CN108763708A - 基于深度学习设计多波束多极化人工电磁表面的方法 - Google Patents

Abstract

本发明公开一种基于深度学习设计多波束多极化人工电磁表面的方法，包括下述步骤：1)采用深度学习设计方法预测1bit单元的极化波反射相位；2)结合二进制粒子群优化算法模块和深度学习模块设计极化波相位差为θ的1bit单元结构；3)根据人工电磁表面的辐射波束设计要求，选择对应极化波相位差的1bit单元进行阵列编码，得到满足设计要求的多波束多极化人工电磁表面。本发明的设计方法基于深度学习实现了对多bit单元的理想反射相位的自动化设计，具有高效性和简便性，且扩展性良好，能够代替软件仿真，缩短获得编码单元信息相应的复杂度和时间，快速简便地设计多波束多极化人工电磁表面。

Description

基于深度学习设计多波束多极化人工电磁表面的方法

技术领域

本发明涉及一种人工电磁表面的设计方法，特别涉及一种基于深度学习设计多波束多极化人工电磁表面的方法，属于深度学习与可编程人工电磁表面领域。

背景技术

新型人工电磁材料(Metamaterials)是指电磁波在其中传播时具有特殊传导或者辐射特性(负折射，零折射)的人工复合材料，也可以说是一种可以人工设计、满足特定等效介电常数和磁导率要求的电磁材料。不同于原始的三维亚波长人工电磁材料，人工电磁超表面(Metasurface)是一种超薄的二维阵列表面，通过把亚波长尺寸的人工电磁材料有规律地排布成平面阵设计而成，进而，对电磁波波束方向、极化方式、传播模式等特性进行有效调控。

近几年，随着基于数字表征的编码超表面的概念的提出，也就是通过数字编码序列来调控电磁波的人工电磁表面，极大地简化了超表面的设计流程和复杂度，提高了调控电磁波的灵活度，增大了调控范围。对于编码单元(16×16随机点阵单元)的相位响应是由单元的编码决定的，对于轴对称单元会有2⁶⁴种编码和相对应的相位信息；现有技术中通常采用全波仿真软件CST Microwave Studio从2⁶⁴种编码中获得所需的编码来设计调控人工电磁表面，这种设计方法会耗费巨大的时间和精力。

深度学习的概念由Hinton等人于2006年提出，并在近几年得到飞速的发展，突破性的应用成果层出不穷。深度学习是机器学习中一种基于对数据进行表征学习的方法，可以自动对高维数据数据进行建模，免去了人工提取特征的麻烦，提高了系统设计和运行的效率。基于此，发明人将深度学习方法应用于人工电磁表面的设计，形成了本发明技术。

发明内容

发明目的：针对现有设计方法存在的人工电磁表面编码单元信息获取复杂以及获取时间长的问题，提供一种基于深度学习设计多波束多极化人工电磁表面的方法。

技术方案：本发明所述的基于深度学习设计多波束多极化人工电磁表面的方法，包括下述步骤：

1)采用深度学习设计方法预测1bit单元的极化波反射相位；

2)结合二进制粒子群优化算法模块和深度学习模块设计极化波相位差为θ的1bit单元结构；

3)根据人工电磁表面的辐射波束设计要求，选择对应极化波相位差的1bit单元进行阵列编码，得到满足设计要求的多波束多极化人工电磁表面。

具体的，上述步骤1)中，选择随机离散晶格做1bit单元粒子的基础图案，该基础图案由空气模块和金属模块组成，分别标记为“0”和“1”，得到1bit单元编码图案，1bit单元编码图案中“0”和“1”与深度学习设计算法中的“0”和“1”对应；在Resnet基础上构建从单元编码到反射波相位的专用神经网络，把不同模块排布的1bit单元编码图案转化成0-1矩阵作为网络输入，反射相位每隔一度离散化到360个状态，将各种1bit单元编码图案对应的反射相位作为网络输出，从而预测到1bit单元中不同模块排布时的单元极化波反射相位。

上述步骤2)中，极化波相位差为θ的1bit单元为：构成1组1bit单元中的两个单元“0”和“1”的TM极化波与TE极化波的反射相位的相位差均是θ，并且两个单元相同极化波的反射相位的相位差值是180°。

