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学科，它通过模拟类似人脑的神经结构来构建复杂的神经网络，帮助科研工作者有效地解决现实问题。深度学习已经被广泛地应用于人机语音交互、自然语言处理、人脸识别、计算机视觉等多个领域。且取得了许多卓著的成绩。因此，将引入深度学习这一重要的思想方法，来解决超表面的电磁特性求解问题。引入深度学习后，复杂的仿真建模共工作和重复大量的参数扫描工作将不再是求解电磁特性问题的唯一途径。只需通过让神经网络学习不同超表面结构参数与其对应的电磁特征响应之间的关系，即可对任意超表面的电磁特性进行模拟。这项工作将帮助研究人员在研究超表面的工作中节约大量的时间和精力。
[0004]然而,神经网络的稳定性和准确性与模型的输入和输出数量级是否匹配有密不可分的关系。在以往的研究中，关于超表面结构的正向工作的探索，不可避免的问题是，超表面可改变的结构参数量很难与其电磁特性解在同一数量级，通常是个位数量级对应上百甚至上千的数量级。这就注定了在超表面正向预测工程中，神经网络存在很大的波动性，不确定性。
[0005]为解决上述问题，本专利技术公开了一种基于自编码的谱线到谱线的训练学习方法。即AutoEncode的训练网络，简单来说就是将仿真软件参数扫描得到的透射光谱经过自编码的形式，即Encode部分，压缩并提取每一条谱线的特征值，然后再解码，即Decode部分，解压缩特征值并还原成一条完整的透射光谱。在谱线自编码的过程中，我们可以调节神经网络的层数，使得谱线特征值的数量级可以和超表面的结构参数相匹配。这样就可以组成一个新的数据集，经过最简单的CNN神经网络就可以学习出结构参数和特征值之间的关系。这样我们就可以根据任意给出的超表面结构参数预测出该结构透射谱的特征值，并根据上述AutoEncode模型Decode部分解码得到完整的透射谱。
[0006]与先前技术相比，由于AutoEncod神经网络的应用，在很大程度上解决了网络输入
和输出数量级不匹配的问题。进一步提高了神经网络的稳定性。同时，因为AutoEncode模型的封闭性，导致此模型虽然有着比较完善的理论支持但是在实际使用中难以与现实问题相结合，通过CNN网络的引入，将其与超表面结构参数相结合也是一种神经网络的扩展。其次，虽然引入了CNN网络，但是最终的投射谱线是通过AutoEncode解码得到的，而AutoEncode网络是根据谱线自身的特性学习得出，因此可以说我们的谱线预测模型是根据透射谱线自身学习出来的，因此我们的网络有很大的泛化性，可大面积运用于超表面结构关于透射光谱的预测。
(三)
技术实现思路

[0007]本专利技术的目的在于提供一种基于自编码的超表面透射光谱预测系统，可用于任意弱耦合超表面结构的透射谱预测。
[0008]本专利技术的目的是这样实现的：它由1、光谱透射率转换模型2、Auto Encode谱线预测模型(Encode、Decode)3、结构参数
‑
特征值预测模型组成。(构成装置的各个部分)。所述系统中(系统的各个部件的功能及其彼此联系方式或构成连接方式)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。改模型具有两个部分：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。
[0009]由于软件仿真获得的原始数据只是超表面结构关于空气的远场电场强度，应根据如下公式进行转换。光的传输发生在超分子界面，其中太赫兹波从硅通过元分子传输到空气中，如图1所示。相应的透射幅度由界面处透射率的平方根定义，由公式(1)计算得出：
[0010]其中，A
air
和A
Si
分别表示空气中透射电场的幅度和硅衬底中入射电场的幅度，而n
Si
表示硅的折射率。
[0011]将处理好的原始数据作为AutoEncode模型的输入进行训练，输出为一条谱线。AutoEncode可看作编码(Encode)与解码(Decode)两个部分的结合，在Encode层，神经网络的输入通过自编码的形式被压缩，输出为输入的特征值。提取的特征值作为Decode层的输入，进行解码，然后输出为一条完整的透射光谱。值得一提的是，AutoEncode模型是作为一个整体进行训练的光谱，因此可以大大的提升网络的稳定性。
[0012]特征值预测模型的数据集由超表面结构参数与Encode层输出的光谱特征值构成。结构参数作为模型训练的输入，光谱特征作为光谱的输出。完成训练后可以任意超表面的结构参数推出该结构的预测光谱特征值。
[0013]通过AutoEncode模型的Decode层可以直接对预测的光谱特征值解码，得到预测的光谱。
(四)附图说明
[0014]图1是超表面结构示意图。
[0015]图2为AutoEncode模型结构示意图。
[0016]图3为特征值预测模型的结构示意图。
[0017]图4是基于基于自编码的超表面透射光谱预测系统的流程示意图。
(五)具体实施方式
[0018]下面结合具体的实施例来进一步阐述本专利技术。
[0019]图1给出了基于AutoEncode模型的正向预测超表面结构透射光谱系的实施例。基底材料为无损介质硅，周期为60μm x60μm，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：