CN108170950B - 基于神经网络的多层频率选择表面吸波材料建模优化方法 - Google Patents
基于神经网络的多层频率选择表面吸波材料建模优化方法 Download PDFInfo
- Publication number
- CN108170950B CN108170950B CN201711443669.8A CN201711443669A CN108170950B CN 108170950 B CN108170950 B CN 108170950B CN 201711443669 A CN201711443669 A CN 201711443669A CN 108170950 B CN108170950 B CN 108170950B
- Authority
- CN
- China
- Prior art keywords
- wave
- neural network
- frequency
- parameters
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/24—Sheet material
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)
Abstract
本发明公开了一种基于神经网络的多层频率选择表面吸波材料建模优化方法,属于频率选择表面领域以及吸波材料技术领域。本发明首先以传输线为基础,建立频率选择表面的一阶谐振电路。通过全波仿真得到S11参数曲线,利用遗传算法进行曲线拟合获得RLC的数值。将足够多的样本输入到BP神经网络中,得到频率选择表面单元几何参数与等效RLC之间的映射关系。整个吸波结构的S11参数通过等效传输线进行计算,其中频率选择表面单元等效RLC应用神经网络进行导出,采用遗传算法对其吸波带宽进行优化。该方法具有精度较高、优化效率较高的优点。
Description
技术领域
本发明属于频率选择表面领域以及吸波材料技术领域,具体涉及一种对频率选择表面进行等效电路参数建模和一种设计宽带、低反射率的频率选择表面吸波材料的优化设计方法。
背景技术
吸波材料被广泛应用于军事隐身,随着电子工业的发展。吸波材料在电子通讯、电子器件、节能减排及辐射防护等领域得到应用。
频率选择表面(FSS)是一种由特定形状散射面构成的平面周期性阵列结构,由于其特殊的频率响应特性,被广泛应用于天线设计、电磁兼容、雷达罩、吸波材料等领域。
在吸波材料中引入频率选择表面,其带宽、吸收性能可得到极大改善。合理的设计方法有助于了解加载FSS吸波材料的特性,提高研究和设计效率,缩短研发周期。专利CN104732044A指出可以运用差分进化算法联合HFSS全波仿真进行优化设计,因为全波仿真计算量巨大,而且进化算法需要大量的全波仿真结果才能得到结果,所以这种方法会花费大量的时间,通常能够以天计算,此方法的效率还是太低。如果能够对吸波结构建立等效传输线模型,则计算速度会得到极大加快,从而优化效率得到极大的提高。
频率选择表面单元形状多样,所构成的吸波结构几何参数众多,材料选择丰富。目前单纯根据经验,进行参数的调整来设计会消耗掉巨大的人工成本与时间。而且各个参数之间耦合关系极强,人工调整参数往往很难找到满足要求的结构。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于神经网络的多层频率选择表面吸波材料建模优化方法。
本发明所提出的技术问题是这样解决的:
一种基于神经网络的频率选择表面建模优化方法,包括以下步骤:
步骤1:利用全波仿真软件对频率选择表面进行仿真,得到对应于频率选择表面相应几何参数仿真的S11参数;
步骤2:通过遗传算法拟合R、L、C参数;
将频率选择表面等效为传输线模型,其S11参数是表示频率选择表面输入端口的反射系数,其中代表FSS单元的等效阻抗,ω=2πf,f表示频率,R、L、C分别表示等效传输线模型中的等效电阻、等效电感和等效电容,Z0为自由空间波阻抗;
将R、L、C参数作为遗传算法的优化对象,遗传算法个体编码采用实数编码方法,把等效传输线计算获得的S11参数值与全波仿真得到的S11参数值之差的范数作为个体的适应度,选择操作采用锦标赛法交叉操作采用实数交叉法,变异操作通过随机选择方式选择基因;从而得到步骤1中频率选择表面相应几何参数所对应的R、L、C参数;
步骤3:建立频率选择表面单元的神经网络模型;
