汽车线束串扰的预估计方法

摘要

汽车线束串扰的预估计方法涉及汽车线束电磁兼容性技术领域，该方法由PSO—BP算法预估计线束的分布电容和电感值并记录下对应的线束设计参数，然后通过单纯形算法优化该设计参数得出单位长度最小分布电容电感值的乘积，再由多导体传输理论得出串扰的预估计值，然后与行业规定的标准值比较从而确定电磁兼容性是否达标。本发明的方法是以实验采集的真实数据为样本数据，对样本数据进行统计、分析、整合，并在此基础上建立基于PSO—BP算法的汽车线束串扰值的预估计模型，并且利用单纯形算法优化汽车线束的设计参数，进而减小线束的串扰值，从而为汽车线束的设计提供一定的理论指导，使其电磁兼容性达标。

主权项

汽车线束串扰的预估计方法，其特征在于，该方法包括如下步骤：步骤一：获取实验的样本数据n组：选择一种汽车线束将其导线的半径r₁，r₂、导线间距离d、导线距离地面高度h₁，h₂、导线磁导率μ、介电常数ε测量出来作为样本的输入数据X_i＝(r_i1,r_i2,d_i,h_i1,h_i2,μ_i,ε_i)^T，(i＝1,2,......,n)，将线束的分布电感和电容测量出来作为样本的期望输出值T_i＝(t_i1,t_i2)^T，(i＝1,2,.....,n；t_i1表示分布电感值，t_i2表示分布电容值)，共测量n组；步骤二：实验数据归一化：将步骤一获得的样本数据里每一列的最大值与最小值找出来并分别记为z_max、z_min，由归一化公式对n组样本数据中的每个数据进行归一化处理；步骤三：确定BP神经网络的层数、各层的节点数、激发函数、初始连接权值、阈值；3.1确定BP神经网络的层数：根据BP神经网络具有只要有足够多的隐含层及隐含层节点数就可以任意逼近非线性函数的特性，以及根据已有经验单隐含层BP神经网络可以实现对任意函数的逼近把BP神经网络的结构确定为三层即输入层、隐含层、输出层；3.2BP神经网络输入层节点数的确定：根据BP神经网络的输入量个数为7个，确定BP神经网络的输入层节点数为7个；3.3BP神经网络隐含层节点数的确定：根据对n组样本数据中的同一样本进行训练，取误差最小对应的隐含层节点数作为最终的隐含层节点数，确定BP神经网络隐含层节点数为14个；3.4BP神经网络输出层节点数的确定：根据BP神经网络的输出量个数为2个，确定BP神经网络的输出层节点数为2个；3.5BP神经网络的权值阈值初始化：初始权值阈值采用随机赋值的方法得到，输入层到隐含层的连接权值为w_ij(i＝(1,2,......,7)，j＝(1,2,......,14))，隐含层到输出层的连接权值为w_jl(j＝(1,2,......,14)，l＝(1,2))，输入层的阈值全为零，隐含层节点的阈值θ_j＝(α₁,α₂,......,α₁₄)为0到1之间的随机数；3.6BP神经网络输入层和隐含层的激发函数选择Log—sigmoid型函数：(net_i为输入层、隐含层节点的输入，隐含层的输入为输出层的激发函数选用purelin函数(y_il表示BP神经网络的第i个样本的预测输出；l表示输出层神经元的个数)；步骤四：初始化m组权值和阈值作为初始种群规模，每一组权值和阈值作为一个粒子，令p_best＝0和G_best＝0；用rands()产生初始速度值，允许的误差(gbest‑fit_i为第i次迭代的粒子群体中适应度最小值，k为迭代次数)；设定速度惯性权重w、学习因子c₁、c₂的大小以及设定v_max、x_max值，构造适应度函数，取BP神经网络的性能指标函数(y_il表示BP神经网络的第i个样本的预测输出；t_il表示BP神经网络的第i个样本的期望输出；l表示输出层神经元的个数)作为适应度函数即J_p＝E_p；步骤五：样本输入，按照BP神经网络正向传播计算得出BP神经网络的输出值，按照适应度函数J_p，计算出每个个体适应度值pbest‑fit，令每个粒子的最小适应度值对应的位置为个体的p_best，粒子群中适应度值gbest‑fit最小时对应的粒子位置记为G_best；步骤六：更新权值和阈值粒子，按照下面的公式更新粒子的移动速度和位置：$v_{\mathrm{id}}^{k+1}=w*v_{\mathrm{id}}^k+c_1*\mathrm{rand}\left(\right)*(p_{\mathrm{id}}-x_{\mathrm{id}}^k)+c_2*\mathrm{rand}\left(\right)*(p_{\mathrm{gd}}-x_{\mathrm{id}}^k)$$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^{k+1}$式中，w为速度惯性权重；c₁为粒子跟踪自己历史最优值的权值系数；c₂为粒子跟踪群体最优值的权值系数；rand()为0到1之间的随机数；p_id为粒子自己搜索到的历史最优值；p_gd为粒子群搜索到的历史最优值；为第i个粒子第k时刻速度；为第i个粒子第k时刻位置；若v_id＞v_max，则令v_id＝v_max；若v_id＜‑v_max，则v_id＝‑v_max，否则v_id取更新后的值；若x_id＞x_max，则令x_id＝x_max；若x_id＜‑x_max，则x_id＝‑x_max，否则x_id取更新后的值；步骤七：计算更新后的粒子适应度值pbest‑fit'，并与pbest‑fit进行比较，若pbest‑fit'小，则将其对应的粒子位置赋值给p_best，pbest‑fit'赋值给pbest‑fit，否则p_best不变；将此次迭代后的pbest‑fit'与gbest‑fit进行比较，如果pbest‑fit'比gbest‑fit小，则将其赋值给gbest‑fit，并且将粒子对应的位置赋值给G_best，否则保持不变；步骤八：当训练达到允许误差要求或者最大迭代次数时，训练结束，此时粒子的全局最优位置G_best对应的权值和阈值就是BP神经网络的最优权值和阈值；步骤九：从样本数据库中选择n₁组数据作为检验数据，检验由步骤三至步骤八确定的预测模型，如果预测输出与期望输出的差值在误差允许的范围内，则预测模型成立，否则返回步骤三重新构建预测模型，直到预测输出与期望输出的差值在误差允许的范围内为止；步骤十：通过步骤九得到准确的预测模型后，使用单纯形算法对BP神经网络的七个输入参数即导线的半径r₁，r₂、导线间距离d、导线距离地面高度h₁，h₂、导线磁导率μ、介电常数ε进行寻优，将求得的最优参数带入预测模型，以确定寻优后的七个设计参数是否使得分布电容与分布电感的乘积值减小；具体过程如下：10.1在n组数据中随机选择8个数据构成一组作为单纯形算法的初始顶点X＝(X₁,X₂,......,X₈)，设置投影系数α、放大系数β、收缩系数γ；10.2选择目标函数f(·)即BP神经网络的性能指标函数(y_il表示BP神经网络的第i个样本的预测输出；t_il表示BP神经网络的第i个样本的期望输出；l表示输出层神经元的个数)，计算各点的目标值大小，找出目标值最大的点x_h、最小的点x_m，并按照目标值从小到大进行排列；10.3计算投影中心点，根据投影系数α确定x_r；10.4如果f(x_m)＜f(x_r)＜f(x_h)，用x_r代替x_h形成一个新的单纯点，返回10.2；10.5放大单纯形：令x_ε＝γx_r+(1‑γ)x，如果f(x_ε)＜f(x_m)，则放大成功，用x_ε代替x_h并形成一个新的单纯形；如果f(x_ε)＞f(x_m)，则放大失败，用x_r代替x_h返回10.2，继续投影过程；10.6收缩单纯形：如果对于除i＝h外的所有点都有f(x_r)＞f(x_i)以及f(x_r)＜f(x_i)，则用x_r代替x_h并对单纯形缩小：x_c＝βx_h+(1‑β)x_o；如果f(x_r)＞f(x_h)，则缩小单纯形，但不改变先前的被投影点x_h；如果f(x_c)＜min[f(x_m),f(x_r)]，则用x_c来代替原来的被投影点x_h，再继续进行投影过程；如果f(x_c)＞min[f(x_m),f(x_r)]，则该收缩过程失败，此时用(x_i+x_m)/2来代替所有的x_i，然后继续投影过程；10.7如果顶点的相对误差满足给定的精度要求，则停止迭代，当前单纯形的形心即为最优点；步骤十一：重复步骤10.1到10.7再寻得七个最优点；步骤十二：将步骤十和步骤十一寻得的共计八个最优点作为新的一组初始顶点，重复步骤10.1到10.7求得步骤一中七个输入参数的最优设计值。