基于自定义损失函数和多特征约束的局部声场调控方法与流程

1.本发明涉及声学超表面技术领域，尤其涉及一种基于自定义损失函数和多特征约束的局部声场调控方法。


背景技术：

2.声学超材料是一种人工设计结构的材料，具有自然界材料所不具备的一些特性，如负反射、平面聚焦等，其可以用于水中舰艇的声呐隐身及工业无损探伤等领域。
3.传统的超表面设计方法依赖经验丰富的专家，设计效率低且制备流程复杂。近年来，随着深度学习与大数据技术的发展，其在声学超表面的设计中也发挥了巨大作用，这使得通过设计或优化深度神经网络模型来构建声学超表面结构参数与声场之间的映射关系，从而由声场逆向推导出超表面的结构参数成为可能，但是深度学习方法存在计算量大，耗费时间较长的问题。
4.鉴于此，实有必要提供一种新型的基于自定义损失函数和多特征约束的局部声场调控方法以克服上述缺陷。


技术实现要素：

5.本发明的目的是提供一种基于自定义损失函数和多特征约束的局部声场调控方法，在设计网络时引入核损失函数，并提取声场特征信息，可以减少网络模型的输入及计算量，为局部声场的调控提供一种新的途径。
6.为了实现上述目的，本发明提供一种基于自定义损失函数和多特征约束的局部声场调控方法，包括以下步骤：
7.s1：确定声学超表面结构的几何特征、设计结构参数变量；在背衬板上敷设超表面，并构建超表面的正演仿真模型；
8.s2：由正演仿真模型进行有限元分析得到其输入的超表面物性结构参数所对应的远场声压级强度分布，将超表面物性结构参数和和对应的远场声压级强度数据作为样本数据；
9.s3：提取远场声压级强度分布的多维特征信息和局部声场强度信息作为输入，构建多特征约束的深度神经网络模型对超表面物性结构参数进行预测；
10.s4：通过将超表面物性结构参数预测值进行正演仿真得到的远场声压级强度分布与局部目标声场强度进行对比，验证深度神经网络模型预测结果的准确性，进而实现对局部声场的有效调控。
11.优选的，步骤s1还包括步骤s11：确定声学超表面的法向厚度h、长度l，将超表面离散为25块具有相同几何形状和大小的结构单元，每一块的材料密度ρi都不相同且ρi的取值随结构单元在长度方向的位置呈线性变化，i＝1,2,
…
,25，以第一块超表面结构单元的材料密度ρ1和相邻两块超表面结构单元的材料密度梯度g作为待设计的材料参数，并限定第一块超表面结构单元密度ρ1的取值范围为[1/3,3]。
[0012]
优选的，在步骤s2中所述的正演仿真的输入为超表面的物性结构参数，输出为远场声压级强度分布p，超表面由亚波长结构单元排列组成，在超表面长度l、法向厚度h等其他参数固定的情况下，通过改变超表面结构单元的材料密度ρi实现对反射声场的调控；
[0013]
优选的，在步骤s2中采用comsol multiphysics多物理场仿真软件进行有限元分析，建立从超表面物性结构参数到远场声压强度分布的一对一映射关系，由正演仿真生成大量样本数据，为深度神经网络模型的训练和测试准备样本数据集。
[0014]
优选的，在步骤s3中的多特征约束深度神经网络模型包含两个子神经网络模型，两个子神经网络分别以远场声压的全局特征信息和局部强度信息作为输入对深度神经网络进行训练。
[0015]
优选的，将0
°
～180
°
范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数来表征声场的全局特征信息；
[0016]
多特征约束深度神经网络模型中约束子网络输入x1为6个等间隔区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数；
[0017]
以多特征约束深度神经网络模型中预测子网络输入x2为局部声场强度值，设置为85
°
～95
°
之间的声场强度值；通常采用mse函数作为损失函数进行拟合训练，但该损失函数无法准确评估误差的非线性特征，且对异常值敏感，故引入核函数来修改损失函数。
[0018]
优选的，设定φ是从原始特征空间rn到再生核希尔伯特空间的非线性映射函数，其形式为φ：rn→
h，再生核希尔伯特空间中的内积定义如下：
[0019][0020]
上式(1-5)中y
t
为真实值，为预测值，代表核函数，φ为非线性映射函数；
[0021]
再生核希尔伯特空间中数据点之间距离的平方用一个mercer核表示如下：
[0022][0023]dh
为h内数据点之间的距离，采用径向基核函数如下：