多次重复步骤1-2,产生多个样本用于构建BP神经网络;将频率选择表面单元的几何参数作为输入,曲线拟合得到的R、L、C参数作为输出训练神经网络;
步骤4:测试神经网络模型;
随机产生一组几何参数输入神经网络,根据输出的R、L、C参数计算频率选择表面单元的S11参数,与全波仿真软件的仿真结果进行对比,计算得到的S11参数值与仿真得到的S11参数值之差满足精度要求,即为通过测试;
一种基于神经网络的多层频率选择表面吸波结构建模优化方法,在上述步骤后,还包括如下步骤:
步骤5:优化整个吸波结构的S11total参数;
将加载多层频率选择表面单元的吸波结构等效为传输线模型,吸波结构的衬底接地,所以等效电路终端短路;输入端口的反射系数可由传输矩阵法计算:
其中第i层介质的等效传输矩阵为其中1≤i≤n,li表示第i层介质层的厚度,表示第i层介质的特性阻抗,表示第i层介质的特性导纳,εi和μi分别表示第i层介质的相对介电常数和相对磁导率,ε0、μ0分别是自由空间介电常数和磁导率;频率选择表面单元的传输矩阵Zsi根据步骤3神经网络输出的R、L、C参数带入计算得到;
步骤5-1:设定工作频率、S11参数指标和几何尺寸限制,以工作频段内满足S11参数指标的带宽作为适应度函数值;令频率选择表面的最大尺寸等于工作中心频率对应的半波长,频率选择表面的最大尺寸在工作中心频率对应的半波长的相邻半个波长的范围内进行搜索;以几何参数为边界条件采用随机函数产生初始种群;
步骤5-2:判断种群中是否有满足收敛条件:进化代数达到设定阈值或最优个体已连续多代无变化,若满足则终止迭代输出最优个体,不满足则继续进行步骤5-3;
步骤5-3:交叉种群进行选择操作,产生的交叉个体中的参数作为吸波结构的几何参数输入到S11total中进行计算,计算结果返回到主程序中。
本发明的有益效果是:现有技术利用全波仿真软件得到适应度函数,但通常的进化优化算法需要大量的计算适应度函数,相当消耗时间。本发明的建模方法直接通过神经网络模型计算等效传输线R、L、C参数,进而得到S11参数,相对于现有技术,在保证准确度的情况下,极大的提高了优化效率,消耗的时间通常以秒进行计算。将本发明的建模方法以及优化方法相结合,极大的提高了吸波结构的设计开发效率,减少繁琐的人工调试,缩短设计周期。
附图说明
图1为本发明所述频率选择表面单元的等效电路;
图2为本发明所述加载多层频率选择表面吸波结构整体的等效电路;
图3为本发明中应用神经网络建模的六边形频率选择表面单元的等效电路计算的S11参数与全波仿真获得的S11参数对比图;
图4为发明中加载单层六边形频率选择表面吸波材料的优化结果,神经网络模型与全波仿真的结果对比图;
图5为本发明所述方法的整体流程图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
一种基于神经网络的频率选择表面建模优化方法,包括以下步骤:
本实施例对六边形的频率选择表面的等效R、L、C参数进行神经网络建模;
步骤1:六边形的频率选择表面单元的几何参数为边长L和周期P;利用全波仿真软件对频率选择表面进行仿真,得到对应于频率选择表面相应几何参数仿真的S11参数;
步骤2:通过遗传算法拟合R、L、C参数;
将频率选择表面等效为传输线模型,频率选择表面的等效电路如图1所示;其S11参数是表示频率选择表面输入端口(端口1)的反射系数,其中代表FSS单元的等效阻抗,ω=2πf,f表示频率,R、L、C分别表示等效传输线模型中的等效电阻、等效电感和等效电容,Z0为自由空间波阻抗;
将R、L、C参数作为遗传算法的优化对象,遗传算法个体编码采用实数编码方法,把等效传输线计算获得的S11参数值与全波仿真得到的S11参数值之差的2范数作为个体的适应度,选择操作采用锦标赛法交叉操作采用实数交叉法,变异操作通过随机选择方式选择基因;从而得到步骤1中频率选择表面相应几何参数所对应的R、L、C参数;
步骤3:建立频率选择表面单元的神经网络模型;
多次重复步骤1-2,产生多个样本用于构建BP神经网络;将频率选择表面单元的几何参数作为输入,曲线拟合得到的R、L、C参数作为输出训练神经网络;该神经网络有30层隐藏层,传递函数为Sigmoid函数,训练算法为L-M算法,学习率为0.01,最大训练次数2000,网络精度取10-10;如图3,可以看到应用神经网络建模的六边形频率选择表面单元的等效电路计算的S11参数与全波仿真获得的S11参数几乎一致,说明该神经网络准确性很高。
步骤4:测试神经网络模型;
