期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于CNN-Bi LSTM的铁氧体磁芯损耗精确模型和小样本迁移学习预测方法 被引量:1
1
作者 刘占磊 祝令瑜 +3 位作者 占草 党永亮 张玉焜 汲胜昌 《高电压技术》 EI CAS CSCD 北大核心 2024年第10期4487-4498,共12页
传统的经验公式和损耗分离公式难以准确计算宽频宽磁密、宽温度范围以及复杂波形激励下铁氧体磁芯的损耗。考虑到磁芯损耗与磁通密度波形的局部和长期特征均相关,基于普林斯顿大学研究者构建的MagNet数据集,采用CNN-BiLSTM建立大样本磁... 传统的经验公式和损耗分离公式难以准确计算宽频宽磁密、宽温度范围以及复杂波形激励下铁氧体磁芯的损耗。考虑到磁芯损耗与磁通密度波形的局部和长期特征均相关,基于普林斯顿大学研究者构建的MagNet数据集,采用CNN-BiLSTM建立大样本磁芯损耗预训练模型,损耗预测的平均误差均小于3%,95%误差均小于10%;以3C90和N87铁氧体为例,构建小样本数据集并采用迁移学习方法训练模型,选取最优迁移学习策略,提出最优源域模型选取方法,对比迁移学习和直接训练所需的训练步数,分析小样本数量和初始学习率对迁移学习效果的影响。以样本数量达到1000为例,与直接训练相比,采用迁移学习方法后模型所需训练步数由500降为50,3C90和N87铁氧体损耗预测的平均误差分别由4.49%和6.6%降为2.66%和2.35%,95%误差分别由11.97%和17.12%降为7.22%和6.21%,模型的收敛速度和预测精度都大大提高。在实际工程中,仅需利用少量样本对源域模型参数进行微调,即可实现模型快速求解和损耗精确预测。 展开更多
关键词 铁氧体 磁芯损耗 小样本数据集 CNN-BiLSTM 迁移学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部