一种基于卷积神经网络的吸波超表面设计方法技术

一种基于卷积神经网络的吸波超表面设计方法，所述吸波超表面包含多个超表面单元，所述基于卷积神经网络的吸波超表面设计方法的特征在于，包含以下步骤：S1：数据获取步骤，构建所述超表面单元的仿真模型，通过仿真分析获取包含所述仿真模型的结构参数组和电磁反射系数组的数据集；S2：神经网络训练步骤，将所述数据集用于训练所述卷积神经网络，建立所述仿真模型的结构参数组与电磁反射系数组之间的映射关系；S3：结构参数输出步骤，在训练完备的所述卷积神经网络中输入设定的电磁反射系数组，通过所述卷积神经网络输出对应的结构参数组。据此，能够快速准确地发现吸波超表面的几何形状和对应的电磁反射系数之间的映射关系，进而提高设计效率。进而提高设计效率。进而提高设计效率。

【技术实现步骤摘要】
一种基于卷积神经网络的吸波超表面设计方法


[0001]本申请涉及能够快速准确地发现吸波超表面的几何形状和对应的电磁反射系数之间的映射关系，进而提高设计效率的基于卷积神经网络的吸波超表面设计方法。

技术介绍

[0002]电磁吸波材料作为雷达隐身技术的主要技术手段，不仅可以大幅度缩减目标的雷达散射截面积，实现目标的隐身特性，而且可最大限度地保证武器装备的作战效能。同时，电磁吸波材料在电子信息设备的电磁兼容、电磁屏蔽等领域的应用价值，使其迅速发展为电磁防护技术的关键支撑材料，在国民经济发展中具有不可替代的作用，已成为电磁材料的一个全新研究热点。
[0003]相对于传统的电磁吸波材料，电磁吸波超表面具有超薄、结构紧凑、重量轻及高吸收等性能优势。通过调节周期性结构尺寸控制有效电磁参数，吸波超表面可实现对入射电磁波矢量特性的有效调制，获得高效宽带的吸收特性。但在吸波超表面的工程应用设计中，大量超材料结构单元必须经过优化设计得到相应的电磁性能后才能被应用于大规模设计，但优化的过程较为困难且耗时。而且随着吸波超表面的结构越来越复杂，依靠纯粹的人力分析往往难以挖掘数据之间的深层联系。
[0004]为了提高效率，目前使用蚁群算法、粒子群算法和遗传算法等传统的启发式算法来加速吸波超表面的设计和优化。但是，这些算法比较容易受到随机搜索性质的约束，并且难以收敛到全局最优。同时，对于多参数问题，用启发式算法需要复杂的计算能力和大量的时间，随着参数数量的增加，计算时间将呈指数増长，并且容易陷入局部最优解。
[0005]因此，如何快速准确地设计吸波超表面功能器件，已经成为了当前吸波超表面研究领域的一大技术课题。