随机产生一组几何参数输入神经网络,根据输出的R、L、C参数计算频率选择表面单元的S11参数,与全波仿真软件的仿真结果进行对比,计算得到的S11参数值与仿真得到的S11参数值之差满足精度要求,即为通过测试;
一种基于神经网络的多层频率选择表面吸波结构建模优化方法,其流程图如图5所示,在上述步骤后,还包括如下步骤:
步骤5:优化整个吸波结构的S11total参数;
将加载多层频率选择表面单元的吸波结构等效为传输线模型,如图2所示,吸波结构一般以金属板为衬底,所以等效电路终端短路;输入端口的反射系数可由传输矩阵法计算:
其中第i层介质的等效传输矩阵为其中1≤i≤n,li表示第i层介质层的厚度,表示第i层介质的特性阻抗,表示第i层介质的特性导纳,εi和μi分别表示第i层介质的相对介电常数和相对磁导率,ε0、μ0分别是自由空间介电常数和磁导率;频率选择表面单元的传输矩阵Zsi根据步骤3神经网络输出的R、L、C参数带入计算得到;
以加载单层六边形频率选择表面的吸波结构为例说明遗传算法优化方法:
步骤5-1:设置工作频段为4GHz-11GHz,厚度限制为10mm,S11参数指标为工作频段内小于-10dB,设定适应度函数fitnessFcn。确定吸波结构优化变量,根据厚度、FSS单元尺寸设置优化变量边界条件并初始化种群,种群大小NP=80,迭代次数NG=500;
适应度函数以优化带宽为目的,所以可以令适应度函数fitnessFcn等于-10dB带宽;
此步骤中的优化变量直接影响整个吸波结构的优化变量包括周期P、各层介质厚度h1和h2、六边形频率选择表面的单元边长L。材料电磁参数不列入优化变量,在此例中选用FR4材料,其相对介电常数εr=4.4,相对磁导率μr=1,损耗角正切tanδ=0.02。首先估计六边形单元谐振长度Lguess,用以确定六边形频率选择表面的单元边长L搜索范围以及周期P搜索范围。Lguess的计算方法如下:
则边长L搜索范围取周期P搜索范围取h1和h2满足限制:h1+h2≤hmax,hmax为最大厚度限制,在此例中取10mm,且所有优化变量均为mm单位,精确到小数点后一位;依据以上的边界条件随机初始化种群。
步骤5-2:选择操作,采用锦标赛法选择策略,锦标赛规模取0.6-0.8倍的种群大小在此例中取0.6;交叉操作,将锦标赛法选择出来的个体进行交叉,得到下一代种群;
判断种群中是否有满足收敛条件:进化代数达到设定阈值或最优个体已连续多代无变化,若满足则终止迭代输出最优个体,不满足则继续进行步骤5-3;
步骤5-3:交叉种群进行选择操作,产生的交叉个体中的参数作为吸波结构的几何参数输入到S11total中进行计算,计算结果返回到主程序中。
图4为本实施例的优化结果的S11参数,h1=4.5mm,h2=4.7mm,L=10.9mm,P=22.4mm,可以看到,完全满足最初设定的性能。由于计算带宽所需的S11参数没有利用全波仿真软件计算,而是利用等效传输线模型进行计算的,大大节省了时间此次优化耗时20秒。
通过实施例的加载单层六边形频率选择表面的吸波结构建模及优化设计可知,本发明提供的神经网络建立等效电路模型的方法准确,利用神经网络模型进行的吸波结构优化避免了大量全波仿真,并且优化结果完全满足性能指标。本发明的方法性能强,实现简单,极大的提高了加载多层频率选择表面的吸波结构设计开发效率,增加材料设计的多样性,有效减少繁琐的人工调整工作,极大缩短了设计周期,并且神经网络建模方法具有一劳永逸的效果。
以上结合附图对本发明的实施进行了详细的描述,但是本发明并不局限与上述的具体实施方式,凡在本发明原则之内,所作的任何修改、等同替换,均包含在本发明的保护范围之内。
Claims (2)
1.一种基于神经网络的多层频率选择表面吸波材料建模优化方法,其特征在于,包括以下步骤:
步骤1:利用全波仿真软件对频率选择表面进行仿真,得到对应于频率选择表面相应几何参数仿真的S11参数;
步骤2:通过遗传算法拟合R、L、C参数;
将频率选择表面等效为传输线模型,其S11参数是表示频率选择表面输入端口的反射系数,其中代表FSS单元的等效阻抗,ω=2πf,f表示频率,R、L、C分别表示等效传输线模型中的等效电阻、等效电感和等效电容,Z0为自由空间波阻抗;
将R、L、C参数作为遗传算法的优化对象,遗传算法个体编码采用实数编码方法,把等效传输线计算获得的S11参数值与全波仿真得到的S11参数值之差的2范数作为个体的适应度,选择操作采用锦标赛法,交叉操作采用实数交叉法,变异操作通过随机选择方式选择基因;从而得到步骤1中频率选择表面相应几何参数所对应的R、L、C参数;