其中，结合二进制粒子群优化算法模块和深度学习模块的设计方法为：采用二进制粒子群优化算法模块产生初始粒子群，更新粒子的速度和位置，并在每次迭代中计算适应度；采用深度学习快速计算及输出单元的反射相位。

具体设计步骤为：

(1)以作为适应度函数，优化单元粒子的编码图案得到fitness₁的最小值，即i＝1，获得1bit单元中的“0”单元，其中，和分别表示单元的TM和TE极化波的反射相位；

(2)输出“0”单元的反射相位，并进入第二轮优化；

(3)基于第一轮优化得到的“0”单元的反射相位，在第二次优化设计中，以和作为适应度函数，优化单元粒子的图案得到fitness₁和fitness₂的最小值，即获得1bit单元中的“1”单元；其中， 分别表示单元“0”和单元“1”的TE极化波的反射相位。

上述步骤3)中，将预设计的人工电磁表面的辐射波束数量计为N，N为整数，当N为2时，可根据其辐射波束种类，确定组成人工电磁表面的基本单元ij^th的x与y极化分量所需相位补偿的相位差值，选择对应极化波相位差的两种1bit单元进行阵列编码；当N≥3时，选取2^N种1bit单元进行阵列编码。

具体的，当N为2且辐射波束为左旋圆极化波束和右旋圆极化波束时，ij^th单元的x与y极化分量所需相位补偿的相位差值通过下述方法确定：

假设ij^th单元的一个波束的x极化分量所需的相位补偿是α，另一个波束的x极化分量所需的相位补偿是β，于ij^th单元两个波束的x极化分量的补偿相位为：

对于ij^th单元的两个波束的y极化分量所需的相位补偿分别为和于ij^th单元y极化分量的补偿相位为：

两者的相位差为：

即PD_x-y＝0°或者180°，也就是说，ij^th单元的x与y极化分量所需的相位补偿的相位差值是0度或180度，选取θ＝0°和180°的1bit单元进行阵列编码。

同理，当N为2且辐射波束为左旋圆极化波束和线极化波束时，ij^th单元两个波束的x极化分量的补偿相位仍为式(1)，y极化分量所需的相位补偿分别和于ij^th单元y极化分量的补偿相位为：

两者的相位差为：

即PD_x-y＝-45°或者135°，也就是说，ij^th单元的x与y极化分量所需的相位补偿的相位差值是-45度或135度，选取θ＝-45°和135°的1bit单元进行阵列编码。

相应的，当N为2且辐射波束为右旋圆极化波束和线极化波束时，ij^th单元的x与y极化分量所需的相位补偿的相位差值也可根据上述方法确定。

上述步骤3)中，阵列编码为根据下述公式计算组成人工电磁表面的各基本单元ij^th单元位置处分别所需的补偿相位

式中，k为真空中的传播常数，R_ij为馈源到ij^th单元的空间距离，为理想波束辐射方向的单位向量，为ij^th单元的位置向量。

有益效果：与现有技术相比，本发明的优点在于：本发明的设计方法基于深度学习实现了对多bit单元的理想反射相位的自动化设计，具有高效性和简便性，且扩展性良好，能够代替软件仿真，缩短获得编码单元信息相应的复杂度和时间，快速简便地设计多波束多极化人工电磁表面，同时，也提供了一种对人工电磁材料智能算法的有意义的尝试。

附图说明

图1为本发明中可编码人工电磁表面单元的轴对称结构示意图。

图2为单元编码输入深度学习神经网络后特征维度的变化和特征提取的流程图；

图3为本发明中结合二进制粒子群优化算法模块和深度学习模块设计1bit单元的方法流程图；

图4为本发明设计的极化波反射相位差为0°和180°的两组1bit单元的结构示意图；

图5为本发明设计的极化波反射相位差为-45°和135°的两组1bit单元的结构示意图；

图6为本发明设计的极化波反射相位差为-90°和90°的两组1bit单元的结构示意图；

图7为本发明设计的极化波反射相位差为-135°和45°的两组1bit单元的结构示意图；

图8为本发明设计的双波束双极化(左旋圆极化和右旋圆极化)人工电磁表面的结构示意图；

图9为本发明设计的双波束双极化(左旋圆极化和线极化)人工电磁表面的结构示意图；

图10为本发明设计的三波束多极化(左旋圆极化，右旋圆极化以及线极化)人工电磁表面的结构示意图；

图11为本发明设计的双波束双极化(左旋圆极化和右旋圆极化)人工电磁表面二维仿真和测试的极化分量的归一化辐射图，其中，图11(a)对应左旋圆极化分量，图11(b)对应右旋圆极化分量；

