一种基于卷积神经网络超表面结构单元正向设计方法

1.本发明涉及超表面设计技术领域，尤其涉及一种基于卷积神经网络超表面结构单元正向设计方法。


背景技术：

2.超材料是一类具有亚波长和周期性结构的新型人工电磁材料。常见的电磁超材料主要由导电图案阵列和介电基板组成。通过调整单元结构和几何参数，可以改变材料的有效介电常数和有效磁导率。因此，它们实现了天然材料不具备的非凡物理特性，如负折射率、完美透镜、隐形斗篷。超材料的出现激发了人工控制材料电磁特性研究的新思路和新方法，引起了世界学术界的广泛关注。
3.虽然超表面发展迅速，但它们的设计过于依赖设计者的专业知识，它们很难发展。人工神经网络受生物神经网络的启发，从根本上改变了数据处理的范式。
4.经检索，申请号cn113488776a中国专利，公开了超表面结构，其提及了调控超表面的单元结构，以对电磁波进行控制的方式，仅能够针对设定的频段，不具备频段的可调性的问题，并提供了一种超表面结构，来对问题进行解决和改善。
5.申请号cn116470294a的中国专利，公开了超表面结构及超表面结构阵列调整方法，其通过在板层结构上交错设置由不同旋转角度的子天线构成的子阵列，实现了超表面结构的共极化带内低散射特性。
6.然而，尤其对于超表面的设计来说，深度学习算法在应用于超表面设计时所提供的灵活性和效率大大超过了最初基于经验的预测和需要反复建模和优化的传统设计方法。此外，超表面复杂的光学性质可以快速预测，而无需耗时的模拟。
7.所以提出了一种基于深度学习的设计方法。通过建立超表面单元结构与超表面吸波率响应之间的映射函数，可以预测超表面的吸波率曲线，将超表面的设计问题转化为多参数优化问题，克服了超表面设计局限于特定结构的问题。同时，它还可以大大减少设计中涉及的计算量，避免迭代仿真和参数扫描优化的复杂性，总之，设计过程是有利的，因为它的高度自动化和效率，它减少了计算资源的使用，并为缺乏超表面设计经验的用户提供便利。