步骤3:建立频率选择表面单元的神经网络模型;
多次重复步骤1-2,产生多个样本用于构建BP神经网络;将频率选择表面单元的几何参数作为输入,曲线拟合得到的R、L、C参数作为输出训练神经网络;
步骤4:测试神经网络模型;
随机产生一组几何参数输入神经网络,根据输出的R、L、C参数计算频率选择表面单元的S11参数,与全波仿真软件的仿真结果进行对比,计算得到的S11参数值与仿真得到的S11参数值之差满足精度要求,即为通过测试;
步骤5:优化整个吸波结构的S11total参数;
将加载多层频率选择表面单元的吸波结构等效为传输线模型,等效电路终端短路;输入端口的反射系数可由传输矩阵法计算:
其中Cpec=∞,第i层介质的等效传输矩阵为其中1≤i≤n,li表示第i层介质层的厚度,表示第i层介质的特性阻抗,表示第i层介质的特性导纳,ei和μi分别表示第i层介质的相对介电常数和相对磁导率,ε0、μ0分别是自由空间介电常数和磁导率;频率选择表面单元的传输矩阵Zsi根据步骤3神经网络输出的R、L、C参数带入计算得到;
步骤5-1:设定工作频率、S11参数指标和几何尺寸限制,以工作频段内满足S11参数指标的带宽作为适应度函数值;令频率选择表面的最大尺寸等于工作中心频率对应的半波长,频率选择表面的最大尺寸在工作中心频率对应的半波长的相邻半个波长的范围内进行搜索;以几何参数为边界条件采用随机函数产生初始种群;
步骤5-2:判断种群中是否有满足收敛条件:进化代数达到设定阈值或最优个体已连续多代无变化,若满足则终止迭代输出最优个体,不满足则继续进行步骤5-3;
步骤5-3:交叉种群进行选择操作,产生的交叉个体中的参数作为吸波结构的几何参数输入到S11total中进行计算,计算结果返回到主程序中。
2.根据权利要求1所述的基于神经网络的多层频率选择表面吸波材料建模优化方法,其特征在于,神经网络有30层隐藏层,传递函数为Sigmoid函数,训练算法为L-M算法,学习率为0.01,最大训练次数2000,网络精度取10-10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711443669.8A CN108170950B (zh) | 2017-12-27 | 2017-12-27 | 基于神经网络的多层频率选择表面吸波材料建模优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711443669.8A CN108170950B (zh) | 2017-12-27 | 2017-12-27 | 基于神经网络的多层频率选择表面吸波材料建模优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170950A CN108170950A (zh) | 2018-06-15 |
CN108170950B true CN108170950B (zh) | 2021-08-06 |
Family
ID=62518292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711443669.8A Active CN108170950B (zh) | 2017-12-27 | 2017-12-27 | 基于神经网络的多层频率选择表面吸波材料建模优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170950B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740238B (zh) * | 2018-12-28 | 2022-05-24 | 哈尔滨工业大学 | 一种基于拓扑优化的宽频超材料吸波体的结构优化方法及其制备方法 |
CN110245413A (zh) * | 2019-06-11 | 2019-09-17 | 西北工业大学 | 一种基于神经网络的超材料吸波结构的设计方法 |
CN111430903B (zh) * | 2020-04-01 | 2021-08-10 | 中国人民解放军空军工程大学 | 一种辐射散射一体化低rcs天线罩及其设计方法 |
CN111724870A (zh) * | 2020-06-18 | 2020-09-29 | 成都佳驰电子科技有限公司 | 一种基于遗传算法的低频多层吸波材料设计方法 |
