基于进化卷积神经网络算法的开孔外壳屏蔽效能预测

黄洋

（安徽省食品药品检验研究院 安徽省合肥市 230051）

1 引言

屏蔽效能通常可以通过科学的计算方法来预测，这对屏蔽腔的设计具有重要意义，常用的计算方法有数值计算和解析计算。目前，解析方法主要包括Bethe小孔耦合理论法、基于电磁拓扑（Electromagnetic Topology,EMT）理论的BLT（Baum-Liu-Tesche）方程法和等效传输线法（Transmission Line Method,TLM）。本文基于传输线方法建立屏蔽腔体等效电路并通过进化卷积神经网络算法求解等效电路阻抗参数，然后预测屏蔽外壳屏蔽效能。[1-3]

本文的结构如下：在第二部分中利用CST建立开孔外壳模型并得到仿真结果。第三部分中论述了基于ECNN神经网络算法提取BLT方程等效电路参数。第四部分中利用三米法暗室进行实验测量，并分析实验结果。在第五部分中给出了本文的结论。

2 开孔外壳电磁屏蔽特性仿真与分析

电场和磁场屏蔽效能（Shielding Effectiveness，SE）定义分别为式（1）和（2）[2][3]：

其中，H0和表示施加电磁屏蔽壳前后对应点的电场大小，E0和表示应用电磁屏蔽壳之前和之后对应点的磁场大小，屏蔽效率的单位为分贝（DB）。本文以屏蔽壳对电场的屏蔽效能作为测量结果[4-6]。

如图1所示，在CST仿真软件中设置外壳外形尺寸如下：a为51，b为121，c为61，e为16，f为11，g为6，h为9，厚度t为0.3，单位：cm。几何中心为p，坐标为（x1，Y1，z1），电介质板的几何参数为m=21，n=19，单位为cm。

图1：开孔外壳模型图

设置外壳参数：其中外壳材料为铝（95.9%），以碳基介质为例，相对介电常数取8.1。本文采用横向电磁场来确定壳体的电场和磁场方向。激励源设置为具有垂直极化和1V/m电场的平面波。探头设置为距外壳前部25cm的点P和点Q。图2显示了P点屏蔽效能的CST模拟结果。

图2：P点屏蔽效能仿真结果

由图2仿真结果可知：屏蔽效能在372-552MHz范围内屏蔽效能随频率变化很小；552-582MHz内随频率升高而下降；在582-822MHz上，随着频率的升高而上升，频率在822-1000MHz时，屏蔽效能随频率升高而缓慢降低。在100-1000MHz的整个频带中，随着频率的增加，它呈现出下降趋势。580MHz的屏蔽效率是模拟图像的最低点，谐振频率点和最差的屏蔽效果。

3 基于进化卷积神经网络的开壳屏蔽效能研究

3.1 开孔外壳的传输线等效电路

在本文中，开口等效于传输线，电磁屏蔽壳等效于具有短端的波导[7-8]。图3是屏蔽壳的等效电路。

图3：屏蔽外壳等效电路

根据传输线理论、麦克斯韦方程组、戴维南等效定理及屏蔽效能定义式，可以求得观测点P处的等效阻抗Z1、等效电压源V1、等效电压Vp和负载Z2及屏蔽效能SEP如式（3）。

其中kg，Zg为矩形波导的相位阻抗和特性阻抗，为观测点的位置坐标和屏蔽壳的几何尺寸，为算法优化得到的孔径阻抗参数、孔径形状参数和位置参数，观测点的屏蔽效率预测值为SEp。

基于进化卷积神经网络算法的参数提取。

根据壳体中心位置的屏蔽效能信息，通过进化卷积神经网络算法获得公式（3）中的参数k1,k2,C。

进化算法作为传统领域中常见的优化算法，其在多个领域内都有广泛的应用。本文使用进化算法优化神经网络以获得更加精确的电路参数信息。在进化神经网络算法中，将电路初始参数代入初始种群个体的染色体中，并对神经网络的内部参数和神经网络结构进行编码，通过进化算法对神经网络的结构与参数进行优化[9-10]。结合进化算法产生深度神经网络的自动构建，以此在计算多参数问题时，手动参数调整的工作量大大降低。算法的基本过程如下：

（1）染色体编码：为找到最优或接近最优的深度神经网络，使用进化算法来优化深度神经网络，在进化神经网络的染色体中编码复杂而庞大的数据信息。

（2）变异操作：相较于交叉操作，变异操作更常见于基于深度学习的进化神经网络的进化策略。本文算法中采用变异操作为主要的参数计算进化操作。

（3）选择适应度函数：为评估染色体对测试环境的适用性，提出适应度函数概念，通过适应度函数选择更适应环境的染色体。

（4）训练流程：基于深度学习的进化神经网络训练流程如图4所示，相关流程步骤如下：

图4：算法训练流程图

①在实际电路参数问题上，挑选合适的整合染色体需要编码信息与变异操作；

②设定最简网络并初始化算法，将该网络作为种群个体，根据实验设计需求设置训练种群规模大小；

③为确定染色体个体对目标环境的适应度，算法计算种群个体的适应度函数，根据适应度计算结果来选择合适的染色体作为父代种群；

④通过变异操作对父代染色体种群开展进化策略，在产生的新一代种群中，选择得出子代种群，持续循环至到满足终止条件则算法停止，不满足则转向（3）算法继续[11-12]。

可得算法流程图如图4所示。

在本文算法计算中节点数n=1000，各结构外壳由公式（4）计算获得的屏蔽效能为SEP，对应结构的屏蔽效能仿真值记为SE0，则适应度Q为：

3.2 箱内屏蔽效能分布

根据公式（3）可以计算得到与开孔面距离不同点处对应的屏蔽效能关系，如图5所示，结果表明，距离孔表面26cm处屏蔽效率小，屏蔽效果差。38cm处屏蔽效率大，屏蔽效果好。

图5：与开孔面距离不同点处对应的屏蔽效能关系图

4 3米法全波暗室实验

在电波暗室中进行验证实验，分别测试开孔面26cm处的A点及38m处的B点的辐射骚扰。电波暗室实物测试图，如图6所示。

图6：电波暗室场地布置

测试结果表明，A点和B点的辐射干扰结果分别如图7和图8所示，图谱显示A点的辐射骚扰噪声强于B点辐射骚扰噪声，即在中低频率段，A点处比B点处的屏蔽效能弱，而在高频段，两者屏蔽效能基本相近。

图7：A辐射骚扰噪声

图8：B点辐射骚扰噪声

5 结论

本文在100MHz-1000MHz通过开孔外壳电磁屏蔽特性仿真与分析，得出神经网络算法提取的参数预测屏蔽效能结果的准确性。之后利用远场电波暗室测试结果，进一步验证与开孔面距离不同点处对应的屏蔽效能关系，通过本文的方法更加方便的预测开孔外壳内部各点屏蔽效能，为未来研究提高外壳的屏蔽效能提供工程参考价值。