這是一非線性控制系統(tǒng)。由方程我們可以看出電阻R嚴重地影響了系統(tǒng)的穩(wěn)定性和響應。

4.2反向傳播神經網絡（BPNN）方案

　　做少量的數學運算可以看出，對于一個恒定的電感電流，存在著一個相應的外加電壓Vi。

可以把一個具有多輸入和多輸出的反向傳播神經網絡（BPNN）放置在輸入端和輸出端之間。經過分析，電流－功率控制采用三個神經元層次，分別是輸入層（IL），隱含層（HL）和輸出層（OL）。反向傳播神經網絡（BPNN）的結構如圖7所示，它由三層組成，每層都含有大量的神經元。同一層的所有神經元的函數是相同的，而不同層的神經元函數不同。控制系統(tǒng)布局示意圖如圖6所示。

4.3結構描述

w1ij,w2ij和w3ij是輸入層、隱含層和輸出層神經元的權值；θij是n－維第i個元素的活化寬度；Pij是r－維第i個元素；λij是寬度矢量的第i個元素；ρij是m－維第i個活化值。

4．4自學習函數

　　由系統(tǒng)要求可知訓練最佳極限是：

　　·電流響應超調量≤5％；

　　·功率響應超調量≤10％；

　　·波形搖擺≤2個周期。

　　所有神經元的加權系數都會影響輸出參數的響應，加權系數由反向傳播學習技術來確定以滿足上述極限。在系統(tǒng)的設計中，神經網絡每一神經元的所有權值必須被確定，通常稱為訓練過程。這里我們介紹一種自動調節(jié)技術來訓練這些權值。

　　反向傳播學習技術是以最小均方（LMS）運算為基礎的，它是與斜率有關的搜索方法。學習過程可以從預置初始值開始，即將所有加權值（率）先設置為一個單位。當用這些權值得出的實際輸出與目標之間差別最小時，學習過程才算完成。由于神經網絡是一個規(guī)模不大的網，所以訓練過程不需要很長時間即可完成。通常僅需要5∽15秒。

5實驗結果

　　測試裝備包括一個14V的電池作為負載和一個42V的直流源做電源。測試條件為：f=1∽5kHz,V1=42V和V2=－14V,L=0.3mH,R=3mΩ，體積=4000(in3)，實測結果如表2所示?？偟钠骄β拭芏?PD)為27.8W/in3。這種電路的功率密度比經典變換器的功率密度要高得多。經典變換器的功率密度通常小于5W/in3。因為開關頻率很低，所以電磁干擾（EMI）很弱。

6結論

　　人工神經網絡控制技術已成功地應用在二象限開關電感DC/DC變換器中，它克服了當導通常占空k為臨界值時所引起的系統(tǒng)運行不穩(wěn)定的不足，從而獲得一個平穩(wěn)的能量傳輸過程。實驗結果證實了我們的設計和反向傳播神經網絡（BPNN）技術的優(yōu)點。

表2不同頻率時的實測結果