CN111881609B (zh) * | 2020-07-31 | 2024-02-02 | 北京环境特性研究所 | 一种等离子体材料隐身参数的配置方法和装置 |
CN112255603A (zh) * | 2020-10-23 | 2021-01-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于Jaumann屏的多频段双层FSS设计 |
CN112683965B (zh) * | 2020-12-03 | 2021-11-09 | 华北电力大学 | 一种复合材料介电常数计算方法及系统 |
CN112733397B (zh) * | 2020-12-28 | 2023-03-24 | 桂林电子科技大学 | 针对三种方形螺旋结构电磁超材料单元的设计方法 |
CN112784464B (zh) * | 2021-01-30 | 2023-02-21 | 中国人民解放军空军工程大学 | 基于智能算法的具有任意吸收频谱的吸波体及其设计方法 |
CN112883670B (zh) * | 2021-03-17 | 2022-07-29 | 电子科技大学 | 一种基于人工神经网络的电感自动化设计综合模型及方法 |
CN113677175A (zh) * | 2021-07-27 | 2021-11-19 | 北京无线电测量研究所 | 一种基于仿真优化的网状碳吸波体的制备方法 |
CN116315540B (zh) * | 2022-12-07 | 2024-04-02 | 电子科技大学 | 一种频率带宽可重构滤波器的设计方法 |
CN117854643B (zh) * | 2023-12-13 | 2024-06-14 | 北京信息科技大学 | 一种基于图形神经网络的mems膜仿真方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134001A (zh) * | 2014-07-30 | 2014-11-05 | 大连海事大学 | 基于神经网络的金属背敷非对称共面波导物理尺寸检测方法 |
CN104809270A (zh) * | 2015-03-19 | 2015-07-29 | 南京理工大学 | 融合等效电路和遗传算法的方环阵列电磁吸收体设计方法 |
CN105069235A (zh) * | 2015-08-13 | 2015-11-18 | 西安电子科技大学 | 提取双频带频率选择表面等效电路参数的方法 |
CN105224762A (zh) * | 2015-10-19 | 2016-01-06 | 上海无线电设备研究所 | 一种基于电磁参数优化设计的缩比复合材料配制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005158019A (ja) * | 2003-10-30 | 2005-06-16 | Matsushita Electric Ind Co Ltd | アンテナの設計方法及びこれを用いたアンテナ |
-
2017
- 2017-12-27 CN CN201711443669.8A patent/CN108170950B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134001A (zh) * | 2014-07-30 | 2014-11-05 | 大连海事大学 | 基于神经网络的金属背敷非对称共面波导物理尺寸检测方法 |
CN104809270A (zh) * | 2015-03-19 | 2015-07-29 | 南京理工大学 | 融合等效电路和遗传算法的方环阵列电磁吸收体设计方法 |
CN105069235A (zh) * | 2015-08-13 | 2015-11-18 | 西安电子科技大学 | 提取双频带频率选择表面等效电路参数的方法 |
CN105224762A (zh) * | 2015-10-19 | 2016-01-06 | 上海无线电设备研究所 | 一种基于电磁参数优化设计的缩比复合材料配制方法 |
Non-Patent Citations (3)
Title |
---|
基于周期电阻表面结构的宽带吸波材料优化设计;周思宁;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊)》;20150315(第03期);第14-18,25-34,38-45页 * |
