买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明提供一种基于深度学习的雷达吸波结构优化设计方法，属于电磁学领域。首先，利用干涉相消理论与传输线理论，通过基于有限元法的电磁场全波分析软件，建立雷达吸波结构的电磁性能计算仿真模型并进一步建立电磁性能参数数据库；然后，建立全连接神经网络并进行充分训练，实现对不同结构参数雷达吸波结构电磁性能的快速计算；最后，建立基于遗传算法的优化设计算法获得一种吸收频带宽、吸收效率高的穿孔型雷达吸波结构。本发明提供的雷达吸波结构优化设计方法，能够面向雷达吸波结构的性能需求对其结构参数及材料进行快速高效的设计优化，并优化设计出一种吸收频带宽、吸收效率高的穿孔型雷达吸波结构。

主权项：1.一种基于深度学习的雷达吸波结构优化设计方法，其特征在于，首先，利用干涉相消理论与传输线理论，通过基于有限元法的电磁场全波分析软件，建立雷达吸波结构的电磁性能计算仿真模型并进一步建立电磁性能参数数据库；然后，建立全连接神经网络并进行充分训练，实现对不同结构参数雷达吸波结构电磁性能的快速计算；最后，建立基于遗传算法的优化设计算法获得一种吸收频带宽、吸收效率高的穿孔型雷达吸波结构；包括以下步骤：第一步，建立电磁性能计算仿真模型及电磁性能参数数据库基于干涉相消理论与传输线理论，使用基于有限元法的电磁场全波分析软件建立雷达吸波结构的电磁性能计算仿真模型，该电磁性能计算仿真模型包括空气域、吸波结构与底部金属板三个部分，其中金属板表示飞机蒙皮；空气域顶部边界设置为散射边界，空气域底部设置为唯一的激励源端口，空气域中间为完美匹配层，忽略其内部散射效应；电磁波一部分在雷达吸波结构表面反射，一部分电磁波进入雷达吸波结构在其底部金属板处反射并全部被激励源端口收集，经过软件仿真计算出该雷达吸波结构的反射损耗RL参数，表示该雷达吸波结构对电磁波的吸收效果；步骤1-1：首先，在电磁场全波分析软件中按照穿孔型雷达吸波结构的几何参数建立周期性微单元阵列的吸波结构单胞构型；步骤1-2：然后，导入掺杂铁粉的碳化硅复合材料的基本电磁参数，设置为吸波结构单胞构型所在区域的材料；导入空气的相关电磁参数，将吸波结构上侧空气域设置为空气材料；步骤1-3：接着，在软件中设置仿真的物理场，将单胞边界设置为周期性条件，选择空气域底部的入射平面为周期性端口，设置为电磁波垂直入射，将空气域顶部设置为散射边界，将入射端口以上的空气域部分设置为完美匹配层，避免空气域内部的散射效应；步骤1-4：选择频域研究，设置频域范围，开始仿真获得反射损耗RL谱线；步骤1-5：现有穿孔型雷达吸波结构的结构单元由在边长为h的正方形单元上添加以其几何中心为圆心孔径为d的穿孔获得，结构厚度为t，穿孔孔径d与单元边长h之比为λ；将边长h、孔径比λ、结构厚度t在取值范围内的不同组合重复带入步骤1-1至1-4中，获得多组结构参数，对应雷达吸波结构的反射损耗RL谱线，将数据导入数据库中，完成电磁性能参数数据库的构建；第二步，建立深度学习分析模型并进行充分训练建立全连接神经网络，全连接神经网络是深度学习的典型结构，通过提取学习样本数据的内在规律和表示层次，实现对不同结构参数雷达吸波结构电磁性能的快速计算；步骤2-1：从第一步建立的数据库中提取出所有结构参数及其对应的反射损耗RL，采用K折交叉验证法高效提取数据特征，将数据划分为D0、D1两个子数据集，其中，D0为测试集，包括M组数据，每组数据包括该雷达吸波结构的结构参数与对应的反射损耗RL两部分，分别作为神经网络的输入数据与预测目标对照值，测试集D0用于最终测试神经网络的训