无线电力传输的室内安全性：一种机器学习方法

《IEEE Transactions on Microwave Theory and Techniques》：Indoor Safety of Wireless Power Transfer: A Machine Learning Approach

　　该研究提出将机器学习整合至远场无线传输系统，通过雷达检测人体存在及高度信息，结合节点位置和信道特性，利用神经网络模型预测最优发射功率，在确保安全三维区域的同时提升功率传输效率，实验显示神经网络在复杂信道中表现最佳，预测误差仅约6%。

　　

摘要：

本文介绍了一种创新方法，将机器学习（ML）技术应用于远场无线电力传输（WPT）系统。在该系统中，使用雷达来检测人体的存在及其高度。这些数据与节点位置信息以及发射器与节点之间的传播路径信息一起输入到所提出的ML算法中。ML模型的目标是预测每个发射器的最佳功率水平，从而在确保人员安全的同时最大化电力传输效率。使用ML技术的优势在于实现了实时系统，这在室内应用中至关重要，可以将危险辐射控制在安全范围内，同时显著降低有害暴露的风险，并提高传输效率。本文评估了三种ML模型：随机森林（RF）、支持向量机（SVM）和神经网络（NN）。仿真结果表明，神经网络模型表现出优异的性能，能够有效捕捉室内传播环境的复杂非线性特征，其预测结果中仅有约6%超过了预定义的安全阈值。实验结果显示，在多人存在的室内环境中，基于神经网络的WPT技术能够将电场幅度（EFA）保持在设定的阈值以下。此外，在包含多人的测试场景中，所提出的方法在射频-射频（RF-RF）传输效率方面比最大比传输（MRT）方法高出21.43%。