[发明专利]基于神经网络的谐波平衡方法、设备及介质

权利要求书

1.一种基于神经网络的谐波平衡方法，其特征在于，包括步骤：

S1，建立非线性电路节点电压方程；

S2，构建如下神经网络和误差函数：构建三层BP神经网络，其输入层为一个完整周期的离散时间点序列；其隐藏层包括一组谐波分量或混合频率分量的三角函数；其输出层为非线性电路节点电压方程的稳态解；误差函数根据非线性电路节点电压方程进行构建；

S3，训练构建的神经网络，得到满足非线性电路节点电压方程的稳态解。

2.根据权利要求1所述的基于神经网络的谐波平衡方法，其特征在于，在步骤S2中，隐藏层激活函数在单音激励时为一组包含谐波频率的三角函数；在多音激励时，激活函数则为包含混合频率的三角函数。

3.根据权利要求1所述的基于神经网络的谐波平衡方法，其特征在于，在步骤S2中，输入层的权重矩阵为一常值向量；隐藏层不包含偏置项，隐藏层的权重矩阵的元素为非线性电路节点电压方程的稳态解中的系数；输出层的偏置向量由非线性电路节点电压方程的直流分流构成。

4.根据权利要求3所述的基于神经网络的谐波平衡方法，其特征在于，所述隐藏层的权重矩阵的元素为非线性电路节点电压方程的稳态解中的系数，具体为：当单音激励时为傅里叶系数，当多音激励时为混合频率三角函数的系数。

5.根据权利要求1所述的基于神经网络的谐波平衡方法，其特征在于，在步骤S2中，在误差反向传播过程中，无需训练样本，直接利用非线性电路节点电压方程重构神经网络的误差函数。

6.根据权利要求5所述的基于神经网络的谐波平衡方法，其特征在于，在步骤S2中，在重构神经网络的误差函数中，包括子步骤：利用梯度下降算法来更新神经网络的权重和偏置，从而使得误差函数最小化；根据具体电路的拓扑关系和元器件，求得误差函数关于隐藏层的权重矩阵和输出层的偏置向量的梯度，然后分别对隐藏层的权重矩阵和输出层的偏置向量进行更新。

7.根据权利要求1所述的基于神经网络的谐波平衡方法，其特征在于，在步骤S3中，在神经网络训练过程中，首先设置初值、学习率和期望误差；然后选择训练算法；最后将前向计算过程和误差反向传播过程交替迭代进行，并对对隐藏层的权重矩阵和输出层的偏置向量进行更新，直至收敛至期望误差为止。

8.根据权利要求7所述的基于神经网络的谐波平衡方法，其特征在于，在步骤S3中，所述训练算法包括梯度下降法；所述学习率随着网络的误差值而动态调整。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载并执行如权利要求1～8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，在可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行如权利要求1～8任一项所述的方法。