[0024][0025]
上式(1-7)中γ为一个参数，在此将其设置为n
feature
为网络特征个数；
[0026]
将公式(1-7)代入公式(1-6)中得：
[0027][0028]
核损失函数可写成如下形式：
[0029][0030]
在公式(1-9)中，n为总的样本个数，yt为真实值，为预测值；
[0031]
约束子网络的核损失函数l1为：
[0032][0033]
预测子网络的核损失函数l2为：
[0034][0035]
上式(1-10)中上式(1-11)中设定最终的目标核函数l为：
[0036]
l＝αl1+(1-α)l2ꢀꢀꢀꢀꢀꢀꢀꢀ
(1-12)；
[0037]
其中，α为权重因子，用α来决定某个神经网络在整个模型中的比重，实际为全局特征值对预测的局部特征值的影响程度，在整个深度神经网络模型中，局部特征值对整个模型的影响更大，此处设置α＝0.4。
[0038]
优选的，在步骤s4中，给定声场强度分布p做数据处理，提取全局特征信息和局部声场强度值分别输入到训练好的约束子网络和预测子网络中，得出超表面结构待设计材料参数的预测值，利用先前生成样本数据所建立的comsol multiphysics多物理场仿真软件正演仿真对深度神经网络模型的预测结果进行验证。
[0039]
与现有技术相比，有益效果在于：基于自定义损失函数和多特征约束的局部声场调控方法，通过对声场分布进行特征提取、减少深度神经网络模型的输入，对网络模型进行了简化，通过引入自定义的核损失函数，进一步减少了网络模型的计算量，为局部声场的调控提供了一种新的途径。
附图说明
[0040]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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他相关的附图。
[0041]
图1为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法的流程图。
[0042]
图2为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的全局远场声压级分布情况示意图。
[0043]
图3为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的超表面结构单元的材料密度线性递增分布示意图。
[0044]
图4为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的超表面结构单元的材料密度线性递减分布示意图。
[0045]
图5为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的超表面铺设于背衬板上的示意图。
[0046]
图6为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的深度神经网络模型的基本网络拓扑结构示意图。
[0047]
图7为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中整体的多特征约束深度神经网络模型的基本网络拓扑结构示意图。
[0048]
图8为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的第一块超表面结构参数密度ρ1的损失函数结果示意图。
[0049]
图9为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的材料密度梯度g的损失函数结果示意图。
[0050]
图10为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中的期望声场分布和预测声场分布示意图。
[0051]
图11为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中在85
°
～95
°
之间的局部声场强度值示意图。
[0052]
图12为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中期望声场与预测声场在85
°
～95
°
之间的局部声场强度差值示意图。
[0053]
