利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法

1.本发明涉及传输线电磁干扰技术领域，尤其涉及一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法。


背景技术：

2.长短期记忆网络(lstm)属于一种循环神经网络(rnn)擅长于长时序的相关问题。猎食者算法思想是猎物和捕食者群体，捕食者攻击远离猎物人群的猎物。猎人调整他对这个远的猎物的立场，猎物将他的位置调整为安全的地方。搜索代理的位置是健身功能的最佳值被认为是一个安全的地方。
3.近年来新能源汽车与智能驾驶技术飞速发展，平行多导体传输线作为新能源汽车中连接电气设备和通信设备的重要组成部分，其高可靠性与稳定性对汽车安全至关重要，尤其是通信系统中的传输线。目前对于通信系统中的传输线在应用的过程中还存在以下问题：
4.1.由于通信过程中要求信号在传输线中能够以高频率进行高速度的传播，从而导致传输线间极易产生过大的串扰；
5.2.串扰一旦过大就会影响设备之间正常通信，导致系统的可靠性与稳定性降低，严重时甚至导致某些功能直接失效。
6.3.传统的对电磁干扰的抑制方法中，通过移相器的使用过程中会出现实际操作中数据庞大，且测量困难的问题。


技术实现要素：

7.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，针对汽车通信系统的传输线串扰引用了一种添加移相器消除串扰的方法，并在此基础上进行改进，通过神经网络预测的方式建立了关于移相器消除串扰的三维模型，从而选取最佳参数作为最终使用参数，该方法不仅可以找到多组较佳的参数还对频率参数做了分析，保证了此方法在则整个频率区间都可以有很好的抑制效果，从而可以有效的消除串扰。
8.根据本发明提出的一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，方法步骤如下：
9.s1：基于移相器对传输线之间耦合串扰的抑制模型，提取其串扰数据；
10.s2：利用hpo方法优化lstm网络系统，并确定hpo-lstm模型具体流程；
11.s3：建立hpo-lstm网络仿真测试，并利用hpo-lstm模型预测串扰峰值随位置参数变化的预测趋势；
12.s4：根据预测结果搭建一个移相器参数与抑制效果的三维模型，分析三维模型确定参数，并对确定参数做频率预测分析；
13.s5：做移相器抑制串扰实验仿真，确定串扰峰值随参数变化的预测趋势与真实趋
势对比效果。
14.优选地，步骤s1中基于移相器对传输线之间耦合串扰的抑制模型，在传输线传输的电信号中，其远端串扰电压的幅值大小、相位、传播方向特性满足如下矩阵方程：
[0015][0016]
其中，v
if
表示串扰信号值，g
ij
为串扰影响因子，vi为第i根激励源电压，依据上述公式提取串扰数据
[0017]
优选地，步骤s3中hpo-lstm模型具体流程步骤如下：
[0018]
s31：初始化种群及位置，输入hpo参数；
[0019]
s32：计算自适应度和当前猎物位置，更新探索与开发的平行参数；
[0020]
s33：更新自适应参数；
[0021]
s34：判断是否需要将搜索视为猎人，若是执行步骤s35，若否执行步骤s36；
[0022]
s35：使用猎人位置更新公式计算下一次位置，并计算自适应度和猎物位置，执行步骤s37；
[0023]
s36：使用猎物位置更新公式计算下一次位置，并计算自适应度和猎物位置，执行步骤s37；
[0024]
s37：判断是否需要将搜索视为猎人，若是执行步骤s38，若否执行步骤s39；
[0025]
s38：将搜索视为猎人，向lstm神经网络系统输出参数，并进行lstm学习训练，预测趋势；
[0026]
s39：不将搜索视为猎人，执行步骤s33。
[0027]
优选地，步骤s5中做移相器抑制串扰实验仿真，确定串扰峰值随参数变化的预测趋势与真实趋势对比效果具体步骤为：
