1.基于神经网络的Buck变换器导通模式切换控制方法，其特征在于，包括：S1、建立Buck变换器的状态空间平均模型，采集Buck变换器在DCM和CCM下的输出电压vS2、根据所述状态模型进行EMPC设计，使Buck变换器动态性能达到最佳后生成可视化控制律分布图；

S3、采集DCM和CCM的可视化控制律作为第二神经网络的训练数据，将[iS4、通过第二神经网络对EMPC进行高度拟合，当误差不断减小趋于允许误差范围内则完成第二神经网络的离线训练，生成神经网络控制器；

S5、在实时控制中，将神经网络控制器的参数提取到FPGA，当导通模式进行切换时，对实时的输入数据[i对不同模型进行EMPC设计的控制目标是将v其中，L为预测周期；q

在EMPC设计中状态变量和控制参数的相应约束条件包括：

0≤i

0≤v

0≤d(g)≤1

其中，i

通过梯度下降法和链式法则对权重和偏置进行修正，当误差不断减小趋于允许误差范围内，则完成第二神经网络的离线训练，完成离线训练包括：定义误差函数为：

E

其中d

得到的梯度乘以学习速率λ，对原有权重w进行更新，表示为：式中，w(j+1)和w(j)分别代表j+1和j时刻的权重，学习速率λ决定了权重更新的步长大小，即每次迭代中网络根据损失函数的梯度调整权重的幅度。

2.如权利要求1所述的基于神经网络的Buck变换器导通模式切换控制方法，其特征在于，步骤S1的状态方程表达式如下：其中，i

3.如权利要求2所述的基于神经网络的Buck变换器导通模式切换控制方法，其特征在于，根据离散方程的特点，利用神经网络的反向传播的特性，获得不同工况下精准的状态模型包括：将所述电感电流、所述输出电压和所述占空比输入所述神经网络，将所述状态系数定义为所述神经网络的权重，获取第一神经网络的输出，输入和输出进行线性运算，构建误差函数，通过反向传播将所述误差函数调整在规定范围之内，获得不同工况下精准的状态模型。

4.如权利要求1所述的基于神经网络的Buck变换器导通模式切换控制方法，其特征在于，将[i输入层：在将[i

隐藏层：隐藏层神经元先对输入进行线性运算，即加权求和运算，再将线性运算的结果传递给非线性的激活函数得到隐藏层的输出：输出层：先对隐藏层的输出进行加权求和运算，再用激活函数隐藏层和输出层的激活函数均选用ReLU函数，使得数字控制器的资源占用较少，ReLU函数的表达式为：其中，x为隐藏层或输出层的加权求和后的数据。