一种基于有限元和深度信念网络的均压环优化设计方法
专利汇可以提供一种基于有限元和深度信念网络的均压环优化设计方法专利检索，专利查询，专利分析的服务。并且本 发明 提供一种基于有限元和 深度信念网络 的均压环优化设计方法。本发明构建优化均压环结构参数的训练样本集和测试样本集；将训练样本集通过深度信念网络进行训练，得到训练后深度信念网络，用于拟合出均压环各结构参数与沿面最大 电场 强度之间的关系；进行多次深度信念网络训练，利用训练后深度信念网络计算出测试样本的输出即沿面最大电场强度，并与测试样本集中的沿面最大电场强度进行比较，得到平均绝对百分误差，根据遗传 算法 寻优得到均压环结构参数的最优解；本发明大幅度减少了试验次数与时间，提升工作效率。，下面是一种基于有限元和深度信念网络的均压环优化设计方法专利的具体信息内容。
1.一种基于有限元和深度信念网络的均压环优化设计方法，其特征在于，包括以下步骤：
步骤1：构建优化均压环结构参数的训练样本集和测试样本集；
步骤2：将训练样本集通过深度信念网络进行训练，得到训练后深度信念网络，用于拟合出均压环各结构参数与沿面最大电场强度之间的关系；
步骤3：进行多次深度信念网络训练，利用训练后深度信念网络计算出测试样本的输出即沿面最大电场强度，并与测试样本集中的沿面最大电场强度进行比较，得到平均绝对百分误差，根据遗传算法寻优得到均压环结构参数的最优解。
2.根据权利要求1所述的基于有限元和深度信念网络的均压环优化设计方法，其特征在于：
步骤1中所述构建优化均压环结构参数的训练样本集和测试样本集，具体步骤包括：
步骤1.1、确定均压环的结构优化参数和优化目标，确定结构优化参数的取值范围；
均压环的结构优化参数为：
R,r,h
R为均压环环径，取值范围为[Rmin,Rmax]；
r为均压环管径，取值范围为[rmin,rmax]；
h为均压环在垂直面上的抬高距，取值范围为[hmin,hmax]；
优化目标为储能组件沿面最大电场强度，其值越小越好；
步骤1.2、在均压环结构优化参数的取值范围内选取多个训练样本，利用有限元方法求得每组结构参数对应的沿面最大电场强度，以构建训练样本集为TRAIN(q3)；
训练样本的选取方式为：在[Rmin,Rmax]内平均取p个点作为均压环的结构优化参数为均压环环径参数，在[rmin,rmax]内平均取p个点作为均压环管径参数，在[hmin,hmax]内平均取p个点作为均压环在垂直面上的抬高距；
然后进行排列组合，选取出p3种组合方式，构建p3个训练样本，组成训练样本集为TRAIN(p3)；
每个训练样本中都包含均压环环径、均压环管径以及均压环在垂直面上的抬高距，根据有限元方法求得沿面最大电场强度；
步骤1.3、根据均压环结构优化参数的取值范围确定出q个测试样本，并利用有限元方法求得每组结构参数对应的沿面最大电场强度，组成一个测试样本集为TEST(q)；
测试样本的选取方式为：在[Rmin,Rmax]内、[rmin,rmax]内以及[hmin,hmax]内，随机选取q个样本，组成测试样本集为TEST(q)；
每个测试样本中都包含均压环环径、均压环管径以及均压环在垂直面上的抬高距，根据有限元方法求得沿面最大电场强度。
3.根据权利要求1所述的基于有限元和深度信念网络的均压环优化设计方法，其特征在于：步骤2中所述深度信念网络训练具体步骤为：
步骤2.1：预训练阶段：预训练阶段是对多层受限玻尔兹曼机(RBM)进行训练的过程，预训练从底层RBM开始，由下至上依次训练；
RBM具有一个可见层V和隐藏层H；在给定第k个RBM模型参数θk＝{Wk,ak,bk}时，为这个RBM定义一能量函数：
其中，Vk＝[vk,1,vk,2,...,vk,m]T是第k个RBM单元的可见层的状态向量，vk,i表示第k个RBM单元的第i个神经元的状态，i∈[1,m]，m代表可见层神经元的数量，k∈[1,L]，L代表RBM单元的数量；
