[发明专利]基于深度学习神经网络的超材料电磁感应透明器件的结构按需设计方法

权利要求书

1.一种基于深度学习神经网络的超材料电磁感应透明器件结构的按需设计方法，其特征是：基于深度学习神经网络的数据驱动方法可以表示和泛化复杂的函数或数据，从而发现大量变量之间的未知关系。训练完成之后的网络可以预测在训练集之外的超材料的结构，并且有着极高的准确度，可以大大提高超表面设计的效率。

2.根据权利要求1所述的数据集，其特征是：使用数值计算的方式来对不同的结构参数进行数据的收集，计算完成之后，在结果中的每一组结构参数所对应的透射谱中提取其最大值点及两个最小值点的坐标，并将其制作成神经网络可以读取的数据集。其中每一组的结构参数作为标签值加入到数据集中。

3.根据权利要求2所述的结构参数。其特征是：超材料电磁感应透明器件的结构由金属结构和衬底构成，金属生长于衬底之上，金属的材料可为铜、银、金等。

4.根据权利要求1所述的神经网络。其特征是：神经网络由全连接层组成，包括输入层、五层隐藏层和输出层。其中，输入层含有6个神经元，代表透射谱三个点的坐标，五层隐藏层分别含有200、500、800、500、200个神经元，输出层含有的神经元个数代表电磁感应透明器件结构的可变结构参数，其个数由电磁感应透明器件的具体结构而定。

5.根据权利要求4所述的全连接层。其特征是：每一层之间的激活函数采用PReLu激活函数，其公式为其中x_i为每一层的输入数据，a_i随训练的过程而进行优化，其作用是修正数据分布，保留负轴的值，使负轴信息不全部丢失。PReLU是ReLU的改进型，在负数区域，PReLU有很小的斜率，避免了ReLU激活函数会导致某些神经元失效的问题。

其优化器采用的是Adam优化器，其实现简单，计算高效，对内存需求少，且参数的更新不受梯度的伸缩变换影响，很适合应用于大规模的数据及参数的场景，Adam优化器在很多情况下算作默认工作性能比较优秀的优化器。

其损失函数是均方误差损失函数。是求训练过程中给定的标签值与神经网络预测结果差值的平方的平均值。