-
题名基于XGBoost模型的碳基扬声器的性能
- 1
-
-
作者
宋俊驰
王德波
-
机构
南京邮电大学集成电路科学与工程学院
-
出处
《微纳电子技术》
CAS
北大核心
2023年第11期1756-1765,共10页
-
基金
国家自然科学基金青年项目(61704086)
中国博士后科学基金(2017M621692)
江苏省博士后基金(1701131B)。
-
文摘
为了解决研究碳基扬声器性能的物理模型复杂、计算量大、忽略一些影响因素导致理论结果不够准确的问题,研究了碳基扬声器的深度学习模型。介绍了碳基扬声器发声原理,并将碳基薄膜与其衬底的密度、热导率、比热容,以及热声效应过程中的输入交流电压有效值、输入交流电频率和测量距离作为输入特征,碳基扬声器的声压级作为输出特征,建立了XGBoost模型和基于dropout的反向传播(BP)神经网络模型。对这两个模型进行优化,发现当XGBoost模型的单个基学习器的深度为3、基学习器数量为523时,模型精度达到最高;当BP神经网络模型隐藏层数量为2、神经元数量为10时,模型精度达到最高。使用还原氧化石墨烯(rGO)、多壁碳纳米管(MWCNT)、激光划刻石墨烯(LSG)薄膜制备碳基扬声器,从表面微结构上观察到rGO薄膜的晶体质量最好;设计实验对三种碳基扬声器进行声压级测试,发现rGO薄膜制备的扬声器的声压级也最大。最后,将测试得到的数据划分出预测集,代入两种深度学习模型中分别进行求解,并将结果与解析热声模型结果进行对比,发现XGBoost模型在预测LSG薄膜扬声器输出声压级时,预测值和测量值的相对误差不超过2%,其预测精度和稳定性比BP神经网络模型和解析热声模型都要好,展现出更加优异的准确性和适应性。该研究为预测多类特征传感器的非线性输出结果提供了一种高精度、高适应性的方案。
-
关键词
碳基扬声器
声压级
XGBoost
BP神经网络
还原氧化石墨烯(rGO)
多壁碳纳米管(MWCNT)
激光划刻石墨烯(lsg)
-
Keywords
carbon-based speaker
sound pressure level
XGBoost
back propagation(BP)neural network
reduced graphene oxide(rGO)
multiwalled carbon nanotube(MWCNT)
laserscribed graphene(lsg)
-
分类号
TN643
[电子电信—电路与系统]
-
