【技术实现步骤摘要】
本申请涉及电磁超表面结构设计领域，尤其涉及一种超表面结构生成方法、装置、设备及存储介质。
技术介绍
1、随着全球低碳减排的兴起，low-e玻璃(low-emissivity, 低辐射玻璃)被广泛应用于建筑幕墙及汽车玻璃。相较于传统玻璃，其通过金属镀膜的方式减少红外线的热辐射，起到节能的作用，然而，low-e玻璃阻隔了毫米波的透射，造成了室外基站的毫米波信号无法进入室内的情况。
2、目前，电磁超表面可以解决low-e玻璃阻隔信号的问题，超表面原理是通过在基底表面刻蚀特殊设计的二维或三维结构，在复杂的电磁耦合等物理效应下，达到增强电磁波透射的作用，在相关技术中，一般采用基于变分自编码器（vae）和基于生成对抗网络（gan）及其变体来逆向设计自由结构超表面，然而，基于vae的方法存在需要平衡重建误差，生成的结果模糊、不准确，在基于gan的方法中，由于gan的对抗过程要求生成器和判别器两个网络需要实力相当并达到动态纳什均衡，模型存在不稳定性，导致模型无法准确生成符合需求的超表面结构。
技术实现思路
1、本申请的主要目的在于提供一种超表面结构生成方法、装置、设备及存储介质，旨在解决相关技术中，采用基于变分自编码器（vae）和基于生成对抗网络（gan）及其变体来逆向设计自由结构超表面，由于模型存在不稳定性，导致模型无法准确生成符合需求的超表面结构的技术问题。
2、为实现上述目的，本申请实施例提供了一种超表面结构生成方法，所述方法包括：
3、获取目标电磁响应参
4、将所述目标电磁响应参数输入至预设扩散概率模型，基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构，其中，所述预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构。
5、在本申请的一种可能的实施方式中，所述将所述目标电磁响应参数输入至预设扩散概率模型的步骤之前，包括：
6、采集多个单层超表面结构对应的单层电磁响应；
7、对各所述单层电磁响应进行整合处理，得到多层电磁响应；
8、基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型。
9、在本申请的一种可能的实施方式中，所述对各所述单层电磁响应进行整合处理，得到多层电磁响应的步骤，包括：
10、选取所述单层电磁响应所对应参数中预设个数的单层电磁响应参数；
11、将各所述单层电磁响应参数转换为第一矩阵数据，并将多个所述第一矩阵数据相乘，得到多层矩阵；
12、将所述多层矩阵进行数据结构转换，得到多层电磁响应；
13、或者，
14、提取所述单层电磁响应所对应的单层电磁响应参数；
15、将所述单层电磁响应参数转换为等效介电常数和磁导率参数，基于预设传递矩阵算法，对所述等效介电常数和所述磁导率参数进行拼接处理，得到多层电磁响应。
16、在本申请的一种可能的实施方式中，所述基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型的步骤，包括：
17、从所述多层结构数据集中提取多个样本数据，并对所述样本数据进行预处理，得到预处理数据；
18、将所述预处理数据和预设时间点输入至预设扩散概率模型，基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据；
19、根据所述预测噪声数据与实际噪声数据之间的误差结果，对所述预设扩散概率模型进行迭代训练，直至所述误差结果满足预设误差阈值需求。
20、在本申请的一种可能的实施方式中，所述基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据的步骤，包括：
21、基于所述预设扩散概率模型，将预设时间点与所述预处理数据进行特征提取，得到时间特征数据和电磁响应特征数据；
22、将所述时间特征数据和所述电磁响应特征数据输入至神经网络中的采样网络，基于所述采样网络，对所述时间特征数据和所述电磁响应特征数据进行融合，输出预测噪声数据。
23、在本申请的一种可能的实施方式中，所述基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构的步骤，包括：
24、基于所述预设扩散概率模型，从预设高斯分布矩阵中采集第一随机变量；
25、对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构。
26、在本申请的一种可能的实施方式中，所述对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构的步骤，包括：
27、对所述第一随机变量和所述目标电磁响应参数进行计算处理，得到条件去噪矩阵，并对所述第一随机变量和预设非条件标签向量进行计算处理，得到非条件去噪矩阵；
