一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法

1.本发明涉及电磁超表面设计领域，特别涉及透明微波吸收器件频响预测与微结构设计方法。


背景技术：

2.超表面是二维的超材料，是一种人工层状材料，其厚度小于波长，为亚波长平面上的周期结构阵列。超表面在电磁波调控领域具有独特的性质，通过改变超表面本身的微结构图案和结构参数，能使超表面获得对特定波段的电磁波的振幅与相位进行调控的能力。目前，超表面领域已经发展成为了一个物理学、信息学、材料学等多学科交叉的新型方向。超表面可以对电磁波的多种特性进行调控，其中，吸收电磁波是超表面的一个重要应用。目前，对基于超表面的透明微波吸收器件研究主要集中在增大电磁波的吸收强度、拓宽电磁波的吸收带宽、调节电磁波的吸收频率等方面。无论是哪一个研究方向，都离不开透明微波吸收器件微结构的设计与优化。
3.传统的透明微波吸收器件微结构设计通常依赖于研究人员长年的设计经验积累以及大量的电磁学储备，不断地使用全波数值模拟的方法(如有限元法、时域有限差分法和有限积分技术(fit))，通过试错法进行微结构的优化。这对于时间和计算资源的消耗是巨大的。且随着吸收型超表面的相关研究不断深入，亟需一种更加简单、快速的透明微波吸收器件设计方案。
4.近年来，深度学习技术逐渐步入了透明微波吸收器件设计领域，这种技术绕过了大量的麦克斯韦方程组的计算，采用一种数据驱动的方法对透明微波吸收器件微结构进行设计。在使用深度神经网络对透明微波吸收器件进行设计的领域中，根据频响需求构建先验的透明微波吸收器件数据集，用构造的数据集进行深度神经网络的训练。训练是寻求输入与输出之间隐含关系的过程，即频响、透明微波吸收器件微结构图案和结构参数之间的映射关系。训练完成的深度神经网络模型能从数据集中提取出难以被理论分析和数学计算出的隐含联系。提取出的联系能被深度神经网络泛化到数据集以外的数据对中，即当数据对的关系不发生改变时，一旦给出频响(透明微波吸收器件微结构图案和结构参数)，深度神经网络就能给出透明微波吸收器件微结构图案和结构参数(频响)。采用深度神经网络对透明微波吸收器件进行频响预测或是微结构设计都能缩短时间，降低难度。
5.在透明微波吸收器件的实际应用中，具有不同的吸收目标频响需求，分别为：在要求带宽内具有高微波吸收的单吸收谐振峰需求、在要求带宽内具有微波吸收频率和吸收效率可以随意设计的多吸收谐振峰需求、在大于10ghz的宽波段内具有高微波吸收的宽带吸收需求。为了快速设计出满足上述目标频响的透明微波吸收器件微结构，需要一种深度神经网络模型在保证准确性的同时加速设计过程。
6.1.专利202310222586.5“基于逆向设计的多维度多通道复用超表面全息的优化方法”描述了一种全息超表面优化算法。该方法能够应用于显示、成像、信息存储、显微术和防
伪加密领域，但其对超表面进行了参数化描述，受限于超表面微结构的几何参数。
7.2.专利202211341320.4“一种基于深度学习和结构变量的电磁超材料设计方法”描述了一种基于双生成器与频响实虚部分离的超表面设计方法。该方法分别构建了正向预测模型和逆向设计模型。但是其所涉及带宽较窄，仅为8ghz-12ghz，且固定了超表面微结构的结构参数，对多种需求的设计效果欠佳。
8.3.南京邮电大学li jiang等人报道了一种基于多层感知机的神经网络模型对纳米结构相位调控超表面进行设计。该网络模型通过处理六个几何参数来准确预测相位值，并通过在输入层和隐藏之间插入一个sigmoid函数、使用mae作为损失函数的方式来解决相位调控超表面逆向设计的相位不连续的问题。但此神经网络模型仅针对六个几何参数的纳米结构相位调控超表面，泛化性和可移植性较低。(jiang l等,“neural network enabled metasurface design for phase manipulation”.optics express,2021,29(2):2521.)
