【技术实现步骤摘要】
本申请涉及多频吸波超表面的谐振吸收特性定制，特别是涉及一种多频吸波器及其谐振吸收特性定制方法。
技术介绍
1、电磁超表面是一种平面超表面材料，可以通过亚波长金属或介电结构在二维平面上控制电磁波的振幅、相位、极化等参数。这种控制能力使超表面突破了传统电磁定律的限制，为新型平面电磁和光器件的设计提供了新的可能性。其中，吸波性能一直是电磁超表面的重要应用之一。通过改变人工设计的超表面的形状和几何尺寸，可以调整等效电磁参数，使设计的结构与入射电磁波耦合，从而实现对特定频率电磁波的理论上完美吸收。近年来，多频吸波器凭借其易于加工和集成的优异性能，被广泛应用于天线、电磁兼容、能量收集、雷达隐身等方面。然而，传统的多频吸波设计往往结构复杂，需要倚赖大量电磁仿真软件进行数值分析计算，难以实现吸收峰的个数和峰值位置的任意定制。如果要调整吸收峰的个数或峰值位置，则需要进行大量的模拟计算并重新优化几何参数，费事费力。对于几何参数众多的复杂结构，往往难以在短期内获得优化结果。随着计算机和人工智能技术的不断发展，基于神经网络的超表面设计、优化方法应运而生。通过神经网络对大量数据集的学习，可以探索超表面结构与其电磁波谱之间复杂的隐含关系，从而简化设计难度，缩短设计时间，提高设计性能。但一般的正向预测神经网络难以精准预测多频吸收谱，也很难基于正向网络训练出有效的逆向网络模型，更无法完成超表面谐振吸收峰个数和峰值位置的任意定制。
2、基于此，现有技术在电磁超表面设计和优化过程中存在以下问题：
3、结构复杂、设计参数多：传统的多频吸波设计
4、数值分析计算困难：传统设计需要依赖大量电磁仿真软件进行数值分析计算，难以实现吸收峰的个数和峰值位置的任意定制。
5、无法精确预测多频吸收谱：一般的正向预测神经网络难以精准预测多频吸收谱，也很难基于正向网络训练出有效的逆向网络模型。
6、设计结果无法定制：传统方法难以实现对吸收峰的个数或峰值位置的灵活调整，需要进行大量的模拟计算并重新优化几何参数。
7、难以快速获得优化结果：对于几何参数众多的复杂结构，往往难以在短期内获得优化结果，影响了设计效率和性能提升。
8、现有技术在电磁超表面设计和优化中存在设计复杂、计算困难、预测精度低、灵活调整性差和优化时间长的问题。
技术实现思路
1、本申请提供一种多频吸波器及其谐振吸收特性定制方法，旨在解决现有技术存在设计复杂、计算困难、预测精度低、灵活调整性差和优化时间长的问题。
2、一方面，提供一种多频吸波器，所述多频吸波器包括超表面单元结构和多种自定义参数变量；
3、所述超表面由金属谐振层、介质层和金属底板组成，所述多种自定义参数变量用于调整超表面结构；其中，所述多种自定义参数变量具体为：根据所述金属谐振层上十字形谐振器和两对左右相同但上下不同的方环谐振器的长宽定义。
4、上述方案中，可选的，所述超表面由金属谐振层、介质层和金属底板组成包括：
5、所述超表面顶层由一个十字形谐振器和两对左右相同但上下不同的方环谐振器共同组成；
6、所述超表面顶层和底板的材料为金属铜，金属顶层的厚度h3＝0.018mm，金属底板的厚度h1＝0.018mm，两者中间的是由fr-4构成的基板，相对介电常数εr＝4.35，损耗正切σ＝0.025，厚度h2＝1.2mm，周期p＝15.4mm。
7、另一方面，提供一种多频吸波超表面的谐振吸收特性定制方法，所述方法包括：
8、设计基于cnn-bilstm-lstnet的超表面预测模型，选择预设的网络结构、激活函数确定学习率策略；
9、结合cnn和bilstm构建模型，使用lstnet进行再次预测，提高预测精度；
10、结合cnn和bilstm构建模型，使用lstnet进行再次预测，提高预测精度；
11、分析不同几何参数对吸收光谱的影响，设计pso寻找最优结构参数的闭合算法流程，实现超表面吸收特性的定制。
12、上述方案中，可选的，所述基于cnn-bilstm-lstnet的超表面预测模型具体为：所述模型由输入层、cnn层、bilstm层、lstnet层、全连接层和输出层构成，神经网络的输出是超表面的反射谱数据，输入是对应所述超表面的参数。
13、上述方案中，可选的，所述选择预设的网络结构、激活函数确定学习率策略，包括：使用cosineannealinglr来调整学习率，以根据模型的训练情况自适应地调整，所述激活函数选择leakyrelu。
14、上述方案中，可选的，所述训练神经网络模型，使所述神经网络模型能够准确预测超表面几何参数与反射谱数据之间的复杂关系，包括：
