[发明专利]一种基于机器学习技术的线圈设计方法、线圈

权利要求书

1.一种基于机器学习技术的线圈设计方法，其特征在于，所述方法包括如下步骤：

步骤一、从麦克斯韦方程组出发，得到磁场的表达式，作为理论模型，通过离散化区域计算特定区域的磁场不均匀度；

步骤二、通过选取每一对同轴线圈在电路板中的位置作为参数，设置好最大迭代次数，并根据电路板大小限定参数的范围，选择差分进化算法作为训练数据提供算法，神经网络作为建模的机器学习算法；

步骤三、将差分进化算法与人工神经网络结合，由差分进化算法辅助探寻最优解所在邻域，神经网络构建代理模型，并由L-BFGS算法探寻最小值，加速优化算法的收敛过程；

步骤四、算法给出最佳预测参数，参数对应的是每一对同轴线圈在柔性电路板上的位置，根据得到的参数构建线圈系统。

2.如权利要求1所述的设计方法，其特征在于，所述最佳预测参数的目标函数为磁场不均匀度，所优化的参数是每一对同轴线圈在电路板上的位置参数并限定好范围，机器学习算法在优化初始阶段，由差分进化算法在参数空间搜寻参数，并输入理论模型进行评估，将得到的结果反馈给神经网络进行训练；如果最大迭代次数没到或者目标优化结果没有达到预期，将继续优化过程，每四次迭代，神经网络做出一次预测，预测结果由差分进化算法给出，所有的反馈结果都会加入训练数据集，以对神经网络进一步训练，得到更好的预测结果，直到满足预设的需求或达到事先设置的最大迭代次数，并输出最优预测。

3.如权利要求1所述的设计方法，其特征在于，所述机器学习算法是一种混合式机器算法，由差分进化算法作为训练神经网络的数据提供者，神经网络负责建模进行预测的控制器，控制线圈设计优化流程，用于线圈设计，产生高均匀度磁场。

4.如权利要求3所述的设计方法，其特征在于，所述算法以基于Numpy和m-loop为框架搭建的Python代码作为各个计算模块；

所述Python代码算法核心部分的计算包包括：Numpy、m-loop；其中，TensorFlow、Scipy内嵌于m-loop；

Numpy:用于科学计算，主要负责搭建理论模拟的计算模块；

m-loop:一个开源代码库，提供了将机器学习算法与传统优化算法结合在一起的框架，可用于搭建优化算法的计算模块；

TensorFlow：谷歌的深度学习库，用于构建神经网络；

Scipy:用于科学计算，提供L-BFGS算法寻找神经网络构建的代理模型的最小值，帮助给出预测。

5.一种根据权利要求1-4之任一项所述的设计方法设计获得的线圈，其特征在于，所述线圈由10对主线圈，一对一阶梯度线圈，一对二阶梯度线圈组成；所述线圈通过上述方法获得的参数构建于柔性电路板上。

6.一种设备，其特征在于，包括：存储器和处理器；

所述存储器上存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-4之任一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-4之任一项所述的方法。