图12为本发明设计的双波束双极化(左旋圆极化和线极化)人工电磁表面二维仿真和测试的极化分量的归一化辐射图，其中，图12(a)对应左旋圆极化分量，图12(b)对应右旋圆极化分量；

图13为本发明设计的三波束多极化(左旋圆极化，右旋圆极化以及线极化)人工电磁表面二维仿真和测试的极化分量的归一化辐射图，其中，图13(a)对应左旋圆极化分量，图13(b)对应右旋圆极化分量。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

以设计两种双波束双极化人工电磁表面和一个三波束多极化人工电磁表面为例，对本发明的基于深度学习设计多波束多极化人工电磁表面的方法进行说明。

首先，我们选择随机离散晶格做单元粒子的基础图案，如图1。该晶格图案包括16×16个小方块，其中，灰色小方块是金属块，白色小方块是空气块，也就是不覆盖任何材料。灰色小方块标记为“1”，白色小方块标记为“0”，并与深度学习设计算法中的“1”和“0”相对应，标记为1bit单元编码。不同的“0”和“1”的二维排布，也就是不同的单元编码，决定了单元粒子的反射相位。在我们的设计中，单元编码采用的是轴对称式编码，由此会有2⁶⁴种编码图案，也对应了多样的反射相位。

1)采用深度学习设计方法预测1bit单元的极化波反射相位；

在深度学习模块，我们基于Resnet设计了专用的101层网络，把单元编码图案转化成0-1矩阵作为网络输入；反射相位每隔一度离散化到360个状态，将单元编码对应的输出状态作为网络输出。通过大量的数据训练，我们使得网络学习到了从编码到相位的关系，并达到了精度要求。图2显示了单元编码输入神经网络后特征维度的变化和特征的提取过程，最终提取出2048个特征点，并通过一个全连接网络将特征转化为对输出相位的预测。表1显示了所构建的神经网络每个结构块中所涉及的具体卷积操作，通过小卷积核的不断堆叠，增大了特征提取的接受域并使得所提取的特征越来越高级。

表1所构建的神经网络每个结构块中所涉及的具体卷积操作

2)结合二进制粒子群优化算法模块和深度学习模块设计极化波相位差为θ的1bit单元结构；

构成1组1bit单元中的两个单元“0”与“1”的x极化波(transverse-magnetic，TM，极化波)的反射相位与y极化波(transverse-electric，TE，极化波)的反射相位的相位差是θ，并且两个单元相同极化的放射相位的相位差值是180°。1组1bit单元中“0”与“1”单元与二进制粒子群算法中的二进制粒子编码“0”和“1”对应。

图3为基于二进制粒子群优化算法模块和深度学习模块的设计流程，以此获得在正交方向上有固定反射相位差的1bit各向异性编码单元。这个设计程序包含两个模块，离散粒子群优化算法(BPSO)模块和深度学习模块，二进制粒子群优化算法模块用于产生初始粒子群，更新粒子的速度和位置，以及在每次迭代中计算适应度；深度学习用于快速计算及输出单元的反射相位。具体设计步骤如下：

(1)以作为适应度函数，优化单元粒子的图案得到fitness₁的最小值，即i＝1，获得1bit单元中的“0”，也就是它的TM和TE极化波的反射相位差最接近θ；和分别表示单元的TM和TE极化波的反射相位。

(2)输出“0”单元的反射相位，并进出第二轮优化；

(3)基于第一轮优化得到的“0”单元的反射相位，在第二次优化设计中，以和作为适应度函数，优化单元粒子的图案得到fitness₁和fitness₂的最小值，即获得1bit单元中的“1”，也就是它的TM和TE极化波的反射相位差接近θ，并且1bit的两个单元“0”和“1”的相位差接近180°；

通过此设计方法，可以得到极化波相位差是θ的1bit单元，也就是θ＝-135°，-90°，-45°，0°，-45°，90°，135°和180°的8组1bit单元，如图4～7。

