301进行处理,或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路307还可以包括耳机插孔。
定位组件308用于定位终端300的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件308可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源309用于为终端300中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端300还包括有一个或多个传感器310。该一个或多个传感器310包括但不限于:加速度传感器311、陀螺仪传感器312、压力传感器313、指纹传感器314、光学传感器315以及接近传感器316。
加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器311可以用于检测重力加速度在三个坐标轴上的分量。处理器301可以根据加速度传感器311采集的重力加速度信号,控制触摸显示屏305以横向视图或纵向视图进行用户界面的显示。加速度传感器311还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器312可以检测终端300的机体方向及转动角度,陀螺仪传感器312可以与加速度传感器311协同采集用户对终端300的3D(3Dimensions,三维)动作。处理器301根据陀螺仪传感器312采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器313可以设置在终端300的侧边框和/或触摸显示屏305的下层。当压力传感器313设置在终端300的侧边框时,可以检测用户对终端300的握持信号,根据该握持信号进行左右手识别或快捷操作。当压力传感器313设置在触摸显示屏305的下层时,可以根据用户对触摸显示屏305的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器314用于采集用户的指纹,以根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器301授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器314可以被设置终端300的正面、背面或侧面。当终端300上设置有物理按键或厂商Logo时,指纹传感器314可以与物理按键或厂商Logo集成在一起。
光学传感器315用于采集环境光强度。在一个实施例中,处理器301可以根据光学传感器315采集的环境光强度,控制触摸显示屏305的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏305的显示亮度;当环境光强度较低时,调低触摸显示屏305的显示亮度。在另一个实施例中,处理器301还可以根据光学传感器315采集的环境光强度,动态调整摄像头组件306的拍摄参数。
接近传感器316,也称距离传感器,通常设置在终端300的正面。接近传感器316用于采集用户与终端300的正面之间的距离。在一个实施例中,当接近传感器316检测到用户与终端300的正面之间的距离逐渐变小时,由处理器301控制触摸显示屏305从亮屏状态切换为息屏状态;当接近传感器316检测到用户与终端300的正面之间的距离逐渐变大时,由处理器301控制触摸显示屏305从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图3中示出的结构并不构成对终端300的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
实施例四
在示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的一种矩形孔金属板屏蔽效能预测方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
实施例五
在示例性实施例中,还提供了一种应用程序产品,包括一条或多条指令,该一条或多条指令可以由上述装置的处理器301执行,以完成上述一种矩形孔金属板屏蔽效能预测方法。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种矩形孔金属板屏蔽效能预测方法,其特征在于,所述方法包括:
获取矩形孔金属板特征参数;
通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;
通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。
2.根据权利要求1所述的一种矩形孔金属板屏蔽效能预测方法,其特征在于,所述矩形孔金属板特征参数包括:矩形孔的长度、矩形孔的长边、矩形孔的短边、波阻抗、单位面积上的孔数、孔间导体宽度、入射频率、相对磁导率和相对电导率。
3.根据权利要求1或2所述的一种矩形孔金属板屏蔽效能预测方法,其特征在于,所述通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能之前,还包括:获取BP神经网络模型。
4.一种矩形孔金属板屏蔽效能预测系统,其特征在于,所述系统包括:
获取模块,用于获取矩形孔金属板特征参数;
执行模块,用于通过所述矩形孔金属板屏蔽效能特征参数和BP神经网络模型得到矩形孔金属板屏蔽效能;
处理模块,通过所述矩形孔金属板特征参数和矩形孔金属板屏蔽效能得到参数与屏蔽效能非线性映射关系。
5.一种终端,其特征在于,包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为:
执行如权利要求1至3任一所述的一种矩形孔金属板屏蔽效能预测方法。
6.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行如权利要求1至3任一所述的一种矩形孔金属板屏蔽效能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929783.1A CN113779868A (zh) | 2021-08-13 | 2021-08-13 | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929783.1A CN113779868A (zh) | 2021-08-13 | 2021-08-13 | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779868A true CN113779868A (zh) | 2021-12-10 |
Family
ID=78837600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110929783.1A Pending CN113779868A (zh) | 2021-08-13 | 2021-08-13 | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779868A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779867A (zh) * | 2021-08-13 | 2021-12-10 | 一汽奔腾轿车有限公司 | 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、系统以及存储介质 |
CN112614500A (zh) * | 2019-09-18 | 2021-04-06 | 北京声智科技有限公司 | 回声消除方法、装置、设备及计算机存储介质 |
CN112651176A (zh) * | 2020-12-24 | 2021-04-13 | 广西大学 | 一种基于ga-bp算法的屏蔽门电机输出力预测方法 |
CN113128054A (zh) * | 2021-04-21 | 2021-07-16 | 重庆邮电大学 | 一种基于机器学习的电子设备屏蔽效能评估方法及装置 |
-
2021
- 2021-08-13 CN CN202110929783.1A patent/CN113779868A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457758A (zh) * | 2019-07-16 | 2019-11-15 | 江西理工大学 | 岩体失稳阶段的预测方法、装置、系统以及存储介质 |
CN112614500A (zh) * | 2019-09-18 | 2021-04-06 | 北京声智科技有限公司 | 回声消除方法、装置、设备及计算机存储介质 |
CN112651176A (zh) * | 2020-12-24 | 2021-04-13 | 广西大学 | 一种基于ga-bp算法的屏蔽门电机输出力预测方法 |
CN113128054A (zh) * | 2021-04-21 | 2021-07-16 | 重庆邮电大学 | 一种基于机器学习的电子设备屏蔽效能评估方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779867A (zh) * | 2021-08-13 | 2021-12-10 | 一汽奔腾轿车有限公司 | 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110602101B (zh) | 网络异常群组的确定方法、装置、设备及存储介质 | |
CN110839128B (zh) | 拍照行为检测方法、装置及存储介质 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN111062248A (zh) | 图像检测的方法、装置、电子设备及介质 | |
CN112614500A (zh) | 回声消除方法、装置、设备及计算机存储介质 | |
CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN112398819A (zh) | 异常识别的方法及装置 | |
CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
CN111857793A (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN111127541A (zh) | 车辆尺寸的确定方法、装置及存储介质 | |
CN113779868A (zh) | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 | |
CN111354378A (zh) | 语音端点检测方法、装置、设备及计算机存储介质 | |
CN111860064A (zh) | 基于视频的目标检测方法、装置、设备及存储介质 | |
CN114720932A (zh) | 一种电池管理系统信号采样精度测试方法、装置、上位机及存储介质 | |
CN112990424B (zh) | 神经网络模型训练的方法和装置 | |
CN114372395A (zh) | 一种运动副的cae自动化建模方法、系统、终端及存储介质 | |
CN113779867A (zh) | 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质 | |
CN114004020B (zh) | 一种车身结构轻量化设计方法、系统、终端及存储介质 | |
CN109886226B (zh) | 确定图像的特征数据的方法、装置、电子设备及存储介质 | |
CN112211622B (zh) | 油藏压力场划分的方法和装置 | |
CN115859614A (zh) | 一种peps系统建模及仿真计算方法、终端及存储介质 | |
CN114241055A (zh) | 一种改进型鱼眼镜头内参标定方法、系统、终端及存储介质 | |
CN117150758A (zh) | 一种充电仿真模型建模方法、装置、终端及存储介质 | |
CN117213809A (zh) | 一种多轴载荷谱等效块谱等效方法、装置、终端及介质 |
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 |