9.4.弗吉尼亚理工大学john a.hodge等人报道了一种基于gan变种深层卷积生成对抗网络的深度神经网络模型来辅助射频超表面的设计。其在dc-gan的模网络型中添加了一个单独的频响预测神经网络来快速验证合成的超表面微结构的频响。虽然这种模型为针对一个特定的目标频响仅能产生一个特定超表面微结构，若此结果不符合加工、设计需要，那么就需要重新采用试错法进行设计。(john a.hodge等,“rf metasurface array design using deep convolutional generative adversarial networks”.2019ieee international symposium on phased array system&technology(past).ieee,2019:1-6)
10.综上所述，现有的基于深度学习的透明微波吸收器件结构设计与频响预测问题如下：
11.1.微结构设计模型通用性较差：不能同时满足较宽频段内不同应用场合下的理想频响需求，如单峰或多峰频率、幅值可调或宽带等需求，一般只能针对单类频响需求和较窄的频段内的频响进行结构的逆向设计，通用性较差。
12.2.微结构设计模型获得的透明微波吸收器件微结构单一：目前，多数结构逆向模型针对一个频响输入，仅能输出一个确定的结果。而在数据集中，超表面微结构与电磁响应往往存在着一对多的碰撞关系，会导致设计精度的降低，且当输出的透明微波吸收器件微结构在某些方面存在如加工难度过高、透光度过低等问题时，就只能通过传统的设计方法来设计出符合要求的超表面微结构。
13.3.频响预测模型通用性较差、预测精度低：部分研究将透明微波吸收器件微结构固定于某个具体形状，对这个形状进行参数化描述，数据集受限。且频响预测模型的架构也较为简单，在数据集的影响下，不能拥有良好的拟合能力，并且针对图案化的微结构进行频响预测时，往往固定了其阵列周期与厚度，通用性也受到了限制。


技术实现要素：

14.本发明提供一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，以期解决上述问题，其主要包括：
15.搭建透明微波吸收器件微结构数据集，建立基于变分自编码器图案生成器、频响预测模型与基于协方差自适应调整进化策略的潜向量优化器；透明微波吸收器件微结构设
计方法的整体的工作流程为：
[0016]ⅰ、输入所需的目标频响；
[0017]ⅱ、采用高斯分布初始化潜向量，潜向量为20维，种群大小为k(50≤k≤100)组；
[0018]ⅲ、初始化后的潜向量通过变分自编码器的解码器部分生成透明微波吸收器件微结构图案，并将图案与全连接层映射后的周期、厚度进行拼接；
[0019]ⅳ、将拼接后的整体输入进频响预测模型预测频响；
[0020]
ⅴ
、联合预测的频响与所需的目标频响计算适应度函数值；
[0021]ⅵ、选取适应度函数值最大的10组潜向量作为采样分布参数更新的基础，更新采样分布参数；
[0022]ⅶ、在达到预设的训练轮数n(50≤n≤100)或是适应度函数值绝对值小于1.00时，停止优化，输出最优的潜向量对应的透明微波吸收器件微结构；多次优化可以得到具备相似频响但透明微波吸收器件微结构图案不同的输出。
[0023]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，数据集包括透明微波吸收器件微结构图案、周期、厚度及此微结构所对应的频响。
[0024]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，数据集通过以下方式获取：
[0025]
将透明微波吸收器件微结构分成32
×
32个像素，像素中1表示该区域被透明微波吸收器件微结构所需的透明导电材料如氧化铟锡、超薄银膜等覆盖，而0表示该区域未覆盖，单个像素大小受透明微波吸收器件微结构阵列周期限制，在1μm
×
1μm到300μm
×
300μm范围内取值；采用“随机矩形旋转对称法”获取透明微波吸收器件微结构图案，共计35000组；设置完结构参数后，采用电磁仿真软件对透明微波吸收器件微结构进行仿真，得到其对应的电磁响应。
[0026]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，“随机矩形旋转对称法”构建透明微波吸收器件微结构图案步骤为：
[0027]
首先生成一个8
×
