一种周期目标电磁散射特性快速仿真方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114330124A(43)申请公布日2022.04.12(21)申请号202111636588.6(22)申请日2021.12.29(71)申请人东南大学地址211102江苏省南京市江宁区东南大学路2号(72)发明人陆卫兵相伟杨武(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人沈廉(51)Int.Cl.G06F30/27(2020.01)G06F30/30(2020.01)权利要求书3页说明书7页附图4页(54)发明名称一种周期目标电磁散射特性快速仿真方法(57)摘要本发明公开了一种周期目标电磁散射特性快速仿真方法，该方法包括以下步骤：基于传统子全域基函数方法生成数据集；构建人工神经网络模型；对数据集进行分类，并训练人工神经网络模型；利用训练好的人工神经网络模型对周期阵列结构目标预测其子全域基函数拓展系数，并完成电磁散射感应电流分布计算。本发明将已训练的人工神经网络模型集成到子全域基函数方法中，快速预测子全域基函数的拓展系数，从而避免了耗时的互耦缩减矩阵方程求解，将原始的大规模周期阵列问题简化为一个包含9个单元的3×3小阵列问题，大大缩减了仿真时间，提高了计算效率。CN114330124ACN114330124A权利要求书1/3页1.一种周期目标电磁散射特性快速仿真方法，其特征在于，包括以下步骤：步骤1、基于传统子全域基函数方法生成数据集：构建一系列不同单元间距、不同规模的周期阵列结构，基于传统子全域基函数方法计算得到每个单元上子全域基函数的拓展系数，将单元以及单元所处的阵列信息作为数据集的输入，将子全域基函数的拓展系数作为数据集的标签；步骤2、基于反向传播构建人工神经网络模型；步骤3、对数据集进行分类，并训练人工神经网络模型：将数据集分为中心单元、角单元以及棱边单元三类，分别训练出三套人工神经网络参数；步骤4、对待预测的周期阵列结构目标，首先提取3×3子阵列计算得到子全域基函数，然后每个单元产生相对应的网络输入参数，再利用已训练好的人工神经网络模型对各单元的子全域基函数拓展系数进行预测，最后得到整个周期阵列结构目标的电磁感应表面电流分布。2.如权利要求1所述的一种周期目标电磁散射特性快速仿真方法，其特征在于，步骤1所述基于传统子全域基函数方法生成数据集，包括以下步骤：步骤1.1、建立数据集的周期阵列结构单元拓展方向+x轴方向与+y轴方向，沿+x轴方向与+y轴方向的单元数范围为6到50，步长为1，即[6,7,…,50]；每个阵列的周期设置为0.6到1.2个波长，步长为0.1个波长，即[0.6,0.7,…,1.2]；步骤1.2、将每个单元在阵列中的中心位置坐标(xi,yi)、阵列中单元间的中心间距(dx,dy)以及阵列规模(Nx,Ny)作为每个样本的输入，通过组合得到该单元对应的网络输入参数(xi,yi,dx,dy,Nx,Ny)，各单元的网络输入参数组成输入数据集；步骤1.3、输入数据集标准化：应用Z‑score标准化方法对输入数据集矩阵的每一列进行标准化预处理，经过Z‑core标准化预处理后，数据会被压缩至‑1到1之间；步骤1.4、利用传统子全域基函数方法对周期阵列结构进行计算，得到各单元的子全域基函数拓展系数，并将拓展系数拆分为幅度部分和相位部分作为输入数据集的对应标签。3.如权利要求2所述的一种周期目标电磁散射特性快速仿真方法，其特征在于，所述Z‑score标准化方法的公式如下：其中，μ、σ为数据的平均值和标准差，a代表数据的原始值，a'代表数据标准化后的值。4.如权利要求1所述的一种周期目标电磁散射特性快速仿真方法，其特征在于，步骤2所述人工神经网络模型由一个输入层和三个隐含层共四层组成，层与层之间采用全连接的形式；第一层隐含层采用ReLU作为激活函数，第二层隐含层采用Tanh作为激活函数，第三层隐含层采用ReLU作为激活函数。5.如权利要求4所述的一种周期目标电磁散射特性快速仿真方法，其特征在于，所述输入层由6个神经元组成，所述三个隐含层分别由32、28、20神经元组成。6.如权利要求1或4所述的一种周期目标电磁散射特性快速仿真方法，其特征在于，所述人工神经网络模型采用Adam优化器作为模型的优化器，使用均方损失函数计算损失值，学习率为0.01。7.如权利要求1所述的一种周期目标电磁散射特性快速仿真方法，其特征在于，步骤32CN114330124A权利要求书2/3页所述对数据集进行分类，并训练人工神经网络模型，包括以下步骤：步骤3.1、将周期阵列结构的数据集分为中心单元、角单元以及棱边单元三类：将除最外层单元外的内部单元归类为中心单元的数据集，将四个角落处3×3的阵列归类为角单元的数据集，将外围三层单元归类为棱边单元的