论文下载：链接: https://pan.baidu.com/s/1Ag2sRfgx8ubWPB5wKSv16A?pwd=1234 提取码: 1234
C24104220149
摘 要
本文通过多因素分析与深度学习方法，构建磁芯损耗预测模型，并优化最小损耗与最大传输磁能条件。
问题一：励磁波形分类
- 方法：
- 提取时域（峰度、偏度）和频域特征，通过主成分分析降维。
- 使用支持向量机、决策树和集成学习算法分类。
- 结果：
- 三种算法准确率均达100%，验证特征提取有效性。
- 附件二样本分类结果填入附件四，正弦波、三角波、梯形波分别为20、44、16个。
问题二：斯坦麦茨方程修正
- 方法：
- 设计五种温度修正方法（三次函数最佳），动态参数粒子群算法优化参数。
- 结果：
- 三次函数修正后决定系数提升至0.9955，误差减少4倍。
问题三：因素协同影响分析
- 方法：
- 单因素与双因素方差分析，结合热力图验证协同效应。
- 结果：
- 最优组合为90℃、正弦波、材料四，损耗最小。
问题四：通用磁芯损耗预测模型
- 方法：
- 特征权重提取的Bi-LSTM网络，输入磁通密度、温度、波形、材料等。
- 结果：
- 验证集决定系数0.998，优于梯度提升树（0.995）和CNN（0.9837）。
- 噪声测试集决定系数仍达0.9952。
问题五：多目标优化
- 方法：
- 遗传算法与NSGA-II求解Pareto最优解。
- 结果：
- 最优解为材料二、正弦波、90℃、频率79680Hz、磁通密度峰值0.021，损耗426.36W/m³，传输磁能1673.28。
关键词：磁芯损耗预测；粒子群算法；Bi-LSTM网络；帕累托最优。
C24103860012
摘 要
本文通过特征重要性分析和方差分析，构建高精度磁芯损耗模型，并优化多目标条件。
问题一：励磁波形分类
- 方法：
- 提取统计特征（峰度、偏度）和几何特征（11种），通过决策树、随机森林和逻辑回归模型投票分类。
- 结果：
- 附件二样本分类准确率100%，部分结果填入附件四。
问题二：斯坦麦茨方程修正
- 方法：
- 提出Solow函数、二次多项式和温度饱和模型修正方程，最小二乘法参数估计。
- 结果：
- Solow修正模型MAPE=15.94%，R²=0.9954，误差显著降低。
问题三：因素协同影响分析
- 方法：
- 单因素和双因素方差分析（p值<1e-6），热力图可视化。
- 结果：
- 低频下最优组合为材料四、正弦波、90℃；高频下为材料四、正弦波、70℃。
问题四：通用磁芯损耗预测模型
- 方法：
- CatBoost模型结合问题一特征（峰值、磁通密度变化率）和IGSE先验知识。
- 结果：
- 平均相对误差0.03542，预测值如952.8W/m³、1570547.8W/m³等。
问题五：多目标优化
- 方法：
- 灰狼优化算法结合CatBoost模型，设定最低损耗条件。
- 结果：
- 最优解为频率188,000Hz、温度90℃、正弦波、磁通密度峰值0.012、材料四，传输磁能最大。
关键词：方差分析；模型堆叠；灰狼优化算法；CatBoost。
C24102890089
摘 要
本文结合多层感知机、随机森林和ANOVA模型，构建磁芯损耗预测与优化框架。
问题一：励磁波形分类
- 方法：
- 傅里叶变换去噪，提取时域（峰值、上升速率）和频域特征。
- 构建MLP-随机森林加权集成模型。
- 结果：
- 分类准确率100%，混淆矩阵和交叉验证验证模型有效性。
问题二：斯坦麦茨方程修正
- 方法：
- 三种温度修正函数（Solow、二次多项式、温度饱和模型），最小二乘法拟合。
- 结果：
- Solow模型R²=0.9954，修正后误差显著降低。
问题三：因素协同影响分析
- 方法：
- 单因素和双因素方差分析（p值<1e-6），遍历法优化组合。
- 结果：
- 最优组合为70℃/90℃、正弦波、材料四，损耗最小（37860.13W/m³）。
问题四：通用磁芯损耗预测模型
- 方法：
- 构建12种材料-工况组合模型，拆分附件三数据预测。