16像素的灰度值为0的图片，在这个图片中，随机生成2-5个长边取值范围为1-12个像素且窄边取值范围为1-6个像素的矩形。取这些矩形覆盖区域的并集，将其灰度值设置为1；以这个8
×
16像素的图案作为基础，沿其y轴镜像对称得到一个16
×
16像素的图案，随后将此图案依次顺时针旋转90
°
、180
°
、270
°
，之后将所原图案与旋转后的生成图案拼接得到一个32
×
32像素的图案，最后在图案中心添加边长取值范围为2-4个像素的正方形；
[0028]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，变分自编码器图案生成器分为编码器和解码器两部分；其中，编码器部分的整体输入为数据集中的透明微波吸收器件微结构图案，整体输出为潜向量；解码器部分的整体输入为潜向量，整体输出为重构生成的透明微波吸收器件微结构图案；编码器和解码器部分均采用具有残差连接的卷积网络，并采用重参数化技巧进行连接，求取梯度。
[0029]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，训练变分自编码器的过程中，参考kl散度和重构损失对算法模型进行参数更新，具体的，总损失、召回损失和kl散度分别表示为：
[0030]
l
real
＝α
·
l
kl
+l
recon
[0031]
l
recon
＝loss
mse
(input,recon)
[0032][0033]
式中l
kl
表示kl散度(正则化项)，l
recon
表示召回损失，α表示kl散度和召回损失之间的比值；loss
mse
表示均方误差，σ为编码器输出的标准差，μ为编码器输出的均值。
[0034]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，频响预测模型主干为残差连接的卷积网络，并添加了自注意力机制模块与循环神经网络模块；其中，自注意力机制模块是为了获取透明微波吸收器件微结构图案的全局信息；循环神经网络模块是为了获取方格像素之间的关系，学习透明微波吸收器件微结构的物理性质；频响预测模型整体输入为拼接后的透明微波吸收器件微结构图案、周期与厚度，整体输出为预测的频响。
[0035]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，频响预测模型训练过程中参考频响的均方误差进行模型参数的更新，具体的，均方误差表示为：
[0036][0037]
式中，n为501，s
prediction
表示通过此深度神经网络模型预测出的501个s
11
参数(频响)的值，s
simulation
表示数据集中仿真出的501个s
11
参数(频响)的值。
[0038]
进一步，所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，针对协方差自适应进化策略和透明微波吸收器件微结构对应频响定义了优化目标函数f
fitness
，表示为：
[0039][0040]
式中式中s表示给定的频响，表示潜向量对应的透明微波吸收器件微结构的频响，α表示两个目标之间的权重。
[0041]
本发明的创新性和良好效果是：
[0042]
1.本发明提出了一种透明微波吸收器件微结构图案的构建方法，即“随机矩形旋转对称法”，通过该方法构建的透明微波吸收器件具备对电磁波极化方式不敏感，且平均电磁吸收效率高的特点。
[0043]
2.本发明基于卷积神经网络，联合自注意力机制和循环神经网络，提出了一种透明微波吸收器件频响预测模型，该模型能够预测不同结构参数、不同微结构图案的透明微波吸收器件微结构的频响，且预测精度高，预测速度远超传统的电磁仿真软件。
[0044]
3.本发明基于变分自编码器、频响预测模型和协方差自适应调整的进化策略，提出了一种透明微波吸收器件微结构设计方法，该方法可以直接根据宽频段内不同应用场合下的目标理想频响，设计透明微波吸收器件的微结构，所设计的微结构具备满足要求的频响，且其设计速度远超传统的试错法。
附图说明
[0045]
为了更清楚地说明本发明采用的技术方案，下面对本发明采用或提出的技术方法所需要使用的附图做简要介绍：
[0046]
图1是本发明所述的频响预测模型的整体结构图。
[0047]
图2是本发明所述的频响预测模型中残差块结构图。
[0048]
图3是本发明所述的频响预测模型的训练流程图。
[0049]
图4是本发明所述的频响预测模型的损失值变化图。
[0050]
图5是本发明所述的频响预测模型的预测效果图
[0051]
