CN114970835B 电磁编码超表面单元及其电磁行为的参数化建模方法 （南京大学）

电磁编码超表面单元及其电磁行为的参数本发明公开一种结合深度神经网络和极点留数传递函数的编码超材料电磁响应参数化建极点留数和编码超材料几何结构之间的映射关生成的电磁响应S参数值与超材料电磁响应全波2域可划分为若干边长为0.5mm的随机生成且中心对称的16×16编码矩阵，矩阵中贴有金属该电磁编码超表面单元电磁响应的幅值A和相位p,与电磁响应的实部Re和虚部Im存在将编码超表面单元结构送入电磁仿真模拟软件中，批量化获取编码对获得的极点向量p′m与留数向量r′m进行数据处理，获得数据集，数据集表示为横向和纵向复制扩充而来，用来表征第m个编码超表面的编码矩阵；令第m个编码超表面的极点向量pm与留数向量rm用其实部向量与虚部向量表示，则极点向量pm与留数向量rm最对编码超表面的电磁行为响应进行参数化建模，将从PNet与RNetS4、将训练集{Metam}train分别输入极点网3向极点网络PNet中输入{Metam,pm网络PNet输出预测极点向量in,留数网络RNet输出预测留数向量fim,两网络以均方误差作为网络误差，任务TP和任务TR的损失函数分别为LP、Ln,则PR向极点网络PNet中输入{Metam,Rem,Imm}train数据集，令极点网络PNet以{Rem,Imm}train为标签输出预测极点向量pn:向留数网络RNet中输入{Metam,R网络RNet以{Rem,Imm}trai4根据任务THs的损失函数Lns更新计算极点网络PNet各变量参数；在经过任务TP的学习根据任务THs的损失函数Lns更新计算留数网络RNet各变量参数；在经过任务TR的学习在极点网络PNet中分别训练过一次TP、THs，并在留数网络RNet中分别训练过一次TR、THs整体网络训练以训练周期进行计数，对极点网络PNet和留数网络RN期后，极点网络PNet和留数网络RNet将收敛，收敛时，极点网络PNet输出预测极点向量2.根据权利要求1所述的电磁编码超表面单元电磁行为的参数化建模方法，其特征在3.根据权利要求1所述的电磁编码超表面单元电磁行为的参数化建模方法，其特征在合方法，获得Nm阶的极点留数传递函数，即Nm描述Hm(s)对应的一组极点向量、留数向量m54.根据权利要求1所述的电磁编码超表面单元电磁行为的参数化建模方法，其特征在r′p′min表示数据集中所有电磁响应经过数据处理后传递函数在传递函数阶数为Nm+1的多个编码超表面集合Tr中，利用L1范数为L1范数的定义为向量中各个元素绝对值之和；i、j分别表示Nm+1个极点同最近邻Metasa中的Nm+1个极点进行差5.根据权利要求4所述的电磁编码超表面单元电磁行为的参数化建模方法，其特征在Nm+1个极点66.根据权利要求1所述的电磁编码超表面单元电磁行为的参数化建模方法，其特征在于，步骤S3中Transform层构建包括补充负虚部极点及其对应留数构建传递函数计7究设计只局限于物理特性和相关性能的局面，将超表面的研究带入数字信息发展的洪流。学习模型通过非线性激活函数和反向传播等方法学习网络输入和输出之间的非线性关系。通过深度神经网络实现正向预测可以高效地求解麦克思维方程组以得到超表面的电磁响[0004]随着研究者们对电磁响应S参数的深入理解，将描述极点留数传递函数和深度神8[0008]优选地，该电磁编码超表面单元电磁响应的幅值A和相[0009]Re=A·cos(p),Im=A-sin()横向和纵向复制扩充而来，用来表征第m个编码超表面的编码矩阵；令第m个编码超表面的极点向量pm与留数向量rm用其实部向量与虚部向量表示，则极点向量pm与留数向量rm最20％作为测试集{Metam}test，数据集中的训练样本Metam为32×32编码矩阵，对应标签为[0020]极点网络PNet和留数网络RNet输入均为表征编码超表面的编码矩阵Metam，两网n[0022]S4、将