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vo和电感电流iL代入状态方程，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；

S2、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[iL,vo,io,Vref]作为神经网络输入，通过前向传播获得所述神经网络输出，将所述神经网络输出与EMPC得到的最优占空比dopt(g+l|g)比较得到误差；

S4、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[iL,vo,io,Vref]进行加权求和计算，神经网络控制器会根据状态采样进行占空比的在线调整，得到控制Buck变换器所需的占空比。

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，iL(g)、vo(g)分别表示为g时刻的电感电流、输出电压，iL(g+1)、vo(g+1)和d(g+1)分别表示为g+1时刻的电感电流、输出电压、占空比，a11、a12、a21、a22、b1和b2为状态空间方程的状态系数。

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，对不同模型进行EMPC设计的控制目标是将vo调节到参考电压Vref，定义目标函数为：其中，L为预测周期；q1和q2是惩罚系数，用于微调动态控制过程；vo(g+l|g)和iL(g+l|g)表示在g时刻的预测值。

5.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，在EMPC设计中状态变量和控制参数的相应约束条件包括：

0≤iL(g)≤ILmax0≤vo(g)≤Vomax

0≤d(g)≤1其中，iL(g)、vo(g)和d(g)分别表示为g时刻的电感电流、输出电压、占空比。

6.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[iL ,vo ,io ,Vref]作为神经网络输入，通过前向传播获得所述神经网络输出的过程包括：输入层：在将[iL(g)，vo(g)，io(g)，Vref(g)]作为送入第二神经网络之前，先将输入数据进行归一化为xm(j)(m＝1 ,2 ,3 ,4)，表示为其中x为一维输入的实际值，Xmax为一维输入中的最大值，Xmin为一维输入中的最小值；

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：其中wij表示输入层第j个神经元和隐藏层第i个神经元之间的权重，Bij输入层第j个神经元和隐藏层第i个神经元之间的偏置；

输出层：先对隐藏层的输出进行加权求和运算，再用激活函数得到输出层的输出：