技术实现要素：

8.本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于卷积神经网络超表面结构单元正向设计方法。
9.为了实现上述目的，本发明采用了如下技术方案：
10.一种基于卷积神经网络超表面结构单元正向设计方法，包括以下步骤：
11.步骤1：首先使用matlab软件随机生成10000组超表面的结构，使用电磁仿真软件comsol分别计算每一组超表面结构的吸波率；
12.步骤2：基于卷积神经网络的深度学习方法，通过将步骤1中计算生成的超表面单
元结构参数和吸波率曲线作为训练数据输入给卷积神经网络，训练深度学习模型，输入为超表面单元结构参数，输出为吸波率；
13.步骤3：将我们的超表面结构单元参数输入给步骤2训练好的卷积神经网络模型可以预测出一组吸波率，再去与电磁仿真软件comsol的仿真结果进行对比，结果表明卷积神经网络可以对吸波率进行很好的预测。
14.进一步地，步骤1中的超表面单元结构包括介质层、结构层和金属背板层，其中，介质层位于所述结构层和所述金属背板层之间，所述金属背板位于所述介质层的下方。
15.进一步地，介质层的材质为fr-4材料，其厚度为h1＝2.6mm；
16.金属背板层和结构层的材料均为为铜，且厚度为h2＝0.03mm。
17.进一步地，所述步骤1中的所述电磁仿真软件具体为comsolmultiphysics；
18.所述步骤1的具体包括以下步骤：
19.首先使用matlab软件随机生成10000组超表面单元结构上面铜贴片的结构大小，五个铜贴片的长和高，在使用电磁仿真软件comsolmultiphysics进行计算出每一组超表面结构参数所得到的吸波率。
20.进一步地，所述步骤2中训练深度学习模型的具体过程如下：
21.步骤2.1：数据的采集生成：基于步骤1中的数据，使用matlab将随机生成的五个贴片的长和高一共十个数据记录下来；
22.再把每一组数据所使用电磁仿真软件comsol所计算的吸波率记录下来，频率范围5到20ghz频率间隔为1，把贴片结构和吸波率数据做成一个.csv文件作为数据集放入深度学习模型进行训练，训练数据和测试数据比例为8:2；
23.步骤2.2：采用卷积神经网络提取特征的过程：将所述步骤2.1的数据集输入给卷积神经网络，首先通过卷积部分对我们的超表面结构参数进行特征提取；
24.然后把向量转化为一维的特征项向量在传输给全连接的人工神经网络进行训练，输入结构参数，输出吸波率，直至损失降到最小，模型收敛，深度学习模型训练完毕。
25.进一步地，在步骤2.2中，具体采用1维的卷积，通过3个一维的卷积块对超表面单元结构数据进行特征提取。
26.因为正常的卷积一般只能处理二维结构数据，但我们的数据结构是一维的。
27.进一步地，在步骤2.2中，中间使用了relu激活函数可以使神经网络学习更加复杂的非线性函数和adam优化器去更新模型的参数，来降低损失至最小，学习率为0.001，使用mse来作为损失函数。
28.进一步地，在步骤2.2中，激活函数采用relu＝max(0，x)，其中x代表神经网络每一层线性加权求和后的速出数据；
29.损失函数为均方误差其中yi为期望输出，y
′i为实际输出。
30.相比于现有技术，本发明的有益效果在于：
31.解决了设计中建模和参数优化，设计步骤复杂的问题，大大缩短了仿真计算的时间，降低了非专业人员进行超表面设计的难度。通过建立超表面单元结构与超表面吸波率响应之间的映射函数，可以预测超表面的吸波率曲线，将超表面的设计问题转化为多参数优化问题，克服了超表面设计局限于特定结构的问题。同时，它还可以大大减少设计中涉及
的计算量，避免迭代仿真和参数扫描优化的复杂性。总之，设计过程是有利的，因为它的高度自动化和效率，它减少了计算资源的使用，并为缺乏超表面设计经验的用户提供便利。
附图说明
32.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
33.图1为本发明提出的基于卷积神经网络超表面结构单元正向设计方法中的超表面结构单元示意图；
34.图2为本发明中实施例中基于卷积神经网络的网络结构示意图；
35.图3为本发明中基于卷积神经网络的测试数据集和训练数据集的损失示意图；
36.图4为本发明中基于深度学习模型预测的吸波率曲线和comsol仿真结果对比效果示意图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
38.实施例一
39.如图1-4所示，一种基于卷积神经网络超表面结构单元正向设计方法，包括以下步骤：
40.步骤1：首先使用matlab软件随机生成10000组超表面的结构，使用电磁仿真软件comsol分别计算每一组超表面结构的吸波率；
41.步骤2：基于卷积神经网络的深度学习方法，通过将步骤1中计算生成的超表面单元结构参数和吸波率曲线作为训练数据输入给卷积神经网络，训练深度学习模型，输入为超表面单元结构参数，输出为吸波率；
42.步骤3：将我们的超表面结构单元参数输入给步骤2训练好的卷积神经网络模型可以预测出一组吸波率，再去与电磁仿真软件comsol的仿真结果进行对比，结果表明卷积神经网络可以对吸波率进行很好的预测。
