[發明專利]一種基于神經網絡快速預測吸波蜂窩材料S參數的方法

在審

• 申請號: 202210992066.8
• 申請日: 2022-12-02
• 公開（公告）號: CN115641924A
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 陸海鵬;蔡長旭;孫翃宇;王蕾;王帥;鄧龍江
• 申請（專利權）人: 電子科技大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G06N3/08;G06N3/0464;G06F30/27;G06F113/26
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 閆樹平

1.一種基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于，包括以下步驟：

步驟1：建立由M個由不同種漿料以及不同種類芳綸紙構成的吸波蜂窩材料所組成的數據庫，M為≥2的正整數；對于數據庫中各吸波蜂窩材料，基于其吸波漿料的電磁參數以及芳綸紙的介電常數，建立對應吸波蜂窩材料的結構模型；

步驟2：對步驟1建立的結構模型進行關于吸波蜂窩的結構參數進行掃參仿真，獲得對應的N組結構數據，各組結構數據均對應一條S₁₁曲線；以一組結構數據及對應的S₁₁曲線為一組訓練數據，將數據庫中所有吸波蜂窩材料對應的M*N組訓練數據作為訓練數據集；

所述結構數據是指吸波蜂窩材料的種類都已經確定，只是掃參變化吸波蜂窩的結構參數，每改變一個變量，則產生一組結構數據；

步驟3：構建卷積神經網絡模型；

步驟4：隨機選擇步驟2所得訓練數據集中的L組訓練數據為訓練集，L為＜M*N的正整數，以訓練集中的結構數據為輸入特征，對應S₁₁曲線為訓練目標，對步驟3構建的卷積神經網絡模型進行訓練，獲得初步訓練后的卷積神經網絡模型；

訓練過程中卷積神經網絡模型中，若損失函數的數值低至預期數值，則保存網絡參數；否則，優化卷積神經網絡模型的網絡參數直至達到預期數值；

步驟5：將訓練數據集中剩余的M*N-L組訓練數據作為測試集，以測試集中的結構數據為輸入特征，對初步訓練后的卷積神經網絡模型進行測試，獲得各組訓練數據的預測結果；

步驟6：將各組測試數據的預測結果與對應S₁₁曲線進行比較，判斷各組訓練數據是否為合格樣本；

若測試集中訓練數據的合格率超過預設合格率，則將初步訓練后的卷積神經網絡模型作為訓練完成的卷積神經網絡模型，即合格樣本；

否則，調整初步訓練后的卷積神經網絡模型的網絡結構和網絡參數，重復步驟4～5，直至獲得訓練完成的卷積神經網絡模型；

步驟7：將待測吸波蜂窩材料中吸波漿料的電磁參數和芳綸紙的介電常數以及吸波蜂窩的結構參數輸入至步驟6所得訓練完成的卷積神經網絡模型，得到待測吸波蜂窩材料的S₁₁曲線，即S參數。

2.如權利要求1所述基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于：所述步驟1中吸波蜂窩的結構參數為其厚度、孔徑和/或蜂窩壁厚。

3.如權利要求1所述基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于：所述步驟1中電磁參數包括介電常數實部和介電常數虛部，以使得最終預測結果更佳。

4.如權利要求1所述基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于：所述步驟2中，在S₁₁曲線上對所需仿真頻段等步長地取若干個頻點，將所取頻點代替訓練數據中的S₁₁曲線，作為訓練目標。

5.如權利要求1所述基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于：所述所述步驟4訓練卷積神經網絡模型的過程中，卷積神經網絡模型的損失函數的預期數值為0.5。

6.如權利要求1所述基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于：所述步驟4訓練過程中卷積神經網絡模型中，若損失函數的數值未低至預期數值時，采用梯度下降算法反向優化卷積神經網絡模型的網絡參數直至達到預期數值。

7.如權利要求1所述基于神經網絡快速預測吸波蜂窩材料S參數的方法，其特征在于：所述步驟4中L取訓練數據集中的50％-80％作為訓練集，如果訓練集太多有可能出現過擬合效果，訓練集太少有可能出現欠擬合效果。