图13为本发明提供的基于自定义损失函数和多特征约束的局部声场调控方法实施例中未经训练过的样本数据作为网络模型的输入得出的预测声场分布，与样本数据在85
°
～95
°
之间的局部声场强度对比示意图。
具体实施方式
[0054]
为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
[0055]
请参阅图1，本发明提供一种基于自定义损失函数和多特征约束的局部声场调控方法，包括以下步骤：
[0056]
s1：确定声学超表面结构的几何特征、设计结构参数变量；在背衬板上敷设超表面，并构建超表面的正演仿真模型；
[0057]
s2：由正演仿真模型进行有限元分析得到其输入的超表面物性结构参数所对应的远场声压级强度分布，将超表面物性结构参数和对应的远场声压级强度数据作为样本数据；
[0058]
s3：提取远场声压级强度分布的多维特征信息和局部声场强度信息作为输入，构建多特征约束的深度神经网络模型对超表面物性结构参数进行预测；
[0059]
s4：通过将超表面物性结构参数预测值进行正演仿真得到的远场声压级强度分布与局部目标声场强度进行对比，验证深度神经网络模型预测结果的准确性，进而实现对局部声场强度的有效调控。
[0060]
具体的，步骤s1还包括步骤s11：确定声学超表面的法向厚度h、长度l，将超表面离散为25块具有相同几何形状和大小的结构单元，每一块的材料密度ρi都不相同且ρi的取值随结构单元在长度方向的位置呈线性变化，i＝1,2,
…
,25，以第一块超表面结构单元的材
料密度ρ1和相邻两块超表面结构单元的材料密度梯度g作为待设计的材料参数，并限定第一块超表面结构单元密度ρ1的取值范围为[1/3,3]。
[0061]
具体的，在步骤s2中所述的正演仿真的输入为超表面的物性结构参数(例如超表面的密度ρ、长度l、法向厚度h等)，输出为远场声压级强度分布p，超表面由亚波长结构单元排列组成，在超表面长度l、法向厚度h等其他参数固定的情况下，通过改变超表面结构单元的材料密度ρi(i＝1,2,
…
,25)可以实现对反射声场的调控。
[0062]
为获得大量样本数据用于后续反演模型的训练和测试，在步骤s2中采用了comsol multiphysics多物理场仿真软件进行有限元分析，建立从超表面物性结构参数到远场声压强度分布的一对一映射关系，由正演仿真生成大量样本数据，为深度神经网络模型的训练和测试准备样本数据集。
[0063]
具体的，在步骤s3中的多特征约束深度神经网络模型包含两个子神经网络模型，两个子神经网络分别以远场声压的全局特征信息和局部强度信息作为输入，对深度神经网络进行训练；
[0064]
在步骤s3中，在构建多特征约束深度神经网络模型时，多特征约束深度神经网络模型是以远场声压级分布的全局特征信息和局部声场强度信息作为输入，由于整个反射声场是入射声波经过25块超表面结构单元共同作用的结果，在聚焦局部声场强度的调控问题时，考虑到局部声场是整个声场分布的一个子集，其分布亦受整个声场分布趋势的影响。
[0065]
因此，在使用局部声场强度值作为深度神经网络输入的同时，还需要结合全局声场的特征信息来对局部声场强度做出约束，进一步提高待设计材料参数的预测模型的精准度。
[0066]
由图2所示的全局远场声压级分布情况可知，声场的全局特征信息主要集中于波峰波谷及其附近。因此，可将0
°
～180
°
范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数(最大波峰之间的阈值设置为1db)来表征声场的全局特征信息；
[0067]
故多特征约束深度神经网络模型中约束子网络输入x1为6个等间隔区间(0
°
～180
°
范围内被分为6个区间，每30
°
作为一个区间)的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数(最大波峰之间的阈值设置为1db)；
[0068]
以多特征约束深度神经网络模型中预测子网络输入x2为局部声场强度值，在本发明中设置为85
°
～95
°
之间的声场强度值；
[0069]
在利用深度神经网络进行拟合训练时，通常采用mse函数作为损失函数，但是mse损失函数无法准确评估误差的非线性特征，且mse损失函数对异常值敏感，其会扩大差值大于1的误差，缩小差值小于1的误差，降低网络的稳定性。
[0070]