3)根据人工电磁表面的辐射波束设计要求，选择对应极化波相位差的1bit单元进行阵列编码，得到满足设计要求的双波束双极化人工电磁表面和三波束多极化人工电磁表面。

其中，双波束双极化人工电磁表面可由1bit组的1bit单元阵列编码得到，三波束多极化人工电磁表面须由3bit组的1bit单元阵列编码得到。1bit编码的组成定义为两个反射相位相差180°的单元，例如θ＝0°和180°的两组单元，或者θ＝45°和-135°的两组单元等；2bit编码的组成定义为四个反射相位相差90°的单元，例如θ＝-90°，0°，90°和180°的四组单元；3bit编码的组成定义为八个反射相位相差45°的单元，例如θ＝-135°，-90°，-45°，0°，-45°，90°，135°和180°的八组单元，以此类推，Nbit编码的组成定义为2^N个反射相位相差360°/2^N的单元。

接下来，利用所得1bit组1bit单元进行20×20阵列编码分别制作了一个双波束双极化(左旋圆极化和右旋圆极化)人工电磁表面和一个双波束双极化(左旋圆极化和线极化)人工电磁表面。

对于双波束双极化(左旋圆极化和右旋圆极化)来说，假设ij^th单元的第一个波束的x极化分量(TM波的反射相位)所需的相位补偿是α，另一个波束的x极化分量所需的相位补偿是β；所以，于ij^th单元x极化分量的补偿相位：

基于两个波束分别是左旋圆极化和右旋圆极化波束，所以对于ij^th单元y极化分量(TE波的反射相位)所需的相位补偿分别是和因此，于ij^th单元y极化分量的补偿相位：

最后，两者的相位差为：

可以简化为，PD_x-y＝0°或者180°。也就是说，ij^th单元的x与y极化分量所需的相位补偿的相位差值是0度或180度。所以，需要相位补偿的相位差值是0度的1bit单元和相位补偿的相位差值是180度的1bit单元，即选取0度和180度的1bit单元进行20×20阵列编码，设计得到的双波束双极化人工电磁表面如图8，对其进行极化分量测试，如图11，可以看到，该人工电磁表面能够辐射左旋圆极化和右旋圆极化两种波束。

同理，对于双波束双极化(左旋圆极化和线极化)来说，ij^th单元y极化分量(TM波的反射相位)所需的相位补偿分别是和因此，于ij^th单元y极化分量的补偿相位：

因此，两者的相位差为：

可以简化为，PD_x-y＝-45°或者135°。也就是说，ij^th单元的x与y极化分量所需的相位补偿的相位差值是-45度或135度。所以，需要相位补偿的相位差值是-45度的1bit单元和相位补偿的相位差值是135度的1bit单元，即选取-45度和135度的1bit单元进行20×20阵列编码，设计得到的双波束双极化人工电磁表面如图9，对其进行极化分量测试，如图12，可以看到，该人工电磁表面能够辐射左旋圆极化和线极化两种波束。

最后，使用全部所得3bit组的1bit单元组合实现一个三波束多极化(左旋圆极化，右旋圆极化以及线极化)人工电磁表面，也就是对θ＝-135°，-90°，-45°，0°，-45°，90°，135°和180°的8组1bit单元进行20×20阵列编码，设计得到的三波束多级化人工电磁表面如图10，极化分量测试结果如图13，可以看到，该人工电磁表面能够辐射左旋圆极化，右旋圆极化以及线极化三种波束。

而且，从图11～13的测试结果还可以看出，设计得到的两种双波束双极化人工电磁表面及三波束多极化人工电磁表面的二维仿真测试结果和实验测试结果高度重合，证明了本发明的设计方法的正确性。

Claims (9)

