摘 要:为了更好地对电磁兼容进行预测,提出采用人工神经网络的方法。为了改善BP神经网络的性能,提出如下两步改进:采用剪枝法计算最佳隐层神经元数目,同时采用共轭梯度-LM算法计算网络权值。以平行线间电磁耦合干扰为具体算例,证明本文算法的预测结果的均方误差仅有10-11数量级。说明,本文算法有效。
关键词:电磁兼容 预测 神经网络
电磁兼容(EMC)[1]是从“电磁干扰”发展起来的,研究可上溯到19世纪。到20世纪20年代,各工业国家都日益重视电磁干扰的研究。20世纪40年代为了解决飞机通信系统受到电磁干扰的问题,开始较为系统地研究EMC技术。美国自1945年开始,颁布了一系列EMC的军用标准和设计规范,并不断加以充实完善,使得EMC进入新的阶段[2]近年来信息高速公路和高速计算机技术成为人类社会生产和生活水平的主导技术,同时也由于航空工业、航天工业、造船工业以及其他国防工业的需要,使得EMC获得空前的发展。
目前,国内外对EMC理论进行了深入研究,建立了各种分析预测模型,如:源模型[3]、敏感期模型、耦合模型以及系统间/内分析模型[4]等。并提出了许多求解模型的数值方法,如:矩量法、有限元法[5]、时域有限差分法[6]等。
但是,目前EMC预测面临3个缺陷[7]: 1)至今尚未提出一种适用于普遍EMC预测的数学模型;2)大多数预测模型只是在理想条件下的一种近似;3)复杂系统的预测模型求解十分复杂。因此,求解得到的结果存在较大的误差。
考虑到神经网络(NN)是一门新兴的学科,它不涉及到原有问题的复杂模型[8],而实现输入输出数据对的映射[9]。因此,现尝试采用BP神经网络(BPNN)来预测EMC问题。考虑到BP容易收敛到局部最优点,提出一种改进的训练方法如下:一方面采用剪枝法确定隐层神经元数目;另一方面提出一种共轭梯度-LM算法来快速求得网络权值,实验证实了该方法的有效性。
1 EMC预测模型
假设PT表示干扰源输出的干扰功率,LP表示干扰信号的传输损耗,PI表示干扰源在敏感设备上产生的有效干扰功率,则EMC的数学模型可以表示为:
(1)
可将干扰源PT与传输损耗LP作为NN的输入,将干扰结果PI作为网络的输出,用已知的实际测量结果作为训练样本。从而实现"干扰环境"到"干扰响应"的映射。
1.1 具体算例
由于导线既是高效的电磁干扰接受天线,又是高效的电磁干扰辐射天线,因此它是妨碍EMC的主要原因,吸引了大量学者的研究。为了验证本文算法,以经典的"双平行导线串扰"为例,如图1所示。
图1 双平行导线串扰问题
图1 中导线A和B的距离为d,半径分别为rA、rB,长度分别为LA、LB,距离金属平板的高度分别为hA、hB,两端的电阻分别为Za1、Za2、Zb1、Zb2,导线A作为干扰源,干扰电压为Vs,预测导线B上的最大干扰电压。
为了简化起见,取LA=LB=L,rA=rB=r,hA=hB=h,Za1=Za2=Zb1=Zb2=50ohm ,此时输入的变量为6维向量。
1. 2 获取数据
用多样本传输线方法计算获得共地平行导线间电磁耦合干扰的原始数据36组,结果示于表1。