基于进化模糊神经网络的频率选择表面设计方法;杨慧;《现代计算机》;20140331;全文 * |
遗传算法在超材料优化设计中的应用及实现;常红伟;《空军工程大学学报(自然科学版)》;20140630;第15卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108170950A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108170950B (zh) | 基于神经网络的多层频率选择表面吸波材料建模优化方法 | |
Grout et al. | Software solutions for antenna design exploration: A comparison of packages, tools, techniques, and algorithms for various design challenges | |
CN108984985B (zh) | 基于神经网络的天线结构设计方法 | |
CN109271695B (zh) | 基于神经网络的多目标天线设计方法 | |
CN110162847B (zh) | 基于添加特征策略的机器学习辅助天线设计方法 | |
CN110941896B (zh) | 一种基于pgp的超宽带天线的设计方法 | |
CN112784464B (zh) | 基于智能算法的具有任意吸收频谱的吸波体及其设计方法 | |
CN113591299B (zh) | 判定不同类型微通道散热器综合性能优劣的方法和系统 | |
CN111177925A (zh) | 一种基于bas-bp算法的绞线rlcg参数提取方法 | |
CN111276822B (zh) | 一种天线方向图主瓣可控的天线阵列设计方法 | |
CN111460665B (zh) | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 | |
CN114065607B (zh) | 一种基于深度卷积网络的海上非均匀蒸发波导剖面反演方法 | |
CN117954014A (zh) | 一种基于遗传算法的多层复合吸波材料的制备方法和装置 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
CN114996880A (zh) | 一种基于ansys二次开发的复合装甲结构优化方法 | |
CN112883583B (zh) | 一种多层吸波涂层的设计方法 | |
CN109117575A (zh) | 表面等离激元波导系统的结构参数确定方法及设备 | |
Tan | Machine learning-assisted method for efficient and accurate antenna modelling | |
CN113313308A (zh) | 一种基于改进woa-svr的土石坝运行期沉降变形预测方法 | |
Ding et al. | Deep learning assisted heat-resistant metamaterial absorber design | |
CN114492253B (zh) | 一种联合高斯过程的微带电路半空间映射快速优化方法 | |
Travassos et al. | Optimal configurations for perfectly matched layers in FDTD simulations | |
Chang et al. | Prediction of the electromagnetic shielding effectiveness of metal grid using neural network algorithm | |
Feiz et al. | Design, simulation and fabrication of an optimized microstrip antenna with metamaterial superstrate using particle swarm optimization | |
CN115641924A (zh) | 一种基于神经网络快速预测吸波蜂窝材料s参数的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |