本发明涉及声学超表面，尤其涉及一种基于自定义损失函数和多特征约束的局部声场调控方法。
背景技术：
1、声学超材料是一种人工设计结构的材料，具有自然界材料所不具备的一些特性，如负反射、平面聚焦等，其可以用于水中舰艇的声呐隐身及工业无损探伤等领域。
2、传统的超表面设计方法依赖经验丰富的专家，设计效率低且制备流程复杂。近年来，随着深度学习与大数据技术的发展，其在声学超表面的设计中也发挥了巨大作用，这使得通过设计或优化深度神经网络模型来构建声学超表面结构参数与声场之间的映射关系，从而由声场逆向推导出超表面的结构参数成为可能，但是深度学习方法存在计算量大，耗费时间较长的问题。
3、鉴于此，实有必要提供一种新型的基于自定义损失函数和多特征约束的局部声场调控方法以克服上述缺陷。
技术实现思路
1、本发明的目的是提供一种基于自定义损失函数和多特征约束的局部声场调控方法，在设计网络时引入核损失函数，并提取声场特征信息，可以减少网络模型的输入及计算量，为局部声场的调控提供一种新的途径。
2、为了实现上述目的，本发明提供一种基于自定义损失函数和多特征约束的局部声场调控方法，包括以下步骤：
3、s1：确定声学超表面结构的几何特征、设计结构参数变量；在背衬板上敷设超表面，并构建超表面的正演仿真模型；
4、s2：由正演仿真模型进行有限元分析得到其输入的超表面物性结构参数所对应的远场声压级强度分布，将超表面物性结构参数和和对应的远场声压级强度数据作为样本数据；
5、s3：提取远场声压级强度分布的多维特征信息和局部声场强度信息作为输入，构建多特征约束的深度神经网络模型对超表面物性结构参数进行预测；
6、s4：通过将超表面物性结构参数预测值进行正演仿真得到的远场声压级强度分布与局部目标声场强度进行对比，验证深度神经网络模型预测结果的准确性，进而实现对局部声场的有效调控。
7、优选的，步骤s1还包括步骤s11：确定声学超表面的法向厚度h、长度l，将超表面离散为25块具有相同几何形状和大小的结构单元，每一块的材料密度ρi都不相同且ρi的取值随结构单元在长度方向的位置呈线性变化，i＝1,2,…,25，以第一块超表面结构单元的材料密度ρ1和相邻两块超表面结构单元的材料密度梯度g作为待设计的材料参数，并限定第一块超表面结构单元密度ρ1的取值范围为[1/3,3]。
8、优选的，在步骤s2中所述的正演仿真的输入为超表面的物性结构参数，输出为远场声压级强度分布p，超表面由亚波长结构单元排列组成，在超表面长度l、法向厚度h等其他参数固定的情况下，通过改变超表面结构单元的材料密度ρi实现对反射声场的调控；
9、优选的，在步骤s2中采用comsol multiphysics多物理场仿真软件进行有限元分析，建立从超表面物性结构参数到远场声压强度分布的一对一映射关系，由正演仿真生成大量样本数据，为深度神经网络模型的训练和测试准备样本数据集。
10、优选的，在步骤s3中的多特征约束深度神经网络模型包含两个子神经网络模型，两个子神经网络分别以远场声压的全局特征信息和局部强度信息作为输入对深度神经网络进行训练。
11、优选的，将0°～180°范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数来表征声场的全局特征信息；
12、多特征约束深度神经网络模型中约束子网络输入x1为6个等间隔区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数；
13、以多特征约束深度神经网络模型中预测子网络输入x2为局部声场强度值，设置为85°～95°之间的声场强度值；通常采用mse函数作为损失函数进行拟合训练，但该损失函数无法准确评估误差的非线性特征，且对异常值敏感，故引入核函数来修改损失函数。
14、优选的，设定φ是从原始特征空间rn到再生核希尔伯特空间的非线性映射函数，其形式为φ：rn→h，再生核希尔伯特空间中的内积定义如下：
15、
16、上式(1-5)中yt为真实值，为预测值，代表核函数，φ为非线性映射函数；
17、再生核希尔伯特空间中数据点之间距离的平方用一个mercer核表示如下：
18、
