本发明涉及微波吸收领域，特别涉及一种微波宽带超表面吸收器的智能设计方法，属于深度学习与微波宽带吸收领域。
背景技术：
电磁吸收器在许多应用中起着非常重要的作用，例如雷达隐身，电磁兼容，热辐射器。常规的宽带吸收器主要由金属和电介质堆叠来实现。近年来，超表面由于其可以实现振幅，相位和极化控制等独特的电磁特性而受到了广泛的关注。通过适当的设计，超表面可以实现许多奇异的功能，例如隐身，全息术，超透镜等。已证明超表面可以实现有效的电磁吸收。目前，微波宽带超表面吸收器的设计优化主要利用仿真软件进行参数扫描，然后研究人员根据专业知识对结果进行选取。这种方式不仅需要消耗大量的时间，而且所得的结果通常为局域最优解，很大程度上限制了微波吸收器的开发与应用。
深度学习是机器学习的一个分支，是一种使用人工神经网络作为框架来表征和学习数据的算法，可以自动对高维数据进行建模，免去了人工提取特征的麻烦，提高了系统设计和运行的效率。
技术实现要素：
为了解决上述问题，本发明提出了一种微波宽带超表面吸收器的智能设计方法，采用了一种新的方式——深度学习，这使得设计速度大大提升同时也具有很高的准确性。
为了达到上述目的，本发明所采用的技术方案为：该微波宽带超表面吸收器的智能设计方法，包括自动编码网络和卷积神经网络；其中，第一步使用自动编码网络进行特征的提取，第二步将自动编码网络提取到的中间层隐含特征作为卷积神经网络的输入，最后卷积神经网络输出微波吸收器的结构参数。
其中，所述自动编码网络由输入层，卷积模块，自动编码模块和输出层构成；卷积神经网络由输入层，卷积模块，全连接模块和输出层构成。
其中，所述自动编码网络的输入为1000维的反射系数，输出为重构的1000维的反射系数；卷积神经网络的输入为50维的隐含特征，输出为10维的微波吸收器结构参数。
其中，所述自动编码网络的层数为10层。
其中，所述卷积神经网络的层数为22层。
本发明具有的有益效果在于：
本发明的设计方法是基于深度学习，并采用了将自动编码网络和卷积神经网络相结合的集成学习方式，具有时间响应快，准确率高，成本低，且扩展性良好；同时，也为人工电磁材料的智能设计提供了一个新的工具，加速了人工电磁材料的设计和优化。
附图说明
图1为本发明一种微波宽带超表面吸收器的智能设计方法的深度学习模型结构示意图；
图2为本发明的深度学习模型的细节图；
图3为实施例1中所述微波吸波器的结构；
图4为实施例1中所述微波吸波器的仿真结果，其中，图4(a)为随机选择的仿真结果1，图4(b)为随机选择的仿真结果2；
图5为实施例1中所述用户自行设计的吸收光谱，其中，图5(a)为按需设计光谱1，图5(b)为按需设计光谱2；
图6为实施例1中所述使用深度学习模型智能设计的结果，其中，图6(a)为逆向设计的结果1，图6(b)为逆向设计的结果2；
图7为实施例1中所述用户自行设计的吸收光谱与深度学习模型智能设计的吸收光谱对比，其中，图7(a)为按需设计光谱1和逆向设计光谱1的对比图，图7(b)为按需设计光谱2和逆向设计光谱2的对比图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明，但本发明的保护范围并不仅限于下面实施例，应包括权利要求书中的全部内容。而且本领域技术人员从以下的一个实施例即可实现权利要求中的全部内容。
具体实现过程如下：
如图1所示，该微波吸收器的智能设计的模型结构示意图，由自动编码网络和卷积神经网络组成。
为了深入理解微波吸收器的智能设计的设计原理，下面将结合深度学习的原理以及具体实施例来介绍本发明。
首先，介绍深度学习的基本原理。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
实施例1
本实施例设计了一个3层的微波吸收器的结构用于验证该智能设计方法的有效性。图3给出了该结构的示意图；通过设计不同聚甲基丙烯酰亚胺(pmi)泡沫的厚度和宽度以及金属环的宽度可以在0.1-18ghz范围内实现不同宽带的吸收。
首先，对该结构在微波波段0.1-18ghz进行了仿真，入射波的入射方向为正入射。通过电磁仿真软件cst得到了所述结构在正入射下的反射系数，如图4所示。
因为缺少透射光谱，吸收率使用下式进行计算：
吸收率＝a＝1-|r|2(1)
其中r代表反射系数。
为了表征此方法的实用性，定义了相对光谱误差，如下式所示：
其中ri是目标光谱的离散值，gi是预测光谱的离散值，n为光谱离散点的数量。
按照需求设计了两条吸收光谱，第一条吸收光谱在3.6～18ghz的吸收率为94.75％，第二条吸收光谱在4.4-18ghz的吸收率为90.03％，如图5所示。将这两条吸收光谱输入图1的深度学习模型，得到光谱的结构参数；并将结构参数输入电磁仿真软件cst中，得到如图6所示的智能设计的吸收光谱。使用(1)式对按需设计的吸收光谱与智能设计得到的吸收光谱进行比较，两者之间的相对光谱误差分别为5.80％，5.49％，如图7所示。
以上设计过程、实施例及仿真结果很好地验证了本发明。
因此，上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的实施方式仅仅是示意性的，而不是限制性的。本发明未详细阐述部分属于本领域技术人员的公知技术。
1.一种微波宽带超表面吸收器的智能设计方法，其特征在于：所述的智能设计方法包括自动编码网络和卷积神经网络；其中，第一步使用自动编码网络对输入光谱进行特征提取，第二步将自动编码网络提取的中间层隐含特征作为卷积神经网络的输入，最后卷积神经网络输出微波吸收器的结构参数。
2.根据权利要求1所述的一种微波宽带超表面吸收器的智能设计方法，其特征在于：所述自动编码网络由输入层，卷积模块，自动编码模块和输出层构成；卷积神经网络由输入层，卷积模块，全连接模块和输出层构成。
3.根据权利要求1所述的一种微波宽带超表面吸收器的智能设计方法，其特征在于：所述自动编码网络的输入为1000维的反射系数，输出为重构的1000维的反射系数；卷积神经网络的输入为50维的隐含特征，输出为10维的微波吸收器结构参数。
4.根据权利要求1所述的一种微波宽带超表面吸收器的智能设计方法，其特征在于：所述自动编码网络的网络层数为10层。
5.根据权利要求1所述的一种微波宽带超表面吸收器的智能设计方法，其特征在于：所述卷积神经网络的网络层数为22层。
6.根据权利要求1所述的一种微波宽带超表面吸收器的智能设计方法，其特征在于：这种方法从而很大程度上减小训练过程中的过拟合，使整个智能设计的准确率大幅度提升。
技术总结