【技术实现步骤摘要】
本专利技术属于尖晶石微波介质陶瓷介电性能预测，具体提供一种基于成分限制的注意力卷积网络的尖晶石陶瓷微波介电常数预测方法。
技术介绍
1、微波介质陶瓷在高频应用中扮演着至关重要的角色，凭借其优异的介电常数、低介质损耗和高热稳定性被广泛应用于微波滤波器、天线、谐振器和振荡器等器件中。随着科技的进步和通信需求的不断提高，尤其是5g/6g网络和先进无线通信系统的发展，对微波介质陶瓷的需求也在迅速增长。介电常数作为微波介质陶瓷性能的关键指标之一，决定了材料在信号传输中的效率和设备的体积。高介电常数的微波介质陶瓷适合中低频应用，能够提高信号传输效率并使设备更加紧凑；中介电常数材料则提供了性能和损耗之间的平衡，广泛应用于高频滤波器和谐振器等设备；低介电常数的微波介质陶瓷则有效地减少信号传播延迟和损耗，适合用于高频毫米波和长距离通信。
2、近年来，尖晶石型微波介质陶瓷因其优异的介电性能在通信技术、雷达、传感器及微波集成电路等无线通讯领域中发挥着重要作用。尖晶石的化学式为ab2o4，其中a位点由较大的阳离子占据，b位点则由较小的阳离子占据，分别处于八面体和四面体配位位置。这种独特的配位环境和离子排列方式赋予了尖晶石结构卓越的介电性能。因此，为了满足高频无线通信系统对稳定性和低损耗的需求，进一步优化设计尖晶石型微波介电陶瓷显得尤为重要。
3、随着数据驱动方法的迅速发展，我们能够预测材料性能，加速新材料的发现和设计。机器学习作为数据驱动方法的核心技术之一，通过分析材料数据（如化学成分、结构、性能等）构建模型，显著提高了材料筛选
4、深度学习在材料预测方面具有显著优势，它通过多层神经网络提取数据中的高层次特征，减少了人工特征设计的依赖，从而提升了预测精度。此外，深度学习在处理高维度和非线性数据时表现优越，能够更好地捕捉复杂的材料性能关系。其强大的泛化能力和处理复杂数据的能力，使得深度学习在材料科学中的应用潜力巨大，能够更准确地预测材料性能，并加速新材料的开发和优化。因此，构建一个简单输入、预测性能优异的预测微波介电常数的模型具有重要的意义。
技术实现思路
1、一种基于成分限制的注意力卷积网络的尖晶石陶瓷微波介电常数预测方法，包括以下步骤：
2、1）从过往文献中收集尖晶石型微波介质陶瓷的化学式和介电常数作为数据集样本。
3、2）对所诉步骤1）中的化学式，使用mat2vec编码将其转化为基础元素向量表示。
4、3）在所诉步骤2）中的基础元素向量的前提上，结合组成编码和对数编码进行数据嵌入。
5、4）使用adam优化算法调整模型中的超参数，配置出适合的超参数组合，其中的超参数包括学习率、编码器的层数、注意力机制头的个数和输入维度、权重丢弃率和样本数。
6、5）对所诉步骤3）中的数据，使用以 transformer 的编码器为主体进行特征提取。每个编码层都由多头自注意力机制和前馈神经网络组成，从而有效捕捉数据的复杂关系和高阶特征。
7、6）对所诉步骤5）中提取的特征使用卷积层进行特征处理，并通过池化层对处理后的特征进行降维，保留最重要的特征信息。
8、7）将所诉步骤6）中获得数据使用残差网络进行训练，残差网络中的跳跃连接可以有效缓解深层网络中的梯度消失问题，使得网络能够更深层次地学习到复杂特征。
9、8）利用训练好的介电常数预测模型预测尖晶石型微波介质陶瓷的介电常数。
10、相对于已有技术，本专利技术具有以下优点，这些优点对于尖晶石型微波介质陶瓷领域具有实际价值：
11、本专利技术实现了对尖晶石型微波介质陶瓷的介电常数预测。相对于传统机器学习方法，深度学习无需依赖于复杂的特征工程，能够自动学习数据中的特征与目标值之间的复杂关系，从而提高预测的准确性和泛化能力。这为尖晶石型微波介质陶瓷的研究和开发提供了一个新的思路，有助于加速材料设计与优化的过程。
12、本专利技术的另一大优势是其高效的预测速度。与传统机器学习方法相比，它能够以更高的计算效率快速完成介电常数的预测任务。这不仅加快了研发进程，还推动了尖晶石微波介质陶瓷在应用领域的创新与发展。
13、本专利技术在无线通信技术的应用中具有重要意义。尖晶石微波介质陶瓷在无线通信设备（如天线、滤波器等）中发挥着关键作用。本专利技术提供了更为准确的预测微波介电常数模型，有助于推动无线通信设备的设计和性能发展，提高无线通信系统的效率和性能。因此，本专利技术在尖晶石微波介质陶瓷领域的研究和应用中具有广泛的应用潜力，特别是在推动无线通信技术进一步发展方面具有重要的潜在影响。
14、本专利技术在通信技术、雷达、传感器及微波集成电路等无线通讯领域中发挥着关键作用。该专利技术通过简化输入参数，实现了高准确率的预测精度，从而推动了无线通讯技术的发展。
本文档来自技高网...【技术保护点】
1.一种基于成分限制的注意力卷积网络的尖晶石陶瓷微波介电常数预测方法，包括以下步骤：
2.根据权利要求1所述的方法，该方法采用的深度学习模型为CRANCNN（Compositionally restricted attention-based convolutional neural network，基于成分限制的注意力卷积网络，简记CRANCNN），该模型的工作流程可以分为以下几个步骤：
【技术特征摘要】
1.一种基于成分限制的注意力卷积网络的尖晶石陶瓷微波介电常数预测方法，包括以下步骤：
2.根据权利要求1所述的方法，该方法采用的深度学习模型为crancnn（compositionally ...
【专利技术属性】
技术研发人员：刘晓斌，黄秋霞，苏畅，邵宁，张磊，周焕福，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：
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。