Ak＝[ak,1,ak,2,...,ak,m]T是第k个RBM单元的可见层的偏置向量，ak,i表示第k个RBM单元的第i个神经元的偏置，i∈[1,m]，L代表RBM单元的数量；
Hk＝[hk,1,hk,2,...,hk,n]T是第k个RBM单元的隐藏层的状态向量，hk,j表示第k个RBM单元的第j个神经元的状态，j∈[1,n]，n代表隐藏层神经元的数量，L代表RBM单元的数量；
Bk＝[bk,1,bk,2,...,bk,n]T是第k个RBM单元的隐藏层的偏置向量，bk,j表示第k个RBM单元的第j个神经元的偏置，j∈[1,n]，L代表RBM单元的数量；
Wk＝{wk,i,j}∈RL×m×n表示第k个RBM单元的连接可见层神经元与隐藏层神经元的权重矩阵；
定义一个函数 它是评判第k个RBM训练结果的指标，它的值越大，则代表RBM预训练结果与训练样本的分布越契合，相关过程由以下数学公式进行描述：
上式中，θk＝{Wk,ak,bk}，S为训练样本集合，ns为训练样本的个数， 集合S中的每个样本都拥有同样的概率分布且相互独立；
步骤2.2：微调阶段：RBM预训练完毕后，将训练完毕的初始参数θk＝L＝{Wk＝L,ak＝L,bk＝L}赋给最后一层神经网络；并采用莱文伯格·马夸特(Levenberg-Marquardt)算法，以训练样本作为监督信号，由上至下对整个网络进行优化。
4.根据权利要求1所述的基于有限元和深度信念网络的均压环优化设计方法，其特征在于：步骤3中所述训练后深度信念网络计算出测试样本的输出即沿面最大电场强度为步骤3中所述测试样本集中的沿面最大电场强度为yi；
优选地，深度信念网络训练评价指标为平均绝对百分误差eMAPE，eMAPE的表达式为：
式中，yi和 为预测点最大电场强度的实际值和预测值，eMAPE值越小，则结果预测越准确；
根据训练评价指标平均绝对百分误差选取出训练效果最佳的网络，将此网络保存下来，利用遗传算法进行寻优，遗传算法的优化目标是网络输出最小值，当此网络输出目标值最小时所对应的结构参数便是均压环结构参数的最优解；
所述均压环结构优化参数包括有优化后的均压环环径R*、管径r*和抬高距h*。
一种基于有限元和深度信念网络的均压环优化设计方法
技术领域
背景技术
发明内容
TRAIN(p)；
具体实施方式
2200V/mm。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 多变量时间序列深度信念网络的低压铸造模温预测方法 | 2020-05-11 | 277 |
| 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 | 2020-05-12 | 434 |
| 一种基于动力电池SOC和SOH联合估计的算法 | 2020-05-14 | 57 |
| 基于深度信念网络的计量装置故障溯源方法 | 2020-05-14 | 802 |
| 多源无标签数据学习建模的传动系统性能退化评估方法 | 2020-05-08 | 407 |
| 小数据库条件下正常语音流中耳语音的识别方法 | 2020-05-13 | 173 |
| 基于深度学习支持向量机的临界热流密度预测方法 | 2020-05-17 | 757 |
| 一种强化递阶学习驱动的时空交通流预测方法 | 2020-05-19 | 459 |
| 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 | 2020-05-16 | 765 |
| 基于深度信念网络的多姿态人脸识别的方法和装置 | 2020-05-13 | 439 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