43.在本实施例中，所述步骤1中的所述电磁仿真软件具体为comsolmultiphysics。
44.实施例二
45.在实施例一的基础上，步骤1中的超表面单元结构包括介质层、结构层和金属背板层，其中，介质层位于所述结构层和所述金属背板层之间，所述金属背板位于所述介质层的下方。
46.介质层的材质为fr-4材料，其厚度为h1＝2.6mm；
47.金属背板层和结构层的材料均为为铜，且厚度为h2＝0.03mm。
48.实施例三
49.在实施例一的基础上，所述步骤1的具体包括以下步骤：
50.首先使用matlab软件随机生成10000组超表面单元结构上面铜贴片的结构大小，五个铜贴片的长和高，在使用电磁仿真软件comsolmultiphysics进行计算出每一组超表面结构参数所得到的吸波率。
51.在本技术的具体实施例中，所述步骤2中训练深度学习模型的具体过程如下：
52.步骤2.1：数据的采集生成：基于步骤1中的数据，使用matlab将随机生成的五个贴片的长和高一共十个数据记录下来；
53.再把每一组数据所使用电磁仿真软件comsol所计算的吸波率记录下来，频率范围5到20ghz频率间隔为1，把贴片结构和吸波率数据做成一个.csv文件作为数据集放入深度学习模型进行训练，训练数据和测试数据比例为8:2；
54.步骤2.2：采用卷积神经网络提取特征的过程：将所述步骤2.1的数据集输入给卷积神经网络，首先通过卷积部分对我们的超表面结构参数进行特征提取；
55.然后把向量转化为一维的特征项向量在传输给全连接的人工神经网络进行训练，输入结构参数，输出吸波率，直至损失降到最小，模型收敛，深度学习模型训练完毕。
56.作为本技术的优选实施例，在步骤2.2中，具体采用1维的卷积，通过3个一维的卷积块对超表面单元结构数据进行特征提取。
57.因为正常的卷积一般只能处理二维结构数据，但我们的数据结构是一维的。
58.优选的，在步骤2.2中，中间使用了relu激活函数可以使神经网络学习更加复杂的非线性函数和adam优化器去更新模型的参数，来降低损失至最小，学习率为0.001，使用mse来作为损失函数。
59.在步骤2.2中，激活函数采用relu＝max(0，x)，其中x代表神经网络每一层线性加权求和后的速出数据；
60.损失函数为均方误差其中yi为期望输出，y
′i为实际输出。
61.实施例四
62.在实施例一与实施例二的基础上，结合附图进一步实施说明。
63.如图1所示，步骤1中的超表面单元结构由介质层，结构层以及金属背板层组成，介质层的下面为金属背板层，介质层的上面为结构层，本实施例中超表面结构单元的介质层材料为fr-4材料，其厚度为h1＝2.6mm，底层金属背板层和结构层的材料为铜，厚度为h2＝0.03mm,模型的周期边长为p＝8.4mm，w1,w2,w3,w4,w5,l1,l2,l3,l4,l5为超表面单元结构参数。
64.首先使用matlab随机生成10000组超表面单元结构，在使用电磁仿真软件comsolmultiphysics计算得到10000组单元结构的吸波率。
65.如图2所示，正常卷积神经网络可以对特征进行一个很好的提取，但是由于正常的卷积只能处理2维的数据类型，所以这里采用了1d的卷积，可以对1维的数据进行处理，更好的提取超表面单元结构的特征。
66.如图2所示针对输入的结构参数，我们先进行卷积和批量归一化的操作，在经过神经网络进行数据的预测。网络结构的基本参数为第一层卷积为3
×
1卷积核输出通道为32，接着一个批量归一化；第二层卷积为3
×
1卷积核输出通道为64；第三层卷积为3
×
1卷积核输出通道为128，都接着一个批量归一化。在每个卷积层之后，relu激活函数被应用于产生非线性激活。
67.经过卷积之后，需要卷积将输出的特征数据的维度展平为一维的特征向量，展平操作的目的是将特征数据中的空间信息转换为一维的特征向量，以供后续的全连接层进行
处理和学习。
68.然后将前面卷积处理的数据再经过4个全连接层，每个全连接层的神经元个数为256，并且用relu激活函数激活，最后在连接一个输出为16的输出层。
69.在卷积神经网络训练过程中，根据给定的输入的10个结构参数，输出16位的吸波率数据，然后计算损失函数关于模型参数的梯度，梯度会通过链式法则从损失函数开始向后传播。
70.如图3所示，使用adam优化函数，可以根据计算得到的梯度值来更新模型参数，以最小化损失函数，训练1000轮，训练集loss是0.0001，测试集loss是0.0007。
71.模型训练完毕后，可以对超表面结构单元在5到20ghz频率间隔为1的频率范围内，对这个结构单元的吸波率进行一个完美的预测。
72.如图4所示，为了验证设计结果的准确性，随机输入一组结构参数给模型预测，输入参数为
73.w1＝1,w2＝0.4,w3＝0.9,w4＝0.9,w5＝1.8,l1＝3,l2＝7,l3＝7,l4＝3,l5＝3，同时再把数据给comsolmultiphysics进行仿真计算得到结果进行比较，表明了模型具有较好预测效果，而且模型预测计算吸波率的时间需要1.96s，comsolmultiphysics计算需要的时间为21s，大大缩短了计算的时间，并且在5到20ghz的频率范围内展现了较好的吸波效果。