训练集{Metam}train分别输入极点网络PNet和留数网络RNet进行多任务学9极点网络PNet输出预测极点向量留数网络RNet输出预测留数向量fmn,两网络以均方[0038]向极点网络PNet中输入{Metam,Rem,Imm}train数据集，令极点网络PNet以{Rem,Imm}train为标签输出预测极点向量Fin:令留数网络RNet以{Rem,Imm}train为标签输出预测留数向量n:[0039]每一轮训练结束后，同时加载两子网络，输出一组预测极点向量和留数向量然后将Fm、m输入Transform层计算光谱响应h,(m),获取光谱响应实部向量以[0042]根据任务THs的损失函数Lns更新计算极点网络PNet各变量参数；在经过任务TP的[0046]根据任务THs的损失函数Lns更新计算留数网络RNet各变量参数；在经过任务TR的Hsp′min表示数据集中所有电磁响应经过数据处理后传递[0067]在传递函数阶数为Nm+1的多个编码超表面集合Tr中，利用L1范数为编码超表面Metam选择最近邻Metasas挑选最近邻的过程定义为：裂的Nm+1个极点同最近邻Metasa中的Nm+Nm+[0079]优选地，步骤S3中Transform层构建包括补充负虚建传递函数计算光谱响应Fn(s),记为：[0084](2)本发明在两个子网络中分别利用两个损失函数交替约束模型预测正确的一组[0085](3)本发明设计的两个子网络可灵活选择输出编码超表面的极点、留数向量还是[0086](4)综合来说，本发明结合深度神经网络和极点留数传递函数的编码超材料电磁应的幅值A和相位p,与电磁响应的实部Re和虚部Im存在以下对应关系：[0096]Re=A·cos(p),Im=A-sin()[0098]上述电磁编码超表面单元基于多任务学习和传递函数的编码超表面电磁行为的[0100]将编码超表面单元结构送入电磁仿真模拟软件中，将工作频率范围设置为8GHz–20％作为测试集{Metam}test，数据集中的训练样本Metam为32×32编码矩阵，对应标签为p′min表示数据集中所有电磁响应经过数据处理后传递[0116]在传递函数阶数为Nm+1的多个编码超表面集合Tr中，利用L1范数为编码超表面Metam选择最近邻Metasas挑选最近邻的过程定义为：裂的Nm+1个极点同最近邻Metasa中的Nm+r′[0130]极点网络PNet和留数网络RNet输入均为表征编码超表面的编码矩阵Metam，两网响应Fn(s),并获取响应实部向量与响应虚部向量min:[0132]Transform层构建包括补充负虚部极点hn及其对应留数h,构建传递函数计算光谱响应Fn(s),记为：[0136]S4、将训练集{Metam}train分别输入极点网络PNet和留数网络RNet进行多任务学极点网络PNet输出预测极点向量in留数网络RNet输出预测留数向量fm,两网络以均方误差作为网络误差，任务TP和任务TR的损失函数分别为LP、Ln:则[0152]向极点网络PNet中输入{Metam,Rem,Imm}train数据集，令极点网络PNet以{Rem,Imm}train为标签输出预测极点向量Fm;向留数网络RNet中输入{Metam,令留数网络RNet以{Rem,Imm}train为标签输出预测留数向量n:[0153]每一轮训练结束后，同时加载两子网络，输出一组预测极点向量和留数向量然后将输入Transform层计算光谱响应月,(m),获取光谱响应实部向量以[0157]根据任务THs的损失函数Lns更新计算极点网络PNet各变量参数；在经过任务TP的[0161]根据任务THs的损失函数Lns更新计算留数网络RNet各变量参数；在经过任务TR的Hs[0170]按照上述方法对本实施例中的电磁编码超表面单元进行电磁行为的参数化建模r′编码矩阵。获取数据集{Metam,Rem,Imm,pm,rm}，按照步骤S2分割成大小为2690的训练集