为避免这一问题，在此引入核函数来修改损失函数，自定义的核损失函数通过将深度神经网络的解映射到高维且平滑的空间来迭代更新以找到最优解决方案，同时采用内核技巧来解决从低维空间到高维空间所带来的计算复杂度增加的问题。
[0071]
具体的，在步骤s4中，给定声场强度分布p做数据处理，提取全局特征信息和局部声场强度值分别输入到训练好的约束子网络和预测子网络中，得出超表面结构待设计材料参数的预测值，利用先前生成样本数据所建立的comsol multiphysics多物理场仿真软件
正演仿真对深度神经网络模型的预测结果进行验证。
[0072]
具体实施例如下：
[0073]
在上述步骤s1中，采用声学超表面的法向厚度h＝0.12m、长度l＝1m，每块超表面结构单元长度为0.04m，第一块超表面结构单元密度ρ1的取值范围为[1/3,3]，由于超表面结构单元的材料密度值呈线性梯度排列，若左右相邻的两块超表面结构单元的材料密度梯度g大于0，则表示整个超表面结构单元的材料密度梯度呈线性递增分布，如图3所示；
[0074]
反之，则呈递减分布，如图4所示，材料密度梯度g的取值应当满足一个约束条件，即，使得所有超表面结构单元的材料密度ρi∈[1/3,3],i＝1,2,...,25。
[0075]
在上述步骤s2中，利用comsol multiphysics多物理场仿真软件进行有限元分析，理想的超表面材料密度是连续的，但人工周期结构无法实现材料密度的连续变化，因此需要将超表面沿长度方向划分为多个具有同一密度梯度的超表面结构单元。
[0076]
在大尺度环境下，单个超表面结构单元的有限元模型可被看成一个质点，故对其进行设计时，取其中心点位置的材料密度作为整个结构单元的材料密度进行后续计算，建立从超表面物性结构参数到远场声压强度分布的一对一映射关系，如图5所示，该超表面铺设于背衬板上，入射波垂直入射，超表面沿长度方向被划分为25块具有相同尺寸、且材料密度呈线性梯度变化的超表面结构单元，通过正演仿真，可以得到样本数据，作为后续深度神经网络模型的训练和测试准备样本数据集。
[0077]
在上述步骤s3中，进行反演求解的深度神经网络模型的基本网络拓扑结构如图6所示，分为输入层xi、隐藏层hi和输出层yi，输入与输出的计算公式为：
[0078][0079]
上式(1-1)中的ω代表输入层与输出层之间的神经网络参数，x代表神经网络的输入，y代表神经网络的输出，神经网络模型的隐藏层和输出层激活函数使用了relu函数：
[0080][0081]
在对参数ω进行更新时，选择了adam优化算法，其表达式如下：
[0082][0083][0084]
上面公式(1-3)和公式(1-4)中的α为学习率，t为时间步初始化为0，β1、β2分别为一阶矩和二阶矩的指数衰减率，m
t
、v
t
分别为对梯度的一阶矩估计和二阶矩估计，ε为防止分母为0的常数，对ω进行更新。
[0085]
整体的多特征约束深度神经网络模型如图7所示，包含两个子神经网络模型，将0
°
～180
°
范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数(最大波峰之间的阈值设置为1db)来表征声场的全局特征信息。
[0086]
约束子网络的输入x1为将0
°
～180
°
范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大
波峰的个数(最大波峰之间的阈值设置为1db)，输出y1为第一块超表面结构单元的密度ρ
m1
和梯度g1；预测子网络的输入x2为85
°
～95
°
之间的局部声场强度值，输出y2为第一块超表面结构单元的密度ρ
m2
和梯度g2。
[0087]
在修改损失函数时，引入深度学习中的核函数来修改损失函数，设定φ是从原始特征空间rn到再生核希尔伯特空间(rkhs)的非线性映射函数，其形式为φ：rn→
h，再生核希尔伯特空间中的内积可以定义如下：
[0088][0089]
上式(1-5)中y
t
为真实值，为预测值，代表核函数，φ为非线性映射函数；
[0090]
再生核希尔伯特空间中数据点之间距离的平方用一个mercer核表示如下：
[0091][0092]dh
为h内数据点之间的距离，常用的核函数包括径向基核函数、多项式核函数等，在本技术中采用径向基核函数，径向基核函数如下：
[0093][0094]
上式(1-7)中γ为一个参数，在此将其设置为n