74.由上述可知，通过建立超表面单元结构与超表面吸波率响应之间的映射函数，可以预测超表面的吸波率曲线，将超表面的设计问题转化为多参数优化问题，克服了超表面设计局限于特定结构的问题。同时，它还可以大大减少设计中涉及的计算量，避免迭代仿真和参数扫描优化的复杂性。总之，设计过程是有利的，因为它的高度自动化和效率，它减少了计算资源的使用，并为缺乏超表面设计经验的用户提供便利。
75.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于卷积神经网络超表面结构单元正向设计方法，其特征在于，包括以下步骤：步骤1：首先使用matlab软件随机生成10000组超表面的结构，使用电磁仿真软件comsol分别计算每一组超表面结构的吸波率；步骤2：基于卷积神经网络的深度学习方法，通过将步骤1中计算生成的超表面单元结构参数和吸波率曲线作为训练数据输入给卷积神经网络，训练深度学习模型，输入为超表面单元结构参数，输出为吸波率；步骤3：将我们的超表面结构单元参数输入给步骤2训练好的卷积神经网络模型可以预测出一组吸波率，再去与电磁仿真软件comsol的仿真结果进行对比，结果表明卷积神经网络可以对吸波率进行很好的预测。2.根据权利要求1所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在于，步骤1中的超表面单元结构包括介质层、结构层和金属背板层，其中，介质层位于所述结构层和所述金属背板层之间，所述金属背板位于所述介质层的下方。3.根据权利要求1所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在于，介质层的材质为fr-4材料，其厚度为h1＝2.6mm；金属背板层和结构层的材料均为为铜，且厚度为h2＝0.03mm。4.根据权利要求1或3所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在于，所述步骤1的具体包括以下步骤：首先使用matlab软件随机生成10000组超表面单元结构上面铜贴片的结构大小，五个铜贴片的长和高，在使用电磁仿真软件comsolmultiphysics进行计算出每一组超表面结构参数所得到的吸波率。5.根据权利要求4所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在于，所述步骤2中训练深度学习模型的具体过程如下：步骤2.1：数据的采集生成：基于步骤1中的数据，使用matlab将随机生成的五个贴片的长和高一共十个数据记录下来；再把每一组数据所使用电磁仿真软件comsol所计算的吸波率记录下来，频率范围5到20ghz频率间隔为1，把贴片结构和吸波率数据做成一个.csv文件作为数据集放入深度学习模型进行训练，训练数据和测试数据比例为8:2；步骤2.2：采用卷积神经网络提取特征的过程：将所述步骤2.1的数据集输入给卷积神经网络，首先通过卷积部分对我们的超表面结构参数进行特征提取；然后把向量转化为一维的特征项向量在传输给全连接的人工神经网络进行训练，输入结构参数，输出吸波率，直至损失降到最小，模型收敛，深度学习模型训练完毕。6.根据权利要求5所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在于，在步骤2.2中，具体采用1维的卷积，通过3个一维的卷积块对超表面单元结构数据进行特征提取。7.根据权利要求6所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在于，在步骤2.2中，中间使用了relu激活函数可以使神经网络学习更加复杂的非线性函数和adam优化器去更新模型的参数，来降低损失至最小，学习率为0.001，使用mse来作为损失函数。8.根据权利要求7所述的基于卷积神经网络超表面结构单元正向设计方法，其特征在
于，在步骤2.2中，激活函数采用relu＝max(0，x)，其中x代表神经网络每一层线性加权求和后的速出数据；损失函数为均方误差其中y
i
为期望输出，y
′
i
为实际输出。

技术总结
本发明公开了一种基于卷积神经网络超表面结构单元正向设计方法，属于超表面设计技术领域，包括以下步骤：步骤1，首先使用matlab软件随机生成10000组超表面的结构，使用电磁仿真软件comsol分别计算每一组超表面结构的吸波率；步骤2，基于卷积神经网络的深度学习方法，通过将步骤1中计算生成的超表面单元结构参数和吸波率曲线作为训练数据输入给卷积神经网络，训练深度学习模型，输入为超表面单元结构参数，输出为吸波率。本发明所设计的卷积神经网络可以做到对超表面结构吸波率进行的一个完美的预测，无需复杂的电磁仿真过程，简化了设计步骤，缩短了设计时间。缩短了设计时间。缩短了设计时间。


技术研发人员：胡明志 孙俊 戴书浩 张莉
受保护的技术使用者：昆明理工大学
技术研发日：2023.08.02
技术公布日：2023/10/15