Название статьи или книги, фамилия автора, DOI

Применение современных моделей машинного обучения для повышения эффективности оптимизации полосковой и кабельной помехозащитных структур

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

научная статья УДК 621.3.011.7; 621.372 Страницы: 61-77 doi.org/10.18127/j00338486-202504-06

  1. 1,2,3 Томский государственный университет систем управления и радиоэлектроники (г. Томск, Россия)

Аннотация

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.

Поступила
10.01.2025
Одобрена
28.02.2025
Принята
26.03.2025

Для цитирования

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

Список источников
  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.