练结果；D1由其余数据组成，包括训练集和验证集，分别用于训练神经网络和在该过程中检测神经网络训练效果；步骤2-2：建立全连接神经网络主体结构，包括一个输入层，若干隐藏层以及一个输出层，每层包含若干节点；数据从输入层中的节点输入至神经网络中，并依次输出至下一层节点中，基于数据集中结构参数与反射损耗RL数据数量确定输入层和输出层节点个数、隐藏层层数与节点数量以及期望均方误差阈值；步骤2-3：使用训练集对神经网络进行训练，并计算经过训练后的神经网络在验证集上的均方误差 其中，m为每等份的样本数量，n为每个样本反射损耗RL的频率点数，为该雷达吸波结构反射损耗的第k1个频率点的神经网络预测值，k1的取值为从1到n的正整数，为同一结构反射损耗的第k1个频率点的预测目标对照值，为在验证集上第j1个结构RL预测值与预测目标对照值的均方误差，j1的取值为从1到m的正整数；重复训练K次后计算本轮训练的均方误差E1， 步骤2-4：使用训练后的神经网络对测试集D0中的数据进行预测，若预测结果的均方误差E0小于期望均方误差阈值，则完成训练； 其中，M为测试集的样本数量，n为每个样本反射损耗RL的频率点数，为该雷达吸波结构反射损耗的第k2个频率点的神经网络预测值，k2的取值为从1到n的正整数，为同一结构反射损耗的第k2个频率点的预测目标对照值，为在测试集D0上第j2个结构RL预测值与预测目标对照值的均方误差，j2的取值为从1到M的正整数；第三步，建立优化设计算法，优化雷达吸波结构参数建立基于遗传算法的优化设计算法以更宽的有效带宽和更好的吸波性能为目标对单胞的结构参数进行优化，通过交叉、变异操作可以产生更优秀的个体，使用适应度函数判断种群中个体的优劣，并通过选择操作淘汰掉不好的个体，随着交叉、变异、选择操作的重复迭代次数的增加，种群变得更加优秀最终接近最优解；步骤3-1：定义适应度函数，建立雷达吸波结构反射损耗、有效吸波带宽与吸波结构参数优劣的数学关联模型；具体表达如下： 其中，为个体i2通过神经网络计算出的RL值，i2的取值为从1到N的正整数，为该雷达吸波结构的有效吸波带宽，为有效吸波带宽范围上的平均反射率；通过寻找适应度函数在取值范围内的最大值，即有效吸波带宽最大且在有效吸波带宽范围上的平均反射损耗绝对值最大，实现对结构参数的优化；设定各结构参数范围的最小值Min以及最大值Max，设置种群规模N、交叉概率P_cross、变异概率P_variation、最大迭代次数I；步骤3-2：随机生成包含N个个体的初始种群，每个个体由x个浮点数组成，代表一组结构参数，一个结构参数也称为一个基因点位；步骤3-3：进行交叉、变异以及选择操作，将种群随机分组，每组包含两个父代个体u和v，按照公式5、6进行交叉操作后得到子代个体u′和v′： 其中，为个体u第i3个基因点位的值，i3的取值为从1到x的正整数，rand0,1表示0到1之间的随机数，表示与的并集；遍历种群中所有个体w，按照公式7进行变异操作得到子代个体w′： 其中，分别为第i4个基因点位取值范围的最小值和最大值，i4的取值为从1到x的正整数；进行选择操作，按照适应度函数计算交叉与变异操作中生成子代的适应度，混合父代与子代形成新的种群，将个体按照适应度从大到小排序，淘汰序号大于N的个体，保持种群中个体总数稳定不变；步骤3-4：重复步骤3-3至迭代次数达到最大迭代次数I，当前种群中适应度最大的个体即为最优解，提取最优解的基因点位，获得最优结果的结构参数。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于深度学习的雷达吸波结构优化设计方法