[发明专利]一种基于BAS-BP算法的绞线RLCG参数提取方法

说明书

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。

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。