基于同构图神经网络将 CCM 与 DCM 下的连续/开关电路全面映射至机器学习域
系统与控制
2023-01-10 v1 系统与控制
摘要
本文提出一种将工作在连续导通模式（CCM）与断续导通模式（DCM）下的物理连续电路与开关/变换器电路转换为图表示的方法，该方法与连接关系或电路元件数量无关，从而可轻松应用机器学习（ML）算法与应用。该方法具有通用性，适用于任意数量开关、元件、电源与负载的电路，并可用于基于人工智能（AI）的电路设计自动化、布局优化、电路综合以及性能监测与控制等应用。所提电路表示与特征提取方法应用于七类二阶至四阶连续电路，并应用于三种最常见变换器（Buck、Boost 与 Buck-boost）在 CCM 或 DCM 下的工况。一个分类 ML 任务可轻松区分电路类型及其工作模式，连续电路分类准确率达 97.37%，开关电路达 100%。
引用
@article{arxiv.2301.03098,
title = {Comprehensive Mapping of Continuous/Switching Circuits in CCM and DCM to Machine Learning Domain using Homogeneous Graph Neural Networks},
author = {Ahmed K. Khamis and Mohammed Agamy},
journal= {arXiv preprint arXiv:2301.03098},
year = {2023}
}