基于自编码的超表面透射光谱预测系统技术方案

本发明专利技术提供的是一种基于自编码的超表面透射光谱预测系统，涉及到超表面结构电磁特性分析、深度学习及数据预处理等领域。它由1、光谱透射率转换模型2、AutoEncode(自编码)谱线预测模型3、结构参数—特征值预测模型组成。本发明专利技术是一种利用光谱学习谱线的人工智能学习系统，是一种基于谱线特征的学习。在很大程度上解决了传统神经网络(CNN)与超表面结构光谱预测结合过程中的因结构参数与电磁特性谱线数量级不匹配，而导致的学习效果差、模型不稳定、泛化能力弱等问题。从本发明专利技术可根据超表面的结构修改参数，达到预测该结构任意参数下的透射谱的效果，可广泛用于深度学习与超表面结合的相关电磁特性分析。合的相关电磁特性分析。合的相关电磁特性分析。

【技术实现步骤摘要】
基于自编码的超表面透射光谱预测系统
(一)

[0001]本专利技术提供的是一种基于自编码模型的正向预测超表面透射光谱系统，涉及到超表面结构电磁特性分析、深度学习及数据预处理等领域。
(二)
技术介绍

[0002]基于神经网络的超表面光谱预测系统最大优点在于可以跳过复杂的耦合模理论，利用较深度的神经网络系统模拟出透射光谱。今年来，基于深度学习技术来设计超表面是一种非常便捷的设计方法,通常不需要太关注超表面的复杂建模过程,也不必对其各种结构参数进行扫描,只需要学习不同结构参数和其对应的电磁特性之间的对应关系即可,这对于研究超表面的设计思路有很好的参考价值。利用软件联合仿真的方法对太赫兹超表面进行结构建模、随机参数设置和电磁仿真,获得超表面结构参数和电磁响应组成的数据集,然后构建深度神经网络,在该数据集上进行训练并学习结构参数与电磁响应之间的关系,最后利用训练完毕的神经网络在预先从样本数据集中划分出来的测试集上进行验证,当验证的效果较好时,就产生了只需要结构参数便能准确预测电磁特性的深度学习网络。
[0003]深度学习，作为在新世纪快速发展的热门本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自编码的超表面透射光谱预测系统其特征是：它由1、光谱透射率转换模型2、自编码谱线预测模型(Encode、Decode)3、结构参数
‑
特征S值预测模型组成：将所仿真得到的给定超表面结构透射结果，经过光谱透射率转换模型1后，得到透射谱线；然后将透射谱线作为AutoEncode模型2的训练集，经过训练得到AutoEncode模型，该模型具有两个部分：a.Encode部分：对超表面的透射谱线进行编码，提取每一条谱线的特征值；b.Decode部分：将编码后的特征值进行解码，还原出一条完整地透射光谱；针对AutoEncode模型的Encode部分，对所有光谱编码提取特征值，并结合超表面的结构参数(金属棒的旋转角度)作为特征值预测模型3的训练集，经过训练后可以根据任意输入的超表面结构参数(旋转角度)预测出该结构透射光谱的特征值，将预测出的特征值，用已经训练好的AutoEncode模型2中的Decode部分解码，最终实现通过超表面的结构参数预测完整透射谱线的功能。2.根据权利要求1所述的神经网络预测超表面透射谱系统中所采用的光谱透射率转换模型，其特征是：通过电磁时域仿真的结果所获取的原始数据只是超表面结构相对于空气的电场振幅，而并非折射率，需要经过进...

【专利技术属性】
技术研发人员：韩家广，闵学涛，刘迈，郝晓源，陈乐，钟昊天，陈昱澎，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：