图6是本发明所述的微结构设计方法的整体流程图。
[0052]
图7是本发明所述的微结构设计方法中变分自编码器中编码器结构图。
[0053]
图8是本发明所述的微结构设计方法中变分自编码器中解码器结构图。
[0054]
图9是本发明所述的微结构设计方法中变分自编码器中编码器和解码器的基础块结构图。
[0055]
图10是本发明所述的基于协方差自适应调整进化策略和频响预测模型的潜向量优化流程图。
[0056]
图11是本发明所述的“随机矩形旋转对称法”图案构建方法。
[0057]
图12是本发明所述的透明微波吸收器件微结构数据集构建流程。
[0058]
图13是本发明所述的微结构设计方法一对多生成的微结构图案展示图。
[0059]
图14是本发明所述的微结构设计方法一对多生成的微结构te/tm频响与各微结构频响展示图。
[0060]
图15是本发明所述的微结构设计方法针对单峰目标频响生成的图案与频响曲线展示图。
[0061]
图16是本发明所述的微结构设计方法针对多峰目标频响生成的图案与频响曲线展示图。
[0062]
图17是本发明所述的微结构设计方法针对宽带目标频响生成的图案与频响曲线展示图。
[0063]
图18是本发明所述的微结构设计方法设计的部分微结构实物测试曲线与仿真曲线对比图。
具体实施方式
[0064]
下面将结合本发明的附图，针对透明微波吸收器件设计实例，对本发明的所提出的频响预测与微结构设计方法做一个整体的描述。在实现实施例的过程中，对实施例的整体需求为：
[0065]
1.所提出的频响预测模型能够高精度地预测透明微波吸收器件微结构对应的频响。
[0066]
2.所提出的微结构设计方法能够根据5ghz-45ghz宽波段内不同吸收特性的需求设计透明微波吸收器件的微结构，即对于单峰需求，能够在需求的目标带宽内具有80.00％以上的吸收效率；对于多峰需求，能够在满足吸收峰数量要求的前提下，峰吸收效率与吸收频率可设计；对于宽带需求，能够在大于10ghz的带宽内，吸收效率不低于80.00％。
[0067]
3.针对同一个频响需求能够设计出多个不同的透明微波吸收器件微结构，避免因数据集中一对多映射降低设计准确度，且可以剔除其中加工难度高、透光率低的微结构，选择最优的微结构。
[0068]
4.所设计的透明微波吸收器件微结构实测的频响与仿真的频响在吸收频率、幅值上高度重合，具备一致性。
[0069]
针对上述需求，本发明提出了一种透明微波吸收器件频响预测和微结构设计方法。所提出的频响预测模型的整体结构图如图1所示，为卷积神经网络、循环神经网络和自注意力机制的组合。进一步地，频响预测模型中的残差模块如图2所示，是卷积的残差连接，并用自适配归一化替换通常的批归一化。频响预测模型的整体输入为拼接后的微结构图案、阵列周期与厚度，整体输出为预测的频响。
[0070]
其中，频响预测模型的目标函数为均方误差，表示为：
[0071][0072]
式中，n为501，s
prediction
表示通过此深度神经网络模型预测出的501个s
11
参数(频响)的值，s
simulation
表示数据集中仿真出的501个s
11
参数(频响)的值。图3所示为频响预测模型的整体训练流程，图4所示为频响预测模型在训练2000轮时的损失值变化情况，以验证集的损失为准，最低可达0.0009。训练完毕后的频响预测模型可以进行透明微波吸收器件微结构对应频响的预测，如图5所示为训练完毕的频响预测模型对测试集中的数据对进行测试的结果，可以看到其拟合程度较高。
[0073]
所提出的结构设计方法整体流程如图6所示，主要分为变分自编码器的图案生成器部分和频响预测模型与协方差自适应调整进化策略的潜向量优化器。其中变分自编码器分为编码器和解码器两部分，如图7所示为编码器的整体结构，其输入为数据集中的微结构图案，输出为20维潜向量。如图8所示为解码器的整体结构，其输入为20维潜向量，输出为重构后新生成的图案。其中，编码器和解码器的公共模块基础块结构如图9所示，为卷积的残差连接和上下采样模块组成。变分自编码的训练采用的目标函数为kl散度和均方误差的加权和，权重取值为0.005，表示为：
[0074]
l
real
＝α
·
l
kl
+l
recon
[0075]
l
recon
＝loss
mse
(input,recon)
[0076][0077]
式中l
kl
表示kl散度(正则化项)，l
recon
表示召回损失，α表示kl散度和召回损失之间的比值。loss
mse