feature
为网络特征个数；
[0095]
将公式(1-7)代入公式(1-6)中得：
[0096][0097]
核损失函数可写成如下形式：
[0098][0099]
在公式(1-9)中，n为总的样本个数，yt为真实值，为预测值；
[0100]
在本技术中神经网络模型由两个子神经网络构成，约束子网络的核损失函数l1为：
[0101][0102]
预测子网络的核损失函数l2为：
[0103]
[0104]
上式(1-10)中上式(1-11)中设定最终的目标核函数l为：
[0105]
l＝αl1+(1-α)l2ꢀꢀꢀꢀ
(1-12)
[0106]
其中，α为权重因子，用α来决定某个神经网络在整个模型中的比重，实际为全局特征值对预测的局部特征值的影响程度，在整个深度神经网络模型中，局部特征值对整个模型的影响更大，此处设置α＝0.4。
[0107]
在上述步骤s4中，对给定的声场强度分布p做数据处理，提取出6个等间隔区间内的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数(最大波峰之间的阈值设置为1db)作为全局特征值，和85
°
～95
°
对应的局部声场强度值作为多特征约束深度神经网络的输入，可得出第一块超表面结构单元密度和梯度的预测值和，将其作为正演仿真模型的输入，可得出预测值和对应的预测声场强度分布，并与给定的期望声场强度分布p进行对比，得出两者之间的误差。
[0108]
以85
°
～95
°
之间的给定局部声场强度作为调控目标，训练好的多特征约束深度神经网络模型中，第一块超表面结构参数密度ρ1的损失函数结果如图8所示，梯度g的损失函数结果如图9所示，期望声场分布和预测声场分布如图10所示，其在85
°
～95
°
之间的局部声场强度值如图11所示，期望声场与预测声场在85
°
～95
°
之间的局部声场强度差值如图12所示。
[0109]
由图10可知，期望声场和预测声场的整体分布趋势基本一致，可见多特征约束预测网络模型从输入中学习到了全局声场特征，又因为在网络模型将预测网络的比重设置较大，
[0110]
故在85
°
～95
°
之间的期望局部声场强度与预测声场强度差值较小，如图12所示，为了进一步验证多特征约束网络模型的泛化能力，本发明从未经训练过的样本数据中取出1000组样本数据作为网络模型的输入，然后用正演仿真模型得出预测声场分布，之后与样本数据在85
°
～95
°
之间的局部声场强度做对比，其差值分布情况如图13所示，其中，92.9％的样本数据与预测声场数据误差在5db以内。本发明在设计网络时引入核损失函数，减少模型的计算量，经过实验验证，样本数据和预测声场的分布趋势基本吻合，且在目标调控区间(即90
°±5°
)，声场强度预测值与真实值十分贴近，可以看到此时对于局部声场有了较好的调控作用，为局部声场的调控提供了一种新的实现途径。
[0111]
本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的示例。

技术特征：
1.一种基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，包括以下步骤：s1：确定声学超表面结构的几何特征、设计结构参数变量；在背衬板上敷设超表面，并构建超表面的正演仿真模型；s2：由正演仿真模型进行有限元分析得到其输入的超表面物性结构参数所对应的远场声压级强度分布，将超表面的物性结构参数和对应的远场声压级强度数据作为样本数据；s3：提取远场声压级强度分布的多维特征信息和局部声场信息作为输入，构建多特征约束的深度神经网络模型对超表面物性结构参数进行预测；s4：通过将超表面物性结构参数预测值进行正演仿真得到的远场声压级强度分布与局部目标声场强度进行对比，验证深度神经网络模型预测结果的准确性，进而实现对局部声场的有效调控。2.如权利要求1所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，步骤s1还包括步骤s11：确定声学超表面的法向厚度h、长度l，将超表面离散为25块具有相同几何形状和大小的结构单元，每一块的材料密度ρ
i
都不相同且ρ
i
的取值随结构单元在长度方向的位置呈线性变化，i＝1,2,
…