19、dh为h内数据点之间的距离，采用径向基核函数如下：
20、
21、上式(1-7)中γ为一个参数，在此将其设置为nfeature为网络特征个数；
22、将公式(1-7)代入公式(1-6)中得：
23、
24、核损失函数可写成如下形式：
25、
26、在公式(1-9)中，n为总的样本个数，yt为真实值，为预测值；
27、约束子网络的核损失函数l1为：
28、
29、预测子网络的核损失函数l2为：
30、
31、上式(1-10)中上式(1-11)中设定最终的目标核函数l为：
32、l＝αl1+(1-α)l2 (1-12)；
33、其中，α为权重因子，用α来决定某个神经网络在整个模型中的比重，实际为全局特征值对预测的局部特征值的影响程度，在整个深度神经网络模型中，局部特征值对整个模型的影响更大，此处设置α＝0.4。
34、优选的，在步骤s4中，给定声场强度分布p做数据处理，提取全局特征信息和局部声场强度值分别输入到训练好的约束子网络和预测子网络中，得出超表面结构待设计材料参数的预测值，利用先前生成样本数据所建立的comsol multiphysics多物理场仿真软件正演仿真对深度神经网络模型的预测结果进行验证。
35、与现有技术相比，有益效果在于：基于自定义损失函数和多特征约束的局部声场调控方法，通过对声场分布进行特征提取、减少深度神经网络模型的输入，对网络模型进行了简化，通过引入自定义的核损失函数，进一步减少了网络模型的计算量，为局部声场的调控提供了一种新的途径。
1.一种基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，步骤s1还包括步骤s11：确定声学超表面的法向厚度h、长度l，将超表面离散为25块具有相同几何形状和大小的结构单元，每一块的材料密度ρi都不相同且ρi的取值随结构单元在长度方向的位置呈线性变化，i＝1,2,…,25，以第一块超表面结构单元的材料密度ρ1和相邻两块超表面结构单元的材料密度梯度g作为待设计的材料参数，并限定第一块超表面结构单元密度ρ1的取值范围为[1/3,3]。
3.如权利要求2所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s2中所述的正演仿真的输入为超表面的物性结构参数，输出为远场声压级强度分布p，超表面由亚波长结构单元排列组成，在超表面长度l、法向厚度h固定的情况下，通过改变超表面结构单元的材料密度ρi实现对反射声场的调控。
4.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s2中采用comsol multiphysics多物理场仿真软件进行有限元分析，建立从超表面物性结构参数到远场声压强度分布的一对一映射关系，由正演仿真生成大量样本数据，为深度神经网络模型的训练和测试准备样本数据集。
5.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s3中的多特征约束深度神经网络模型包含两个子神经网络，两个子神经网络分别以远场声压的全局特征信息和局部强度信息作为输入对深度神经网络进行训练。
6.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，将0°～180°范围的声场划分为6个等间隔区间，取每个区间的波峰、波谷值及角度，取波峰和波谷两侧各2个声场强度值及角度、主反射角以及最大波峰的个数来表征声场的全局特征信息；
7.如权利要求6所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，设定φ是从原始特征空间rn到再生核希尔伯特空间的非线性映射函数，其形式为φ：rn→h，再生核希尔伯特空间中的内积定义如下：
8.如权利要求3所述的基于自定义损失函数和多特征约束的局部声场调控方法，其特征在于，在步骤s4中，给定声场强度分布p做数据处理，提取全局特征信息和局部声场强度值分别输入到训练好的约束子网络和预测子网络中，得出超表面结构待设计材料参数的预测值，利用正演仿真对深度神经网络模型的预测结果进行验证。