基于神经网络与随机爆炸搜索的梯度吸波蜂窝设计方法

本发明属于电磁波吸收材料，具体涉及一种基于神经网络与随机爆炸搜索的梯度吸波蜂窝设计方法。

背景技术：

1、在5g时代普及的今天，人们在享受现代通信工具和电子产品所带来便利的同时，也暴露在一个电磁辐射日益增多的环境中。日常使用的电子设备、家用电器成为了室内电磁辐射的“隐形杀手”。大量的电磁辐射，造成了环境的电磁污染问题。这不仅对人们的日常生活造成了很大的影响，而且对人体的健康也有着很大的威胁。因此，如何有效地降低电磁辐射的污染，已成为当今社会的研究热点。

2、梯度蜂窝吸波材料是一种用于电磁波吸收的高效材料，它通常由多层蜂窝结构组成，每一层的吸波性能都有所不同，呈现出梯度分布。这种梯度设计有助于优化材料的吸波性能，尤其是在特定频段内。相比于单层蜂窝材料，梯度蜂窝结构可以有效减小电磁波的反射，降低信号干扰；梯度设计同时也可以扩展吸波材料的工作频段，使其在更广泛的频率范围内表现出色。

3、梯度蜂窝吸波材料的设计是一个复杂的多目标优化问题，需要平衡多个目标来获得最佳的性能。传统的梯度蜂窝吸波材料的设计过程涉及复杂的电磁学原理与模型，通常需要使用计算机辅助设计工具和仿真软件，结合常用的多目标优化算法如遗传算法、粒子群算法和蚁群算法等，且对计算资源和时间的消耗极大。

技术实现思路

1、针对上述存在的问题或不足，为解决现有梯度蜂窝吸波材料设计过程中对计算资源需求高、以及设计效果极度依赖时长等问题，本发明提供了一种基于神经网络与随机爆炸搜索的梯度吸波蜂窝设计方法，可以在极短时间内达到甚至超越传统方法的设计效果。本发明通过搭建一个神经网络，利用梯度蜂窝吸波材料的结构参数预测其吸波性能；进一步地，借助神经网络的快速映射能力，将大规模的随机搜索与小范围爆炸式搜索相结合，实现基于神经网络的梯度蜂窝吸波材料多目标设计；以解决限制总高度条件下梯度蜂窝吸波材料设计过程中吸波带宽最大化与特定频段内吸波性能最大化的多目标设计问题。

2、本发明采用的技术方案如下：

3、一种基于神经网络与随机爆炸搜索的梯度吸波蜂窝设计方法，包括以下步骤：

4、步骤1、利用全波仿真软件对确定层数的梯度蜂窝结构进行建模仿真，建立梯度蜂窝吸波材料的结构参数与对应反射损耗曲线关系的数据集。

5、步骤2、建立神经网络模型，通过对训练数据集中数据内在规律的学习与模拟，实现梯度蜂窝吸波材料的结构参数到反射损耗曲线的快速映射。

6、步骤3、将训练完成的神经网络与大规模的随机搜索和小范围爆炸式搜索相结合，用于梯度蜂窝吸波材料的多目标优化设计。

7、步骤3-1.设置优化条件：包括宽频优化的频率范围(freqmin,freqmax)，梯度蜂窝总高度限制hlim，目标反射损耗(reflection loss，rl)rltar，重点优化频率范围(freqmin,freqmax)以及样本筛选时间限制tlim。

8、步骤3-2.在可变参数区间内随机生成参数组合，输入神经网络得到对应的反射损耗曲线，从中筛选出l0(l0≥1000)条满足优化条件的反射损耗曲线，计算它们的带宽bw以及重点优化频段内的平均反射损耗rlavg；

9、rli表示宽频优化频段内第i个频点对应的反射损耗，其中z代表整数集合。在宽频优化频段内统计反射损耗优于目标反射损耗的频点数为对应反射损耗曲线的带宽

10、rlj表示重点优化频段内第j个频点对应的反射损耗，则对应反射损耗曲线在重点优化频段内的平均反射损耗

11、步骤3-3.对步骤3-2得到的l0条满足优化条件的反射损耗曲线的带宽bw与平均反射损耗rlavg的绝对值按照下式进行加权求和，作为反射损耗曲线的性能指标：

12、∑std＝(1-a)·bw+a·|rlavg|

13、其中，a(0≤a≤0.1)为常数并可根据优化条件进行调整，σstd越大则反射损耗曲线的性能越好。

14、计算每条反射损耗曲线的σstd，按降序排列，保留性能较好的前n条反射损耗曲线，分别对每条反射损耗曲线的k个参数进行爆炸式搜索(在x倍的最小单位值内进行加减操作组合后扩展为3k组新参数并输入神经网络预测得到新的反射损耗曲线，x≤5)，计算对应的σstd，并保留性能最好的一条反射损耗曲线。按该流程，n条反射损耗曲线对应得到n条优化后的新反射损耗曲线，用于下一轮优化。