[0028]
将移相器接入位置参数与相位参数定义为位置抑制参数和角度抑制参数，并用hpo-lstm神经网络系统对串扰信号峰值随位置抑制参数、角度抑制参数的变化趋势进行预测。
[0029]
优选地，步骤s4中根据预测结构搭建一个移相器参数与抑制效果的三维模型，分析三维模型确定参数的具体步骤为：
[0030]
s41：利用hpo-lstm算法的预测结果，搭建三维模型；
[0031]
s42：通过分析三维模型选取预定数目抑制效果好的参数；
[0032]
s43：用长短时记忆网络对参数进行频率预测以至找到一组最佳参数。
[0033]
本发明中的有益效果是：
[0034]
(1)针对汽车通信系统的传输线串扰引用了一种添加移相器消除串扰的方法，并在此基础上进行改进，通过神经网络预测的方式建立了关于移相器消除串扰的三维模型，从而选取最佳参数作为最终使用参数，与传统方法相比本文方法消除效果更好，经济效益更高且更容易实现；
[0035]
(2)基于lstm神经网络来确定移相器抑制参数，lstm中的神经元细胞数、学习率、学习次数对最终的预测性能起着决定作用，但是在预测过程中这些参数只能凭借经验的人
为选择所以难以选择到最佳参数，而在lstm算法中嵌入猎食者优化算法(hpo)对这些参数进行寻优，使得lstm网络性能得到提升，从而解决原有技术在实际操作的过程中数据庞大，并且测量困难的问题，从而在解决传输线的电磁干扰的过程中相对于传统技术利用lstm神经网络来预测趋势从而减轻实验难度。
附图说明
[0036]
在附图中：
[0037]
图1为本发明提出的一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法hpo-lstm模型的流程框图；
[0038]
图2为本发明提出的近、远端串扰分析图；
[0039]
图3为本发明提出的mtl多端口网络示意图；
[0040]
图4为本发明提出的移相器核心电路图；
[0041]
图5为本发明提出的抑制百分比随位置参数变化趋势图；
[0042]
图6为本发明提出的抑制百分比随角度参数变化趋势图；
[0043]
图7为本发明提出的移相角度不同情况下抑制百分比随位置参数变化趋势图；
[0044]
图8为本发明提出的lstm与实测值对比分析图；
[0045]
图9为本发明提出的hpo-lstm与实测值对比分析图；
[0046]
图10为本发明提出的五导体平行传输线模型图；
[0047]
图11为本发明提出的五导体位置参数、相位参数与抑制百分比三维图；
[0048]
图12为本发明提出的两组参数下五导体峰值随频率参数变化趋势图；
[0049]
图13为本发明提出的各抑制方法串扰峰值对比图。
具体实施方式
[0050]
实施例一：
[0051]
本发明实施例提供利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，包括lstm神经网络系统、mtl系统、仿真与测试系统，lstm神经网络系统确定移相器抑制参数消除传输线串扰的流程如下：
[0052]
s1：基于移相器对传输线之间耦合串扰的抑制模型，该抑制模型为现有通用模型，由多根平行传输线将信号发生器与示波器相连，并在某一根施绕线上加入移相器，最后利用示波器观察信号发生器发出的正弦信号提取其串扰数据，提取其串扰数据；
[0053]
s2：利用hpo方法优化lstm网络系统，并确定hpo-lstm模型具体流程；
[0054]
s3：建立hpo-lstm网络仿真测试，并利用hpo-lstm模型预测串扰峰值随位置参数变化的预测趋势；
[0055]
s4：根据预测结果搭建一个移相器参数与抑制效果的三维模型，分析三维模型确定参数，并对确定参数做频率预测分析；
[0056]
s5：做移相器抑制串扰实验仿真，确定串扰峰值随参数变化的预测趋势与真实趋势对比效果。
[0057]
实施例二：
[0058]
在传输线传输的电信号满足如下传输线波动方程：
[0059][0060][0061]
