А.О. Белоусов1, Г.Ю. Ким2, В.О. Гордеева3

1–3 Томский государственный университет систем управления и радиоэлектроники (г. Томск, Россия)

1 anton.o.belousov@tusur.ru; 2 georgii.i.kim@tusur.ru; 3 viktoriia.gordeeva@tusur.ru

Постановка проблемы. В настоящее время к современным радиоэлектронным средствам (РЭС) предъявляются жесткие требования по обеспечению электромагнитной совместимости, особенно в условиях воздействия преднамеренных электромагнитных помех: сверхширокополосных помех и сверхкоротких импульсов. Традиционные защитные устройства достаточно часто демонстрируют низкую эффективность при подобных воздействиях, что обуславливает использование альтернативных подходов, в частности, различных конструкций модальных фильтров (МФ). Оптимизация МФ представляет собой сложную многопараметрическую задачу, а классические методы глобальной оптимизации, традиционно используемые для решения данной задачи, требуют значительных вычислительных затрат, особенно при работе со сложными структурами МФ. Следовательно, для ускорения процесса оптимизации и повышения его точности целесообразно создание перспективного подхода, основанного на применении методов машинного обучения (МО).

Цель. Разработать подход к оптимизации полосковых и кабельных МФ за счет применения регрессионных моделей МО, позволяющих существенно сократить время на поиск оптимальных параметров с сохранением точности получаемых результатов.

Результаты. Предложен подход к оптимизации полосковых и кабельных МФ, основанный на использовании регрессионных моделей МО. Продемонстрирована его высокая эффективность. Установлено, что для двух различных МФ наилучшие результаты, в части высокой скорости предсказания оптимальных параметров МФ с сохранением точности результатов, показали модели LightGBM и CatBoost с коэффициентом детерминации R2>0,99 и малыми значениями среднеквадратической ошибки (RMSE) вычисленных и предсказанных значений (RMSE<2,4% для LightGBM и RMSE<1,7% для CatBoost), а коэффициент переобучения для всех моделей находится в допустимых пределах, что является показателем их хорошей обобщающей способности. При этом поиск оптимальных параметров посредством глобальных методов оптимизации занимает примерно 16 000 с, а для обученных моделей МО – менее 1 с.

Практическая значимость. Разработанный подход к оптимизации МФ может быть использован для существенного ускорения проектирования различных типов линий передачи (полосковая структура с лицевой связью и плоский кабель) с заданными защитными характеристиками. Применение предложенного подхода позволяет существенно сократить временны́е и вычислительные ресурсы на оптимизацию МФ, обеспечивая высокий уровень защиты РЭС в условиях преднамеренных электромагнитных воздействий без необходимости выполнения затратных вычислений глобальными методами оптимизации.

Белоусов А.О., Ким Г.Ю., Гордеева В.О. Применение современных моделей машинного обучения для повышения эффективности оптимизации полосковой и кабельной помехозащитных структур // Радиотехника. 2025. Т. 89. № 4. С. 61–77. DOI: https://doi.org/10.18127/j00338486-202504-06

1. Leferink F. Conducted interference, challenges and interference cases // IEEE EMC Magazine. 2015. V. 4. № 1. P. 78–85.
2. Van Doom M. EMC demo box: conducted & radiated emission // Proceedings of IEEE International Symposium on Electromagnetic Compatibility (EMC '03). 2003. P. 521–522. DOI: 10.1109/ICSMC2.2003.1428307.
3. Radasky W.A., Hoad R. Recent developments in high power EM (HPEM) standards with emphasis on high altitude electromagnetic pulse (HEMP) and intentional electromagnetic interference (IEMI) // IEEE Letters on Electromagnetic Compatibility Practice and Applications. 2020. V. 2. № 3. P. 62–66. DOI: 10.1109/LEMCPA.2020.3009236.
4. Giri D.V., Tesche F.M. Classification of intentional electromagnetic environments // IEEE Transactions on Electromagnetic Compatibility. 2004. V. 46. № 3. P. 322–328.
5. Giri D.V. High-power Electromagnetic Radiators: Nonlethal Weapons and Other Applications. Harvard University Press, 2004. 198 p.
6. Giri D.V. History of high-power electromagnetics (HPEM) from 1940s to 21st century // Proceedings of the 7th Asia-Pacific Conference on Environmental Electromagnetics (CEEM). 2015. P. 1–5. DOI: 10.1109/CEEM.2015.7368630.
7. Hamamah F., Ahmad W.W., Gomes C., Isa M.M., Homam M. Concerns on the risk of Malaysian Civil and defense systems due to intentional electromagnetic interference // Proceedings of IEEE Asia-Pacific Conference on Applied Electromagnetics (APACE). 2019. P. 1–6. DOI: 10.1109/APACE47377.2019.9021096.
8. Radasky W.A., Wik M.W. Overview of the threat of intentional electromagnetic interference (IEMI) // Proceedings of IEEE International Symposium on Electromagnetic Compatibility (EMC '03). 2003. P. 1024–1027. DOI: 10.1109/ICSMC2.2003.1429088.
9. Nuriev M.G., Gizatullin R.M., Gizatullin Z.M. Physical Modeling of Electromagnetic Interferences in the Electronic Devices at Direct Impact of Lightning on Protection System of Building // Proceedings of the XIV International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE). 2018. P. 355–358. DOI: 10.1109/APEIE.2018.8545950.
10. Gazizov A.T., Zabolotsky A.M., Gazizov T.R. UWB pulse decomposition in simple printed structures // IEEE Transactions on Electromagnetic Compatibility. 2016. V. 58. № 4. P. 1136–1142. DOI: 10.1109/TEMC.2016.2548783.
11. Belousov A.O., Gazizov T.R. Systematic approach to optimization for protection against intentional ultrashort pulses based on multiconductor modal filters // Complexity. 2018. V. 2018. P. 1–15. DOI: 10.1155/2018/5676504.
12. Belousov A.O., Gordeyeva V.O. Comparison of a Genetic Algorithm and Evolutionary Strategies in Optimization of Strip Modal Filters // Journal of Communications Technology and Electronics. 2023. V. 68. № 11. P. 1079–1089. DOI: 10.1134/S1064226923110037.
13. Куксенко С.П., Газизов Т.Р., Квасников А.А. и др. Разработка программного обеспечения для моделирования радиоэлектронных средств с учетом электромагнитной совместимости в ТУСУР // Наноиндустрия. 2023. Т. 16. № S9-1(119). С. 170–178.
14. Белоусов А.О., Гордеева В.О. Оптимизация помехозащитных структур с модальным разложением: монография. Томск: Изд-во Томского государственного университета систем управления и радиоэлектроники. 2023. 136 с.
15. Hansen N. Python: modulebarecmaes2. URL: http://www.cmap.polytechnique.fr /~nikolaus.hansen/barecmaes2.html (дата обра-щения: 10.10.2024).
16. Pereira V. Python: Random Search algorithm. URL: https://github.com/Valdecy/pyMetaheuristic /blob/main/pyMetaheuristic/algo-rithm/random_s.py (дата обращения: 18.10.2024).
17. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge. MA: MIT Press. 2016. Chapter 6.2.1.
18. Ke G., et al. LightGBM: A highly efficient gradient boosting decision tree // Proceedings of Advances in Neural Information Processing Systems (NeurIPS). 2017. P. 3146–3154.
19. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features // Proceedings of Advances in Neural Information Processing Systems (NeurIPS). 2018. P. 6638–6648.
20. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York. NY: Springer. 2009. Chapter 3.4.