28、对所述条件去噪矩阵和所述非条件去噪矩阵以预设比例进行计算处理，输出计算结果；
29、基于第一预设算法，对所述计算结果进行计算，输出目标超表面结构。
30、本申请还提供一种超表面结构生成装置，所述超表面结构生成装置还包括：
31、获取模块，用于获取目标电磁响应参数，所述目标电磁响应参数为待生成超表面结构的对应参数；
32、处理模块，用于将所述目标电磁响应参数输入至预设扩散概率模型，基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构，其中，所述预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构。
33、本申请还提供一种超表面结构生成设备，所述超表面结构生成设备为实体节点设备，所述超表面结构生成设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述超表面结构生成方法的程序，所述超表面结构生成方法的程序被处理器执行时可实现如上述所述超表面结构生成方法的步骤。
34、为实现上述目的，还提供一种存储介质，所述存储介质上存储有超表面结构生成程序，所述超表面结构生成程序被处理器执行时实现上述任一所述的超表面结构生成方法的步骤。
35、本申请提供了一种超表面结构生成方法、装置、设备及存储介质，与相关技术中，采用基于变分自编码器（vae）和基于生成对抗网络（gan）及其变体来逆向设计自由结构超表面，由于模型存在不稳定性，模型无法准确生成符合需求的超表面结构相比，在本申请中，通过采集目标电磁响应参数；通过预设扩散概率模型对目标电磁响应参数进行处理，输出目标超表面结构，由于预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概本文档来自技高网...
【技术保护点】
1.一种超表面结构生成方法，其特征在于，所述超表面结构生成方法包括以下步骤：
2.如权利要求1所述的超表面结构生成方法，其特征在于，所述将所述目标电磁响应参数输入至预设扩散概率模型的步骤之前，包括：
3.如权利要求2所述的超表面结构生成方法，其特征在于，所述对各所述单层电磁响应进行整合处理，得到多层电磁响应的步骤，包括：
4.如权利要求2所述的超表面结构生成方法，其特征在于，所述基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型的步骤，包括：
5.如权利要求4所述的超表面结构生成方法，其特征在于，所述基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据的步骤，包括：
6.如权利要求1所述的超表面结构生成方法，其特征在于，所述基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构的步骤，包括：
7.如权利要求6所述的超表面结构生成方法，其特征在于，所述对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超
8.一种超表面结构生成装置，其特征在于，所述超表面结构生成装置包括：
9.一种超表面结构生成设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的超表面结构生成程序，所述超表面结构生成程序配置为实现如权利要求1至7中任一项所述的超表面结构生成方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有超表面结构生成程序，所述超表面结构生成程序被处理器执行时实现如权利要求1至7中任一项所述的超表面结构生成方法的步骤。
...【技术特征摘要】
1.一种超表面结构生成方法，其特征在于，所述超表面结构生成方法包括以下步骤：
2.如权利要求1所述的超表面结构生成方法，其特征在于，所述将所述目标电磁响应参数输入至预设扩散概率模型的步骤之前，包括：
3.如权利要求2所述的超表面结构生成方法，其特征在于，所述对各所述单层电磁响应进行整合处理，得到多层电磁响应的步骤，包括：
4.如权利要求2所述的超表面结构生成方法，其特征在于，所述基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型的步骤，包括：
5.如权利要求4所述的超表面结构生成方法，其特征在于，所述基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据的步骤，包括：
6.如权利要求1所述的超表面结构生成方法，其特征在...
【专利技术属性】
技术研发人员：张泽周，郑智海，秦一峰，冯纪强，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。