其中r＝g＝0、c为mtl系统中的导体单位长度电容参数矩阵、l为mtl系统中的导体单位长度电感参数矩阵，i、u分别为端口电流与电压。
[0062]
如图2所示，其中l
11
、l
22
和c
11
、c
22
分别为传输线1、2的自感和电容。v1为传输线1的入射电压，δvn与δvf为传输线2两端的耦合电压，耦合介质为两线之间的互感l
12
和互容c
12
。δvn为近端串扰，而δvf为远端串扰。
[0063]
通过串扰的产生改变特性再产生干扰信号，包括信号间的容性耦合和感性耦合，通过远端串扰数学模型提取串扰数据。
[0064]
如图3所示，将传输线视为一个多端口网络，且传输线两端电压与电流的关系可以用链参数矩阵表示如下：
[0065][0066]
其中v(0)、i(0)为输入端端口矩阵、电流矩阵；
[0067][0068]
v(l)、i(l)为输出端端口电压、电流矩阵；
[0069][0070]
链路参数矩阵元素
[0071][0072][0073][0074][0075]
式中e为单位矩阵，l为传输线长度，β为导体介质相位常数且结合多端口网络终端条件
[0076]
v(0)＝v
s-zsi(0)
[0077]
v(l)＝z
l
i(l)
[0078]vs
为传输线激励电压矩阵
[0079][0080]zs
为激励源阻抗矩阵，z
l
为负载阻抗矩阵。由此可得到终端电压与激励源电压的数学关系式，且将其关系矩阵定义为传输函数矩阵p。
[0081][0082]
当zs、z
l
、l、c等不变时，可知传递函数矩阵g是关于传输线长度l和激励源频率ω的函数矩阵且g矩阵的非对角元素对应于串扰。
[0083][0084]
某一传输线上的终端电压如下所示，
[0085][0086]
其中为信号线所需要传递的电信号vi(l)与的差值为所求的串扰信号值v
if
，
[0087][0088]
基于以上分析在传输线中加入移相器，移相器在改变传输线耦合电压相位的同时也在改变传输线系统的尺寸与结构(线长为l的传输线被分为两个线长为l1、l2的传输线级联)从而调整传输矩阵元素。
[0089]
如图4所示，其中v
in
为移相器的输入电压，vo为移相后的电压，r3与c为调节电容电阻，其中v
in
与vo两者的计算关系如下所示；
[0090]
[0091]
令r1＝r2＝r时，可推导出输入电压与输出电压之间比值。
[0092][0093]
θ＝arctan(2πfr3c)
[0094]
如上式所示，此移相器可改变输入电压相位而使幅值不变；当电压频率一定时r3、c取值合适就能得到任意相位输出电压。
[0095]
传输线中加入移相器，将移相器接入位置参数与移动的角度参数定义为位置抑制参数和角度抑制参数(以下简称角度参数与位置参数)，根据移相器两个抑制参数和激励源频率得到串扰抑制效果，并且对特性参数在不同模型、不同激励源和不同方法中的抑制效果进行分析，建立三维模型。
[0096]
图5与图6分别为四导体模型的激励源在5mhz、10mhz和25mhz频率下抑制百分比随位置参数与角度参数的变化趋势。图4中将角度参数值固定为180
°
不变，抑制百分比曲线随位置参数变化而呈现出凸函数形态，在0.4左右抑制百分比最高、图5中将位置参数固定值为0.5不变，抑制百分比曲线大体呈对称趋势而角度参数为180
°
左右抑制百分比最高。且频率不同抑制百分比随二者变化的趋势也有所不同。
[0097]
图7显示，在25mhz频率下当角度参数分别为135
°
、180
°
和225
°
时，抑制百分比随位置抑制参数的变化趋势并不相同。
[0098]
综上，位置参数、角度参数在同时影响抑制百分比,对某一个参数进行单独寻优难以找到角度参数与位置参数的最佳组合。为了找到移相器对串扰抑制效果最佳的参数，本文提出搭建一个角度参数、位置参数与抑制百分比的三维模型，对两者参数进行同时寻优。但搭建三维模型的过程中需要较多的数据，而提取数据的方法过于繁琐，部分数据难以提取。所以本文利用lstm网络来预测趋势从而减轻实验难度，增强实验数据可靠性。且当psp和asp确定时抑制百分比还受频率的影响。针对此问题本文利用lstm神经网络在通信系统使用的频率区间段对该组参数的抑制百分比进行预测，判断此组参数在该频率区间段的抑制效果是否满足要求。