表示均方误差，σ为编码器输出的标准差，μ为编码器输出的均值。训练完毕的变分自编码器可以表征数据集图案对应的连续潜空间，能生成全新的图案。
[0078]
本发明提出的结构设计方法中对潜向量的优化流程如图10所示，首先采用高斯分布初始化潜向量维度为20，种群大小为50组，而后通过变分自编码器的解码器部分生成潜向量对应的图案，并将结构参数与图案拼接后输入频响预测模型，频响预测模型预测的频响与期望频响通过目标函数f
fitness
计算出得分值，选取最优的潜向量更新采样分布参数，在新的采样分布中重新采样50组潜向量，进行循环优化。在达到最大的优化轮次或是适应度函数值低于1.0时，停止优化，输出最优潜向量对应的微结构。优化目标函数f
fitness
表示
为：
[0079][0080]
式中式中s表示给定的频响，表示潜向量对应的超表面微结构的频响，α表示两个目标之间的权重。
[0081]
本发明提供了一种透明微波吸收器件微结构图案构建方法，如图11所示，为“随机矩形对称旋转法”的基本思想，并采用如图12所示的方法组合构建透明微波吸收器件微结构数据集。为了覆盖5ghz-45ghz的宽波段，共生成了35000组图案，组合了两种不同阵列周期7.00mm、2.10mm，数据集中数据对的总量为70000组。
[0082]
对搭建和训练完毕的结构设计方法进行两类测试，一对多测试和针对目标理想频响的设计准确度测试。对于一对多测试，其原图案与生成图案如图13所示，其生成图案的频响和原图案的频响对比如图14所示，可以看出，多组生成图案形状不同，但是均具有类似的频响，并且都对极化方式不敏感。
[0083]
对于针对目标理想频响的设计准确度测试，即单峰需求，多峰需求和宽带需求三类测试。其中单峰需求的测试结果如图15所示，在带宽内的平均吸收率分别为87.8％，90.4％，87.4％，满足了设计需求。多峰需求的测试结果如图16所示，均满足了吸收峰数量需求，且可以任意设计峰吸收频率与吸收效率。宽带需求的测试结果如图17所示，其在25ghz-40ghz频段内平均吸收为87.7％。三类测试均能满足频响需求。
[0084]
加工了其中三组透明微波吸收器件样件，其测试频响与仿真频响曲线对比如图18所示，其拟合程度较高。
[0085]
综上所述，所提出的频响预测模型所预测的频响具有较高的精度，在透明微波吸收器件设计中可以替代电磁仿真软件。所提出的微结构设计方法能够对5ghz-45ghz宽波段内不同吸收特性需求进行透明微波吸收器件微结构的设计，并且克服了一对多映射的问题，设计速度远超传统设计方法。

技术特征：
1.一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，所述方法包括：搭建透明微波吸收器件微结构数据集，建立基于变分自编码器图案生成器、频响预测模型与基于协方差自适应调整进化策略的潜向量优化器；透明微波吸收器件微结构设计方法的整体的工作流程为：ⅰ、输入所需的目标频响；ⅱ、采用高斯分布初始化潜向量，潜向量为20维，种群大小为k(50≤k≤100)组；ⅲ、初始化后的潜向量通过变分自编码器的解码器部分生成透明微波吸收器件微结构图案，并将图案与全连接层映射后的周期、厚度进行拼接；ⅳ、将拼接后的整体输入进频响预测模型预测频响；
ⅴ
、联合预测的频响与所需的目标频响计算适应度函数值；ⅵ、选取适应度函数值最大的10组潜向量作为采样分布参数更新的基础，更新采样分布参数；ⅶ、在达到预设的训练轮数n(50≤n≤100)或是适应度函数值绝对值小于1.00时，停止优化，输出最优的潜向量对应的透明微波吸收器件微结构；多次优化可以得到具备相似频响但透明微波吸收器件微结构图案不同的输出。2.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，数据集包括透明微波吸收器件微结构图案、周期、厚度及此微结构所对应的频响。3.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，数据集通过以下方式获取：将透明微波吸收器件微结构分成32
×
32个像素，像素中1表示该区域被透明微波吸收器件微结构所需的透明导电材料如氧化铟锡、超薄银膜等覆盖，而0表示该区域未覆盖，单个像素大小受透明微波吸收器件微结构阵列周期限制，在1μm
×
1μm到300μm
×
300μm范围内取值；采用“随机矩形旋转对称法”获取透明微波吸收器件微结构图案，共计35000组；设置完结构参数后，采用电磁仿真软件对透明微波吸收器件微结构进行仿真，得到其对应的电磁响应。4.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，“随机矩形旋转对称法”构建透明微波吸收器件微结构图案步骤为：首先生成一个8
