一种反演蜂窝等效介电常数的神经网络的训练方法技术

本发明专利技术公开了一种反演蜂窝等效介电常数的神经网络的训练方法，通过正交法设计以蜂窝壁厚度和相对介电常数为变量的样本模型，使用基于H

【技术实现步骤摘要】
一种反演蜂窝等效介电常数的神经网络的训练方法


[0001]本专利技术涉及电磁计算
，具体涉及一种蜂窝结构等效介电常数反演神经网络的训练方法。

技术介绍

[0002]隐身技术是现代军事发展的重要研究方向，结构性吸波材料是实现隐身技术的有效手段，而蜂窝结构正是结构性吸波材料中常用的一种。蜂窝结构重量轻，且由于其特殊的六边形结构兼具刚度和高强度的优点。蜂窝壁极薄，为毫米级，目前分析蜂窝吸波结构的电磁场问题时，采用均质化等效方法，通过均质化理论推导出蜂窝吸波结构的等效电磁参数的近似计算公式。如基于H
‑
S变分理论的均质法可以将蜂窝吸波材料等效为均匀的单轴各向介质，但仅能在较低频段达到比较好的等效精度。
[0003]对蜂窝结构进行计算分析时，需要知道蜂窝结构的尺寸以及蜂窝壁、涂层的介电参数。但是在实际工程中，蜂窝壁的厚度以及吸波涂层的厚度很难人工精确测量或者计算得到。对于浸泡后的多层蜂窝壁，其单层厚度皆为亚毫米级别，并且厚度分布不均匀，仅凭手动仪器测量误差极大并且难以操作。因此，目前采用测量、计算加回归预测的方法来进行蜂窝吸波结构等效介电常数的逆推，以减小测量误差。
[0004]目前常用最小二乘法进行回归预测，其原理是通过最小化误差的平方和寻找数据的最佳函数匹配，可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。但是最小二乘法是线性估计，散射参数和蜂窝结构参数之间存在着复杂的非线性关系，如果使用最小二乘法可能会出现因为建立的反演模型不合理，而导致反演误差的情况。并且，反演模型的输入端特征维度较多，从有限的实际测量数据中提取这些参数是一个典型的病态反演问题，因此最小二乘法难以提供最优解。
[0005]因此，目前亟需一种针对蜂窝结构的等效介电常数反演方法，可以克服现有技术的缺点，实现等效介电常数的精确反演。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种反演蜂窝等效介电常数的神经网络的训练方法，能够实现蜂窝等效介电常数的精确反演。
[0007]为实现上述专利技术目的，本专利技术的技术方案为：
[0008]一种反演蜂窝等效介电常数的神经网络的训练方法，具体步骤包括：
[0009]步骤1、测量蜂窝单元的内壁平行边间距和外壁平行边间距的取值范围，在取值范围内均匀取样N组，取M组蜂窝介质的相对介电常数，正交组成M
×
N组蜂窝数据样本。
[0010]计算每组蜂窝数据样本的等效介电常数，作为神经网络的期望输出；根据等效介电常数，采用合元极方法计算电磁散射数据，作为神经网络的输入。
[0011]步骤2、搭建深度学习框架，作为待训练的神经网络；将电磁散射数据输入神经网络；神经网络输出等效介电常数，与步骤1中的等效介电常数比较，得到优化函数小于设定
阈值的神经网络。
[0012]进一步的，还包括步骤3：对步骤2得到的神经网络进行验证，具体为：
[0013]设计一个验证蜂窝，该验证蜂窝的内壁平行边间距、外壁平行边间距和介电参数不等于蜂窝数据样本中任何一个样本，但其取值在蜂窝数据样本正交范围内。
[0014]计算验证蜂窝的等效介电参数；采用合元极方法得到电磁散射数据，以此作为验证神经网络的真实数据样本。
[0015]将真实数据样本输入训练好的神经网络，得到等效介电常数预测值；根据等效介电常数预测值，采用合元极方法计算得到电磁散射数据的反演值，与真实数据样本对比，误差小于设定阈值时即验证成功；否则验证失败。
[0016]进一步的，步骤1中计算等效介电常数的方式为：
[0017]建立蜂窝的空间坐标系xyz，x轴与y轴垂直于蜂窝壁方向，z轴平行于蜂窝孔格方向；计算蜂窝壁的填充因数，根据填充因数、蜂窝介质的介电常数和空气介电常数，计算x轴、y轴和z轴方向的介电常数，以确定等效介电常数。x轴和y轴的等效介电常数等于横向介电常数ε
⊥
，横向介电常数ε
⊥
的公式为：