[0099]
实施例三：
[0100]
长短期记忆网络属于一种循环神经网络，在学习预测中lstm中的神经元细胞数、学习率、学习次数起着决定作用，但是在预测过程中这些参数只能凭借经验人为的选择，往往难以选择到最佳参数。而在lstm算法中嵌hpo对这些参数进行寻优，使得lstm网络性能得到提升。
[0101]
hpo搜索机制数学模型如式所示，
[0102]
x
ij
(t+1)＝x
ij
(t)+0.5[(2czp
pos(j)-x
ij
(t))
[0103]
+(2(1-c)zμ(j)-x
ij
(t))]
[0104]
式中，x(t)为当前猎人位置、x(t-1)为猎人的下一次迭代位置、p
pos
为当前猎物的位置、μ为所有位置的平均值、z为自适应参数、c为探索和开发之间的平衡参数，其值在迭代过程中从1减小到0.002。
[0105]
优化后的hop-lstm算法程序框图如图1所示。
[0106]
实施例四：
[0107]
为验证优化后的lstm网络更加适用于预测，本文将hpo—lstm与lstm对模型一中
同一峰值串扰数据学习预测的结果进行对比。如图8所示，lstm网络的预测曲线与实际值差别较大，其均方根误差率在0.1左右，如图9所示，hpo_lstm网络的预测曲线与实际值接近，其均方根误差率在0.01左右，
[0108]
通过对以上结果分析，本文优化后的hop-lstm网络预测效果良好，预测结果稳定，所以本次对lstm网络的改进具有实际意义。
[0109]
实施例五：
[0110]
移相器抑制串扰实验仿真，为验证提出方法的有效性建立了长为1米五导体平行传输线的模型进行抑制，并与其他方法进行对比，型的摆放位置如图10所示，其中第0根传输线定义为参考导体，第1、3、4根传输线为施扰线第2根为受绕线。
[0111]
通过本文方法搭建的角度参数、位置参数与抑制百分比的三维模型如图11所示，其中a(1200.65864.0478)点与b(1250.75264.2573)均可作为抑制参数使用。利用lstm对a,b组参数的串扰抑制效果进行频率预测。
[0112]
如图12所示，在10mhz—30mhz频率下对a,b两组参数进行频率预测。由图可知b点预测参数在低频率时抑制效果并不理想在5—12.5mh频率段内poi在50％以下，而a点在整个频率段内抑制效果良好。综上可采用(120，0.57)作为移相器接入该传输线系统的抑制参数。
[0113]
为验证本文方法有效性，使用其他方法对模型中串扰进行抑制，并与本方法进行对比。如图13所示，在25mhz频率下经本文方法的抑制后串扰峰值在0.21v左右其抑制百分比在58％，而其他两种方法其抑制百分比分别在41.2％与42.2左右。且本文方法实现成本低，抑制效果更加稳定。
[0114]
实施例六：
[0115]
如图1所示，利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，包括lstm神经网络系统、传输线系统、仿真与测试系统，hop-lstm神经网络系统的算法流程如下：
[0116]
sp1：输入开始程序，初始化种群及位置，输入hpo参数；
[0117]
sp2：计算自适应度和当前猎物位置，更新探索与开发的平行参数；
[0118]
sp3：更新自适应参数；
[0119]
sp4：将搜索视为猎人，使用猎人位置更新公式计算下一次位置，并计算自适应度和猎物位置；不将搜索视为猎人，使用猎人位置更新公式计算下一次位置，并计算自适应度和猎物位置；
[0120]
sp5：将搜索视为猎人，向lstm神经网络系统输出参数，并进行lstm学习训练，预测趋势；不将搜索视为猎人，重复sp3的指令。

技术特征：