,25，以第一块超表面结构单元的材料密度ρ1和相邻两块超表面结构单元的材料密度梯度g作为待设计的材料参数，并限定第一块超表面结构单元密度ρ1的取值范围为[1/3,3]。3.如权利要求2所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s2中所述的正演仿真的输入为超表面的物性结构参数，输出为远场声压级强度分布p，超表面由亚波长结构单元排列组成，在超表面长度l、法向厚度h固定的情况下，通过改变超表面结构单元的材料密度ρ
i
实现对反射声场的调控。4.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s2中采用comsol multiphysics多物理场仿真软件进行有限元分析，建立从超表面物性结构参数到远场声压强度分布的一对一映射关系，由正演仿真生成大量样本数据，为深度神经网络模型的训练和测试准备样本数据集。5.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s3中的多特征约束深度神经网络模型包含两个子神经网络，两个子神经网络分别以远场声压的全局特征信息和局部强度信息作为输入对深度神经网络进行训练。6.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，将0
°
～180
°
范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数来表征声场的全局特征信息；多特征约束的深度神经网络模型中约束子网络输入x1为6个等间隔区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数；以多特征约束深度神经网络模型中预测子网络输入x2为局部声场强度值，设置为85
°
～95
°
之间的声场强度值；引入核函数来修改常用的mse损失函数，利用修改后的损失函数进行拟合训练。7.如权利要求6所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，设定φ是从原始特征空间r
n
到再生核希尔伯特空间的非线性映射函数，其形式为
φ：r
n
→
h，再生核希尔伯特空间中的内积定义如下：上式(1-5)中y
t
为真实值，为预测值，代表核函数，φ为非线性映射函数；再生核希尔伯特空间中数据点之间距离的平方用一个mercer核表示如下：d
h
为h内数据点之间的距离，采用径向基核函数如下：上式(1-7)中γ为一个参数，在此将其设置为n
feature
为网络特征个数；将公式(1-7)代入公式(1-6)中得：核损失函数可写成如下形式：在公式(1-9)中，n为总的样本个数，y
t
为真实值，为预测值；约束子网络的核损失函数l1为：预测子网络的核损失函数l2为：上式(1-10)中上式(1-11)中设定最终的目标核损失函数l为：l＝αl1+(1-α)l2ꢀꢀꢀꢀꢀꢀꢀ
(1-12)其中，α为权重因子，用α来决定某个子神经网络在整个模型中的比重，实际为全局特征值对预测的局部特征值的影响程度，此处设置α＝0.4。8.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s4中，给定声场强度分布p做数据处理，提取全局特征信息和局部声场强度值分别输入到训练好的约束子网络和预测子网络中，得出超表面结构待设计材料参数的预测值，利用正演仿真对深度神经网络模型的预测结果进行验证。

技术总结
本发明提供一种基于自定义损失函数和多特征约束的局部声场调控方法，包括以下步骤：确定声学超表面结构的几何特征、设计结构参数变量，在背衬板上敷设超表面，并构建超表面的正演仿真模型；由正演仿真模型进行有限元分析得到输入的超表面物性结构参数所对应的远场声压级强度分布，将超表面物性结构参数和对应的远场声压级强度数据作为样本数据；提取远场声压级强度分布的多维特征信息和局部声场强度信息作为输入，构建多特征约束的深度神经网络模型对超表面物性结构参数进行预测；通过将超表面物性结构参数预测值进行正演仿真得到的远场声压级强度分布与局部目标声场强度进行对比，验证深度神经网络模型预测结果的准确性，进而实现对局部声场的有效调控。进而实现对局部声场的有效调控。进而实现对局部声场的有效调控。


技术研发人员：赵欢龙 吕强 曹丽 高路 黄臻
受保护的技术使用者：上海灵信视觉技术股份有限公司
技术研发日：2023.05.18
技术公布日：2023/8/24