- 结果：
- 预测值如952.8W/m³、1570547.8W/m³等，验证模型泛化能力。
问题五：多目标优化
- 方法：
- 粒子群算法结合初始值优化，双目标转化为单目标。
- 结果：
- 最优参数组合为材料四、正弦波、90℃，频率79680Hz，磁通密度峰值0.021。
关键词：多层感知机；温度饱和模型；方差分析；粒子群算法。
C24106130096
摘 要
本文提出多域融合特征和深度学习模型，优化磁芯损耗预测与多目标条件。
问题一：励磁波形分类
- 方法：
- 多域特征（Hilbert-Huang变换、双谱变换）提升抗噪性。
- SVM模型在无噪条件下准确率100%。
- 结果：
- 噪声环境下精度下降26%，多域特征提升10%。
问题二：斯坦麦茨方程修正
- 方法：
- LSEDSR模型（深度自表示）自适应调整温度参数。
- 结果：
- 相对误差降至0.13，优于传统修正方法（0.17-0.18）。
问题三：因素协同影响分析
- 方法：
- 多因素方差分析（F统计量），独立样本非参数检验。
- 结果：
- 最优组合为70℃/90℃、正弦波、材料四，损耗最小。
问题四：通用磁芯损耗预测模型
- 方法：
- WMTLMSEDSR模型（深度特征嵌入+多信息融合）。
- 结果：
- 相对误差从0.51降至0.02，预测值如1449.52W/m³、3664.84W/m³。
问题五：多目标优化
- 方法：
- 遗传算法和粒子群优化带约束的双目标模型。
- 结果：
- λ=1时，最优参数为材料一、90℃、正弦波，频率7862.85Hz，损耗最小。
关键词：多域融合特征；深度学习；WMTLMSEDSR；智能优化算法。
数据汇总表
| 文档编号 | 问题 | 模型/方法 | 关键结果 | 误差指标 |
|---|---|---|---|---|
| C24104220149 | 问题一 | 主成分分析+SVM/决策树 | 分类准确率100% | 无 |
| C24104220149 | 问题二 | 三次函数修正+粒子群 | R²=0.9955 | MAPE=15.94% |
| C24104220149 | 问题四 | Bi-LSTM | 验证集R²=0.998 | MAPE=0.03542 |
| C24104220149 | 问题五 | NSGA-II | 最优解损耗426.36W/m³ | 无 |
| C24103860012 | 问题二 | Solow修正 | R²=0.9954 | MAPE=15.94% |
| C24103860012 | 问题四 | CatBoost | 平均相对误差0.03542 | 无 |
| C24102890089 | 问题二 | Solow修正 | R²=0.9954 | MAPE=15.94% |
| C24102890089 | 问题五 | 灰狼优化 | 损耗37860.13W/m³ | 无 |
| C24106130096 | 问题二 | LSEDSR | 相对误差0.13 | 无 |
| C24106130096 | 问题四 | WMTLMSEDSR | 相对误差0.02 | 无 |
| C24106130096 | 问题五 | 遗传算法 | 损耗1449.52W/m³ | 无 |
总结
各团队针对磁芯损耗建模问题，提出了以下创新方法：
- 多域特征提取：通过时频域融合（Hilbert-Huang、双谱变换）提升分类模型抗噪性。
- 温度修正优化：采用动态参数粒子群算法、自适应深度模型（LSEDSR）改进斯坦麦茨方程，误差显著降低。
- 多因素分析：结合方差分析（ANOVA）和非参数检验，量化温度、波形、材料的独立与协同影响。
- 深度学习模型：Bi-LSTM、CatBoost、WMTLMSEDSR等模型在通用预测中表现优异，决定系数达0.998。
- 多目标优化：NSGA-II、灰狼优化算法求解双目标问题，平衡损耗最小化与传输磁能最大化。
研究结果对高频功率变换器设计具有重要指导意义，未来可进一步探索实时动态调整模型和更复杂的非线性关系建模。