[发明专利]基于神经网络的多层频率选择表面吸波材料建模优化方法

摘要

本发明公开了一种基于神经网络的多层频率选择表面吸波材料建模优化方法，属于频率选择表面领域以及吸波材料技术领域。本发明首先以传输线为基础，建立频率选择表面的一阶谐振电路。通过全波仿真得到S11参数曲线，利用遗传算法进行曲线拟合获得RLC的数值。将足够多的样本输入到BP神经网络中，得到频率选择表面单元几何参数与等效RLC之间的映射关系。整个吸波结构的S11参数通过等效传输线进行计算，其中频率选择表面单元等效RLC应用神经网络进行导出，采用遗传算法对其吸波带宽进行优化。该方法具有精度较高、优化效率较高的优点。

主权项

1.一种基于神经网络的频率选择表面建模优化方法，其特征在于，包括以下步骤：

步骤1：利用全波仿真软件对频率选择表面进行仿真，得到对应于频率选择表面相应几何参数仿真的S₁₁参数；

步骤2：通过遗传算法拟合R、L、C参数；

将频率选择表面等效为传输线模型，其S₁₁参数是表示频率选择表面输入端口的反射系数，其中代表FSS单元的等效阻抗，ω＝2πf，f表示频率，R、L、C分别表示等效传输线模型中的等效电阻、等效电感和等效电容，Z₀为自由空间波阻抗；

将R、L、C参数作为遗传算法的优化对象，遗传算法个体编码采用实数编码方法，把等效传输线计算获得的S₁₁参数值与全波仿真得到的S₁₁参数值之差的2范数作为个体的适应度，选择操作采用锦标赛法交叉操作采用实数交叉法，变异操作通过随机选择方式选择基因；从而得到步骤1中频率选择表面相应几何参数所对应的R、L、C参数；

步骤3：建立频率选择表面单元的神经网络模型；

多次重复步骤1‑2，产生多个样本用于构建BP神经网络；将频率选择表面单元的几何参数作为输入，曲线拟合得到的R、L、C参数作为输出训练神经网络；

步骤4：测试神经网络模型；

随机产生一组几何参数输入神经网络，根据输出的R、L、C参数计算频率选择表面单元的S₁₁参数，与全波仿真软件的仿真结果进行对比，计算得到的S₁₁参数值与仿真得到的S₁₁参数值之差满足精度要求，即为通过测试。

2.一种基于神经网络的多层频率选择表面吸波结构建模优化方法，其特征在于，在步骤1‑4后，还包括如下步骤：

步骤5：优化整个吸波结构的S11_total参数；

将加载多层频率选择表面单元的吸波结构等效为传输线模型，等效电路终端短路；输入端口的反射系数可由传输矩阵法计算：

其中C_pec＝∞，第i层介质的等效传输矩阵为其中1≤i≤n，l_i表示第i层介质层的厚度，表示第i层介质的特性阻抗，表示第i层介质的特性导纳，ε_i和μ_i分别表示第i层介质的相对介电常数和相对磁导率，ε₀、μ₀分别是自由空间介电常数和磁导率；频率选择表面单元的传输矩阵Z_si根据步骤3神经网络输出的R、L、C参数带入计算得到；

吸波结构的S₁₁参数因此S11_total的自变量为频率f和吸波结构几何参数；

步骤5‑1：设定工作频率、S₁₁参数指标和几何尺寸限制，以工作频段内满足S₁₁参数指标的带宽作为适应度函数值；令频率选择表面的最大尺寸等于工作中心频率对应的半波长，频率选择表面的最大尺寸在工作中心频率对应的半波长的相邻半个波长的范围内进行搜索；以几何参数为边界条件采用随机函数产生初始种群；

步骤5‑2：判断种群中是否有满足收敛条件:进化代数达到设定阈值或最优个体已连续多代无变化，若满足则终止迭代输出最优个体，不满足则继续进行步骤5‑3；

步骤5‑3：交叉种群进行选择操作，产生的交叉个体中的参数作为吸波结构的几何参数输入到S11_total中进行计算，计算结果返回到主程序中。

3.根据权利要求1或2所述的方法，其特征在于，神经网络有30层隐藏层，传递函数为Sigmoid函数，训练算法为L‑M算法，学习率为0.01，最大训练次数2000，网络精度取10^‑10。