技术实现思路

[0006]本专利技术的目的在于，提供一种能够快速准确地发现吸波超表面的几何形状和对应的电磁反射系数之间的映射关系，进而提高设计效率的基于卷积神经网络的吸波超表面设计方法。为了实现上述目的，本申请的一个方案为，一种基于卷积神经网络的吸波超表面设计方法，所述吸波超表面包含多个吸波超表面单元，所述基于卷积神经网络的吸波超表面设计方法的特征在于，包含以下步骤：S1：数据获取步骤，构建所述吸波超表面单元的仿真模型，通过仿真分析获取包含所述仿真模型的结构参数组和电磁反射系数组的数据集；S2：神经网络训练步骤，将所述数据集用于训练所述卷积神经网络，建立所述仿真模型的结构参数组与电磁反射系数组之间的映射关系；S3：结构参数输出步骤，在训练完备的所述卷积神经网络中输入设定的电磁反射系数组，通过所述卷积神经网络输出对应的结构参数组。
[0007]根据前述的技术方案，能够通过卷积神经网络快速准确地找到结构参数组与电磁反射系数组之间的映射关系，从而缩短计算时间，提高设计效率。
[0008]在一个优选的方式中，还包含结构参数验证步骤：将所述卷积神经网络输出的结
构参数组，输入所述吸波超表面单元的所述仿真模型，获取与该结构参数组对应的电磁反射系数组，设其为仿真电磁反射系数组；将该仿真电磁反射系数组与工程需求比对，以验证该结构参数组是否满足工程需求。
[0009]根据前述的技术方案，能够通过仿真模型来验证卷积神经网络输出的结构参数组是否满足工程需求。
[0010]在一个优选的方式中，在所述结构参数输出步骤中，以所述数据获取步骤中得到的所述数据集为基础，构造初始电磁反射系数组；将该初始电磁反射系数组输入训练完备的所述卷积神经网络，以生成初始结构参数组，之后通过所述结构参数验证步骤对该初始结构参数组进行验证。
[0011]根据前述的技术方案，以数据集中的数据为基础构造初始电磁反射系数组，为卷积神经网络提供了有效的初始输入数据。
[0012]在一个优选的方式中，若所述初始结构参数组不满足工程需求，则进入电磁反射系数迭代步骤：对所述初始电磁反射系数组进行反复迭代，每次迭代后的电磁反射系数组都输入训练完备的所述卷积神经网络，以生成该次迭代后的结构参数组，并通过所述结构参数验证步骤对该次迭代后的结构参数组进行验证，若满足工程需求则停止迭代。
[0013]根据前述的技术方案，通过反复迭代使得输入卷积神经网络的电磁反射系数组不断优化，直到卷积神经网络输出的结构参数组满足工程需求为止。
[0014]在一个优选的方式中，所述卷积神经网络包含沿数据流依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四池化层、多个全连接层和输出层。
[0015]根据前述的技术方案，多层设置的网络结构能够快速有效地提取特征，又能降低参数量，提高计算效率。
[0016]在一个优选的方式中，所述多个全连接层包含在数据流的上游侧依次连接的第一全连接层、第一随机失活层、第二全连接层、第二随机失活层、第三全连接层、第三随机失活层、第四全连接层、第四随机失活层。
[0017]根据前述的技术方案，随机失活层可以比较有效的缓解过拟合的发生，并在一定程度上达到正则化的效果。
[0018]在一个优选的方式中，所述吸波超表面单元包含沿波的入射方向依次设置的第一介质层单元、带有刻蚀图案的阻抗层单元、第二介质层单元和底板层单元。
[0019]根据前述的技术方案，能够形成谐振型的吸波结构，实现吸波功能。
[0020]本申请上述实施例的基于卷积神经网络的吸波超表面设计方法，能够快速准确地发现吸波超表面的几何形状和对应的电磁反射系数之间的映射关系，进而大幅提高吸波超表面的设计效率。
附图说明
[0021]为了更清楚地说明本专利技术，下面将对本申请的说明书附图进行描述和说明。显而易见地，下面描述中的附图仅仅说明了本专利技术的一些示例性实施方案的某些方面，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0022]图1是例示的吸波超表面单元的分层结构图。
[0023]图2是例示的吸波超表面单元的阻抗层的俯视图。
[0024]图3是例示的吸波超表面的设计方法的流程图。
[0025]图4是例示的卷积神经网络结构示意图。
[0026]附图文字说明：
[0027]100 吸波超表面单元
[0028]1 第一介质层单元
[0029]2 阻抗层单元
[0030]21 第一双缺口环
[0031]211 第一外环
[0032]212 第一内环
[0033]22 第二双缺口环
[0034]221 第二外环
[0035]222 第二内环
[0036]23 交叉槽缝
[0037]3 第二介质层单元
[0038]4 底板层单元
具体实施方式
[0039]以下参照附图详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的吸波超表面设计方法，所述吸波超表面包含多个吸波超表面单元，所述基于卷积神经网络的吸波超表面设计方法的特征在于，包含以下步骤：S1：数据获取步骤，构建所述吸波超表面单元的仿真模型，通过仿真分析获取包含所述仿真模型的结构参数组和电磁反射系数组的数据集；S2：神经网络训练步骤，将所述数据集用于训练所述卷积神经网络，建立所述仿真模型的结构参数组与电磁反射系数组之间的映射关系；S3：结构参数输出步骤，在训练完备的所述卷积神经网络中输入设定的电磁反射系数组，通过所述卷积神经网络输出对应的结构参数组。2.根据权利要求1中所述的基于卷积神经网络的吸波超表面设计方法，其特征在于，还包含结构参数验证步骤：将所述卷积神经网络输出的结构参数组，输入所述吸波超表面单元的所述仿真模型，获取与该结构参数组对应的电磁反射系数组，设其为仿真电磁反射系数组；将该仿真电磁反射系数组与工程需求比对，以验证该结构参数组是否满足工程需求。3.根据权利要求2所述的基于卷积神经网络的吸波超表面设计方法，其特征在于：在所述结构参数输出步骤中，以所述数据获取步骤中得到的所述数据集为基础，构造初始电磁反射系数组；将该初始电磁反射系数组输入训练完备的所述卷积神经网络，以生成初始结构参数组，之后通过所述结构参数验证步骤对该初始结构...

【专利技术属性】
技术研发人员：郭少军，卢笑池，沈同圣，邹春荣，周晓松，程靖轩，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：