1.一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，其特征在于，方法步骤如下：s1：基于移相器对传输线之间耦合串扰的抑制模型，提取其串扰数据；s2：利用hpo方法优化lstm网络系统，并确定hpo-lstm模型具体流程；s3：建立hpo-lstm网络仿真测试，并利用hpo-lstm模型预测串扰峰值随位置参数变化的预测趋势；s4：根据预测结果搭建一个移相器参数与抑制效果的三维模型，分析三维模型确定参数，并对确定参数做频率预测分析；s5：做移相器抑制串扰实验仿真，确定串扰峰值随参数变化的预测趋势与真实趋势对比效果。2.根据权利要求1所述的一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，其特征在于，步骤s1中基于移相器对传输线之间耦合串扰的抑制模型，在传输线传输的电信号中，其远端串扰电压的幅值大小、相位、传播方向特性满足如下矩阵方程：其中，v
if
表示串扰信号值，g
ij
为串扰影响因子，v
i
为第i根激励源电压，依据上述公式提取串扰数据。3.根据权利要求1所述的一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，其特征在于，步骤s3中hpo-lstm模型具体流程步骤如下：s31：初始化种群及位置，输入hpo参数；s32：计算自适应度和当前猎物位置，更新探索与开发的平行参数；s33：更新自适应参数；s34：判断是否需要将搜索视为猎人，若是执行步骤s35，若否执行步骤s36；s35：使用猎人位置更新公式计算下一次位置，并计算自适应度和猎物位置，执行步骤s37；s36：使用猎物位置更新公式计算下一次位置，并计算自适应度和猎物位置，执行步骤s37；s37：判断是否需要将搜索视为猎人，若是执行步骤s38，若否执行步骤s39；s38：将搜索视为猎人，向lstm神经网络系统输出参数，并进行lstm学习训练，预测趋势；s39：不将搜索视为猎人，执行步骤s33。4.根据权利要求1所述的一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，其特征在于，步骤s5中做移相器抑制串扰实验仿真，确定串扰峰值随参数变化的预测趋势与真实趋势对比效果具体步骤为：将移相器接入位置参数与相位参数定义为位置抑制参数和角度抑制参数，并用hpo-lstm神经网络系统对串扰信号峰值随位置抑制参数、角度抑制参数的变化趋势进行预测。5.根据权利要求1所述的一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优
方法，其特征在于，步骤s4中根据预测结构搭建一个移相器参数与抑制效果的三维模型，分析三维模型确定参数的具体步骤为：s41：利用hpo-lstm算法的预测结果，搭建三维模型；s42：通过分析三维模型选取预定数目抑制效果好的参数；s43：用长短时记忆网络对参数进行频率预测以至找到一组最佳参数。

技术总结
本发明公开了一种利用hpo-lstm网络对移相器抑制传输线串扰的参数寻优方法，方法步骤如下：基于移相器对传输线之间耦合串扰的抑制模型，提取其串扰数据；利用HPO方法优化LSTM网络系统，并确定HPO-LSTM模型具体流程；建立HPO-LSTM网络仿真测试，并利用HPO-LSTM模型预测串扰峰值随位置参数变化的预测趋势；根据预测结果搭建一个移相器参数与抑制效果的三维模型，分析三维模型确定参数，并对确定参数做频率预测分析；做移相器抑制串扰实验仿真，确定串扰峰值随参数变化的预测趋势与真实趋势对比效果。本发明通过神经网络预测的方式建立了关于移相器消除串扰的三维模型，从而选取最佳参数作为最终使用参数，经济效益更高且更容易实。易实。易实。


技术研发人员：尹柏强 金志扬 袁莉芬 王若宇 李兵 佐磊 程珍
受保护的技术使用者：合肥工业大学
技术研发日：2023.06.09
技术公布日：2023/9/6