1.一种基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，包括下述步骤：

1)采用深度学习设计方法预测1bit单元的极化波反射相位；

2)结合二进制粒子群优化算法模块和深度学习模块设计极化波相位差为θ的1bit单元结构；

3)根据人工电磁表面的辐射波束设计要求，选择对应极化波相位差的1bit单元进行阵列编码，得到满足设计要求的多波束多极化人工电磁表面。

2.根据权利要求1所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，步骤1)中，选择随机离散晶格做1bit单元粒子的基础图案，该基础图案由空气模块和金属模块组成，分别标记为“0”和“1”，得到1bit单元编码图案，1bit单元编码图案中“0”和“1”与深度学习设计算法中的“0”和“1”对应；在Resnet基础上构建从单元编码到反射波相位的专用神经网络，把不同模块排布的1bit单元编码图案转化成0-1矩阵作为网络输入，反射相位每隔一度离散化到360个状态，将各种1bit单元编码图案对应的反射相位作为网络输出，从而预测到1bit单元中不同模块排布时的单元极化波反射相位。

3.根据权利要求2所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，步骤2)中，所述极化波相位差为θ的1bit单元为：构成1组1bit单元中的两个单元“0”和“1”的TM极化波与TE极化波的反射相位的相位差均是θ，并且两个单元相同极化波的反射相位的相位差值是180°。

4.根据权利要求3所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，步骤2)中，所述结合二进制粒子群优化算法模块和深度学习模块的设计方法为：采用二进制粒子群优化算法模块产生初始粒子群，更新粒子的速度和位置，并在每次迭代中计算适应度；采用深度学习快速计算及输出单元的反射相位。

5.根据权利要求4所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，步骤2)中，所述结合二进制粒子群优化算法模块和深度学习模块的设计步骤为：

(1)以i＝1,2作为适应度函数，优化单元粒子的编码图案得到fitness₁的最小值，即i＝1，获得1bit单元中的“0”单元，其中，和分别表示单元的TM和TE极化波的反射相位；

(2)输出“0”单元的反射相位，并进入第二轮优化；

(3)基于第一轮优化得到的“0”单元的反射相位，在第二次优化设计中，以i＝1,2和作为适应度函数，优化单元粒子的图案得到fitness₁和fitness₂的最小值，即获得1bit单元中的“1”单元；其中， 分别表示单元“0”和单元“1”的TE极化波的反射相位。

6.根据权利要求1所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，步骤3)中，将预设计的人工电磁表面的辐射波束数量计为N，N为整数，当N为2时，根据其辐射波束种类，确定组成人工电磁表面的基本单元ij^th的x与y极化分量所需相位补偿的相位差值，选择对应极化波相位差的两种1bit单元进行阵列编码；当N≥3时，选取2^N种1bit单元进行阵列编码。

7.根据权利要求6所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，当N为2且辐射波束为左旋圆极化波束和右旋圆极化波束时，所述ij^th单元的x与y极化分量所需相位补偿的相位差值通过下述方法确定：

假设ij^th单元的一个波束的x极化分量所需的相位补偿是α，另一个波束的x极化分量所需的相位补偿是β，于ij^th单元两个波束的x极化分量的补偿相位为：

对于ij^th单元的两个波束的y极化分量所需的相位补偿分别为和于ij^th单元y极化分量的补偿相位为：

两者的相位差为：

即PD_x-y＝0°或者180°，也就是说，ij^th单元的x与y极化分量所需的相位补偿的相位差值是0度或180度，选取θ＝0°和180°的1bit单元进行阵列编码。

8.根据权利要求6所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，当N为2且辐射波束为左旋圆极化波束和线极化波束时，所述ij^th单元的x与y极化分量所需相位补偿的相位差值通过下述方法确定：

假设ij^th单元的一个波束的x极化分量所需的相位补偿是α，另一个波束的x极化分量所需的相位补偿是β，于ij^th单元两个波束的x极化分量的补偿相位为：

对于ij^th单元的两个波束的y极化分量所需的相位补偿分别和于ij^th单元y极化分量的补偿相位为：

两者的相位差为：

即PD_x-y＝-45°或者135°，也就是说，ij^th单元的x与y极化分量所需的相位补偿的相位差值是-45度或135度，选取θ＝-45°和135°的1bit单元进行阵列编码。

9.根据权利要求6所述的基于深度学习设计多波束多极化人工电磁表面的方法，其特征在于，步骤3)中，所述阵列编码为根据下述公式计算组成人工电磁表面的各基本单元ij^th单元位置处分别所需的补偿相位

式中，k为真空中的传播常数，R_ij为馈源到ij^th单元的空间距离，为理想波束辐射方向的单位向量，为ij^th单元的位置向量。