15、收集18280组超表面几何参数，并通过python调用cst接口进行仿真后得到模型的反射谱数据集；
16、将所述数据集放入网络模型中进行训练，使前向预测神经网络能够学习超表面几何参数与反射谱数据之间的共同联系；
17、输入层输入超表面几何参数，所述神经网络输出对应的反射谱数据。
18、上述方案中，可选的，所述结合cnn和bilstm构建模型，使用lstnet进行再次预测，提高预测精度，包括：
19、将cnn和bilstm组合构成cnn-bilstm模型，将cnn-bilstm模型输入到lstnet模型中进行再次预测，所述lstnet能够同时捕捉序列数据中的局部特征和全局特征，帮助模型关注序列中重要的时间步，根据历史隐状态的重要程度调整预测结果，提高整个正向预测网络的预测精度。
20、上述方案中，可选的，所述分析不同几何参数对吸收光谱的影响，包括：分析不同几何参数对吸收光谱的影响，进行对不同几何参数进行系统性分析和变化；
21、通过数值仿真或实验数据，确定各个参数对谐振吸收谱的影响，建立参数与谐振吸收特性之间的关系模型。
22、上述方案中，可选的，所述设计pso寻找最优结构参数的闭合算法流程，实现超表面吸收特性的定制，具体为：
23、建立超表面结构参数与吸收光谱的关联模型，设计pso算法的闭合流程，包括初始化粒子群、定义适应度函数、更新粒子位置和速度；
24、通过多次迭代优化过程，使得粒子群逐渐收敛到最优解，即最优的超表面结构参数组合；
25、确保算法在预设的时间内找到接近全局最优解的参数组合，实现超表面吸收特性的定制化。
26、上述方案中，可选的，所述方法还包括：
27、结果展示和验证，展示目标曲线、预测曲线和实际仿真曲线的一致性，验证模型在超表面定制中的可行性和高效性；
28、所述验证模型在超表面定制中的可行性和高效性，包括：
29、对优化得到的超表面结构参数组合进行验证，包括目标曲线、预测曲线和实本文档来自技高网...
【技术保护点】
1.一种多频吸波器，其特征在于，所述多频吸波器包括超表面单元结构和多种自定义参数变量；
2.根据权利要求1所述的多频吸波器，其特征在于，所述超表面由金属谐振层、介质层和金属底板组成包括：
3.一种多频吸波超表面的谐振吸收特性定制方法，利用权利要求1-2所述的多频吸波器，其特征在于，所述方法包括：
4.根据权利要求3所述的方法，其特征在于，所述基于CNN-BiLSTM-LSTNet的超表面预测模型具体为：所述模型由输入层、CNN层、BiLSTM层、LSTNet层、全连接层和输出层构成，神经网络的输出是超表面的反射谱数据，输入是对应所述超表面的参数。
5.根据权利要求3所述的方法，其特征在于，所述选择预设的网络结构、激活函数确定学习率策略，包括：使用CosineAnnealingLR来调整学习率，以根据模型的训练情况自适应地调整，所述激活函数选择LeakyReLU。
6.根据权利要求3所述的方法，其特征在于，训练神经网络模型，使神经网络模型能够准确预测超表面几何参数与反射谱数据之间的复杂关系，包括：
7.根据权利
8.根据权利要求3所述的方法，其特征在于，所述分析不同几何参数对吸收光谱的影响，包括：分析不同几何参数对吸收光谱的影响，进行对不同几何参数进行系统性分析和变化；
9.根据权利要求3所述的方法，其特征在于，所述设计PSO寻找最优结构参数的闭合算法流程，实现超表面吸收特性的定制，具体为：
10.根据权利要求3所述的方法，其特征在于，所述方法还包括：
...【技术特征摘要】
1.一种多频吸波器，其特征在于，所述多频吸波器包括超表面单元结构和多种自定义参数变量；
2.根据权利要求1所述的多频吸波器，其特征在于，所述超表面由金属谐振层、介质层和金属底板组成包括：
3.一种多频吸波超表面的谐振吸收特性定制方法，利用权利要求1-2所述的多频吸波器，其特征在于，所述方法包括：
4.根据权利要求3所述的方法，其特征在于，所述基于cnn-bilstm-lstnet的超表面预测模型具体为：所述模型由输入层、cnn层、bilstm层、lstnet层、全连接层和输出层构成，神经网络的输出是超表面的反射谱数据，输入是对应所述超表面的参数。
5.根据权利要求3所述的方法，其特征在于，所述选择预设的网络结构、激活函数确定学习率策略，包括：使用cosineannealinglr来调整学习率...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。