15、步骤3-4.以上一轮优化后的n条新反射损耗曲线的σstd最大值向下浮动5％以内，更新优化条件。重复步骤3-2，利用神经网络继续筛选l(l≤0.1×l0)条满足更新后的优化条件的反射损耗曲线，与上一轮优化出的反射损耗曲线一起再次进行爆炸搜索；重复步骤3-3，从扩展出的反射损耗曲线中选出性能最好的n条反射损耗曲线。

16、步骤3-5.重复步骤3-4，若神经网络筛选出一个满足优化条件的反射损耗曲线的时长超过设定时间tlim，则停止继续筛选，仅对现有的性能最好的n条反射损耗曲线再通过多轮的爆炸式搜索继续优化，直到由于蜂窝总高度限制导致无法再产生性能更好的反射损耗曲线，则优化过程结束。此时所得的性能最好的反射损耗曲线对应的结构参数即为最终的设计参数。

17、进一步的，所述步骤1具体为：

18、步骤1-1.确定梯度蜂窝吸波材料的结构参数，在全波仿真软件(如cstmicrowavestudio)中建立对应的梯度蜂窝吸波材料的周期结构模型，设置仿真频率范围，并将吸波浆料的电磁参数导入模型。

19、步骤1-2.将设计过程中实际需要优化的k个结构参数种类设置为可变参数，并确定各可变参数的区间以及最小单位值，其余结构参数设置为固定参数。

20、步骤1-3.随机生成n个(n≥5000)可变参数组合，输入全波仿真软件中进行仿真计算，得到对应的反射损耗曲线。从每条反射损耗曲线上以间隔步长p(p≤0.25ghz)取对应频点的反射损耗组成集合，并与该条反射损耗曲线所对应的k个可变参数一起，保存为文本文件，作为神经网络的一组训练数据。整个训练数据集共包含n组训练数据。

21、进一步的，所述步骤2具体为：

22、步骤2-1.将步骤1-3得到的n组数据按比例(通常为6:2:2-8:1:1之间)划分为训练集、验证集与测试集。借助开源深度学习框架搭建神经网络，将k个可变参数作为神经网络的输入参数，对应的反射损耗集合作为神经网络的目标参数。设置好神经网络训练过程中的优化器与损失函数类型，设定初始学习率、最大训练轮次，并锁定随机种子使得训练过程可复现。

23、步骤2-2.为了在训练过程中实时监测神经网络的性能，引入自定义准确率：若通过神经网络输出的反射损耗与对应频点的仿真结果的误差不超过5％，则视为预测准确。一轮训练过程中预测准确的频点占所有反射损耗曲线上总频点数的比例即视为本轮训练的准确率。

24、开始神经网络训练，从训练集中提取输入参数与目标参数，对神经网络进行训练，在每个训练轮次之后，使用验证集来评估模型的性能，用以辅助模型调优。保存每一轮训练完成后训练集与验证集的损失函数和准确率。

25、步骤2-3.综合神经网络训练过程中损失函数与预测准确率的变化趋势(在保证神经网络模型不会因训练不足出现欠拟合，或训练过多出现过拟合现象使得预测准确率偏低的前提下)，确定停止神经网络训练的最佳轮次m。复现神经网络的训练过程，设定神经网络训练m轮后终止，得到训练完成的神经网络。

26、步骤2-4.利用测试集对训练完成的神经网络进行性能测试，定义准确率指标：若一条反射损耗曲线上预测准确的频点数占比大于等于95％，则认为这条反射损耗曲线预测准确。在一轮测试中，预测准确的反射损耗曲线占比大于95％，则视为神经网络性能达标，可用于后续优化过程。

27、本发明基于人工智能算法的迅速发展，充分利用其模拟高度复杂非线性映射的能力，从而简化或规避原本复杂难以计算的物理模型的挑战。本发明首先利用人工智能来构建一个神经网络，通过梯度蜂窝吸波材料的结构参数预测其吸波性能；进一步地，借助神经网络的快速预测能力，将大规模的随机搜索与小范围爆炸式搜索相结合，实现基于神经网络的梯度蜂窝吸波材料多目标优化设计。

28、综上所述，本发明通过引入了快速高准确率的神经网络，免除了设计过程大量的仿真计算对于计算机运算资源的消耗，提高了设计效率，为大规模的随机搜索与小范围爆炸式搜索提供了可能；可以在优化带宽的同时兼顾特定频段的吸波性能，实现更加精确，更贴合使用需求的多目标优化设计。