[0018][0019]其中，ε
a
为蜂窝介质的介电常数，ε0为空气介电常数；g为蜂窝壁的填充因数，根据内壁平行边间距和外壁平行边间距计算。
[0020]z轴的等效介电常数为：
[0021]ε
z
＝gε
a
+(1
‑
g)ε0[0022]蜂窝的等效介电常数为：
[0023][0024]进一步的，执行步骤2前，对电磁散射数据和等效介电常数进行归一化处理。
[0025]进一步的，神经网络为BP神经网络。
[0026]有益效果：
[0027]1、本专利技术提出一种反演蜂窝等效介电常数的神经网络的训练方法，本专利技术通过正交法设计以蜂窝壁厚度和相对介电常数为变量的样本模型，使用基于H
‑
S理论的均质法对蜂窝结构进行均质等效，得到等效介电常数，利用已开发的合元极方法计算出相应的电磁散射数据，从而生成蜂窝样本数据集，通过搭建Pytorch深度学习框架来完成神经网络的训练学习。该神经网络可以依据目标模型的电磁散射数据，精确反演得到等效介电常数。
[0028]2、本专利技术相比于传统测量方法，仅需要有限数量的数值样本即可训练神经网络，并且可以快速准确的预测未知参数；还可以作为其他回归预测问题的模型框架，解决问题的灵活度和泛化能力比较好。
[0029]3、本专利技术相较于最小二乘法，由于BP神经网络不需要对输入输出作任何有关联的假设，只要网络结构合理，在理论上可以无限逼近任何复杂的非线性关系，通过使用数据集对网络进行训练，训练好的网络就可以预测出纸质蜂窝的等效介电常数，预测精度高，鲁棒
性好，适用场景比较灵活。
[0030]4、BP神经网络是一种基于误差反向传播学习算法的前向多层神经网络，具有强大的非线性映射能力和泛化能力。
附图说明
[0031]图1为本专利技术方法流程图。
[0032]图2为蜂窝的结构图。
[0033]图3为BP神经网络模型的结构图。
[0034]图4为本专利技术实施例HH极化散射结果前后对比图。
[0035]图5为本专利技术实施例VV极化散射结果前后对比图。
[0036]图6为实际环境下的HH极化散射结果前后对比图。
[0037]图7为实际环境下的VV极化散射结果前后对比图。
具体实施方式
[0038]下面结合附图并举实施例，对本专利技术进行详细描述。
[0039]实际工程中，纸蜂窝的壁厚度和吸波涂层的厚度都很薄，即便是用螺旋测微器，也无法做到非常精确的测量，且一般情况下吸波涂层材料具有色散特性，介电参数测量也存在误差，给蜂窝材料的仿真计算带来了很大的困难。本方法通过建立回归预测模型，搭建基于GPU的PyTorch深度学习框架来实现BP神经网络，得到可以预测蜂窝结构等效介电常数的神经网络模型。
[0040]如图1所示，本专利技术提出了一种反演蜂窝等效介电常数的神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种反演蜂窝等效介电常数的神经网络的训练方法，其特征在于，具体步骤包括：步骤1、测量蜂窝单元的内壁平行边间距和外壁平行边间距的取值范围，在取值范围内均匀取样N组，取M组蜂窝介质的相对介电常数，正交组成M
×
N组蜂窝数据样本；计算每组蜂窝数据样本的等效介电常数，作为神经网络的期望输出；根据等效介电常数，采用合元极方法计算电磁散射数据，作为神经网络的输入；步骤2、搭建深度学习框架，作为待训练的神经网络；将电磁散射数据输入神经网络；神经网络输出等效介电常数，与步骤1中的等效介电常数比较，得到优化函数小于设定阈值的神经网络。2.如权利要求1所述的方法，其特征在于，还包括步骤3：对步骤2得到的神经网络进行验证，具体为：设计一个验证蜂窝，该验证蜂窝的内壁平行边间距、外壁平行边间距和介电参数不等于蜂窝数据样本中任何一个样本，但其取值在蜂窝数据样本正交范围内；计算验证蜂窝的等效介电参数；采用合元极方法得到电磁散射数据，以此作为验证神经网络的真实数据样本；将真实数据样本输入训练好的神经网络，得到等效介电常数预测值；根据等效介电常数预测值，采用合元极方法计算...

【专利技术属性】
技术研发人员：杨明林，张玉新，袁晓伟，盛新庆，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：