×
16像素的灰度值为0的图片，在这个图片中，随机生成2-5个长边取值范围为1-12个像素且窄边取值范围为1-6个像素的矩形。取这些矩形覆盖区域的并集，将其灰度值设置为1；以这个8
×
16像素的图案作为基础，沿其y轴镜像对称得到一个16
×
16像素的图案，随后将此图案依次顺时针旋转90
°
、180
°
、270
°
，之后将所原图案与旋转后的生成图案拼接得到一个32
×
32像素的图案，最后在图案中心添加边长取值范围为2-4个像素的正方形。5.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，变分自编码器图案生成器分为编码器和解码器两部分；其中，编码器部分的整体输入为数据集中的透明微波吸收器件微结构图案，整体输出为潜向量；解码器部分的整体输入为潜向量，整体输出为重构生成的透明微波吸收器件微结构图案；编码
器和解码器部分均采用具有残差连接的卷积网络，并采用重参数化技巧进行连接，求取梯度。6.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，训练变分自编码器的过程中，参考kl散度和重构损失对算法模型进行参数更新，具体的，总损失、召回损失和kl散度分别表示为：l
real
＝α
·
l
kl
+l
recon
l
recon
＝loss
mse
(input,recon)式中l
kl
表示kl散度(正则化项)，l
recon
表示召回损失，α表示kl散度和召回损失之间的比值；loss
mse
表示均方误差，σ为编码器输出的标准差，μ为编码器输出的均值。7.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，频响预测模型主干为残差连接的卷积网络，并添加了自注意力机制模块与循环神经网络模块；其中，自注意力机制模块是为了获取透明微波吸收器件微结构图案的全局信息；循环神经网络模块是为了获取方格像素之间的关系，学习透明微波吸收器件微结构的物理性质；频响预测模型整体输入为拼接后的透明微波吸收器件微结构图案、周期与厚度，整体输出为预测的频响。8.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，频响预测模型训练过程中参考频响的均方误差进行模型参数的更新，具体的，均方误差表示为：式中，n为501，s
prediction
表示通过此深度神经网络模型预测出的501个s
11
参数(频响)的值，s
simulation
表示数据集中仿真出的501个s
11
参数(频响)的值。9.如权利要求1所述的一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，其特征在于，针对协方差自适应进化策略和透明微波吸收器件微结构对应频响定义了优化目标函数f
fitness
，表示为：式中式中s表示给定的频响，表示潜向量对应的透明微波吸收器件微结构的频响，α表示两个目标之间的权重。

技术总结
一种基于深度神经网络的透明微波吸收器件频响预测与微结构设计方法，属于电磁超表面设计领域。该方法包括：根据透明微波吸收器件微结构图案以及其所对应的频响、阵列周期、单元厚度构建数据集。将数据集分组输入频响预测模型进行训练，训练完毕的频响预测模型能够替代电磁仿真软件预测透明微波吸收器件微结构对应的频响。将数据集中的单元结构图案部分输入变分自编码器进行训练，训练完毕的变分自编码器能够生成具备数据集特征的图案。联合变分自编码器、频响预测模型与协方差自适应调整进化策略构建透明微波吸收器件微结构设计方法。通过对变分自编码器中的潜向量进行优化，可以直接通过目标频响得到具备此频响的透明微波吸收器件微结构，大幅度提升了设计效率。每次优化都能得到不同的透明微波吸收器件微结构，提升了生成结构的多样性，避免了难以加工的结构被设计。进一步，所提出的微结构设计方法能够通过目标理想频响进行透明微波吸收器件微结构的设计，并能满足单峰、多峰、宽带等不同的设计需求。设计需求。设计需求。


技术研发人员：王赫岩 陆振刚 邱煜焜 谭久彬 刘云菲
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.06.15
技术公布日：2023/10/5