CN114694774A - 一种基于神经网络快速预测多层吸波材料s参数的方法 - Google Patents
一种基于神经网络快速预测多层吸波材料s参数的方法 Download PDFInfo
- Publication number
- CN114694774A CN114694774A CN202210166246.0A CN202210166246A CN114694774A CN 114694774 A CN114694774 A CN 114694774A CN 202210166246 A CN202210166246 A CN 202210166246A CN 114694774 A CN114694774 A CN 114694774A
- Authority
- CN
- China
- Prior art keywords
- wave
- neural network
- absorbing material
- layer
- convolutional neural
- 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.)
- Pending
Links
- 239000011358 absorbing material Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 230000035699 permeability Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 229910017061 Fe Co Inorganic materials 0.000 description 3
- 229910002796 Si–Al Inorganic materials 0.000 description 3
- 239000002390 adhesive tape Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Hard Magnetic Materials (AREA)
Abstract
本发明公开一种基于神经网络快速预测多层吸波材料S参数的方法,属于电磁波吸收材料技术领域,通过建立各多层吸波材料的结构模型获得由结构数据及对应的S11曲线组成的训练数据集,基于该训练数据集对卷积神经网络模型进行训练,学习各多层吸波材料的特征,通过向训练完成的卷积神经网络模型输入待测多层吸波材料中各层吸波材料的电磁参数和厚度,实现S参数的快速预测;相比于传统复杂的仿真计算,大幅提升预测效率,节约成本。
Description
技术领域
本发明属于电磁波吸收材料技术领域,具体涉及一种基于神经网络快速预测多层吸波材料S参数的方法。
背景技术
随着科技的发展,各种高精密仪器、交通工具以及智能设备成为人们生活不可或缺的一部分。在一些特定场所对精密仪器以及机器人等探测设备的探测精度要求越来越高,但是这些仪器设备在工作时会辐射大量的电磁波,不仅影响自身的探测能力与寿命,还会影响其他设备的性能,带来严重的电磁污染。已有研究表明,微波(300MHz~300GHz)是电磁波频段中对人体健康影响最大的频段,计算机和手机作为人们日常信息传输工具,其结构和运行方式决定其会向空气中辐射携带大量信息的电磁波,若被外界力量截获将会带来严重的信息泄露,因此,高性能电磁屏蔽材料的研究一直是热点方向。
多层吸波材料将具有单一电损或磁损功能点的吸波材料复合在一起,以提高吸波性能,是目前吸波材料领域研究的热点之一。在多层吸波材料的设计过程中,由于材料结构是决定其吸波性能的主要因素,因此材料结构优化是极其关键的环节。合理的结构优化可以增强多层吸波材料对雷达波的吸收,提升材料的隐身能力。因此,为了获取吸波性能优良的材料,研究多层吸波材料的结构优化问题显得尤为重要。但是优化离不开大量的仿真计算,传统的仿真计算对计算机的硬件要求高而且计算速度慢,所以设计一种快速获得多层吸波材料S参数的方法变得尤为迫切。
人工智能因其具有自学习、自组织、模拟高度复杂非线性映射的能力,目前正在快速崛起,本发明基于此建立了由多层吸波材料的材料结构参数到S参数的映射,进而实现多层吸波材料S参数的快速预测。
发明内容
针对上述现有技术所存在的问题,本发明提供一种基于神经网络快速预测多层吸波材料S参数的方法,利用卷积神经网络深度学习多层吸波材料的特征,实现对多层吸波材料S参数的快速预测。
本发明所采用的技术方案如下:
一种基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,包括以下步骤:
步骤1:建立由M个不同结构的多层吸波材料组成的数据库;对数据库中各多层吸波材料,基于其各层材料的电磁参数和厚度,建立对应多层吸波材料的结构模型;
步骤2:对各多层吸波材料的结构模型进行关于各层吸波材料厚度的扫参仿真,获得对应的N组结构数据,各组结构数据均对应一条S11曲线;以一组结构数据及对应的S11曲线为一组训练数据,将数据库中所有多层吸波材料对应的M*N组训练数据作为训练数据集;
步骤3:构建卷积神经网络模型;
步骤4:随机选择训练数据集中的L组训练数据为训练集,以训练集中的结构数据为输入特征,对应S11曲线为训练目标,对卷积神经网络模型进行训练,获得初步训练后的卷积神经网络模型;
步骤5:将训练数据集中的剩余的M*N-L组训练数据作为测试集,以测试集中的结构数据为输入特征,对初步训练后的卷积神经网络模型进行测试,获得各组训练数据的预测结果;
步骤6:将各组训练数据的预测结果与对应S11曲线进行比较,判断各组训练数据是否为合格样本;若测试集中训练数据的合格率超过预设合格率,则将初步训练后的卷积神经网络模型作为训练完成的卷积神经网络模型;否则,调整初步训练后的卷积神经网络模型的网络结构和网络参数,重复步骤4~6,直至获得训练完成的卷积神经网络模型;
步骤7:将待测多层吸波材料中各层吸波材料的电磁参数和厚度输入至训练完成的卷积神经网络模型,得到待测多层吸波材料的S11曲线,即S参数。
进一步地,M、N和L均为正整数,且M≥2。
进一步地,步骤1中所述电磁参数包括磁导率实部、磁导率虚部、介电常数实部和介电常数虚部。
进一步地,步骤2中所述结构数据为当前扫参仿真时获取的对应多层吸波材料的电磁参数和当前厚度信息。
进一步地,步骤4训练卷积神经网络模型的过程中,卷积神经网络模型的损失函数的预期数值为0.01。
进一步地,步骤2中,在S11曲线上对所需仿真频段等步长地取若干个频点,将所取频点代替训练数据中的S11曲线,作为训练目标。
进一步地,步骤6中判断各组训练数据是否为合格样本的过程如下:
在预测结果上对所需仿真频段等步长地取若干个与S11曲线上频点一一对应的频点,计算预测结果与S11曲线上对应频点数值的相对误差值,若相对误差值小于预设误差,则代表该频点为合格点;若合格点数量大于等于预设合格点数量,则称对应训练数据为初步合格样本;将初步合格样本的预测结果与对应S11曲线进行绘图,如果二者的趋势相同并且拟合程度高,则称初步合格样本为合格样本。
进一步地,步骤6中所述预设合格率为90%。
本发明的有益效果为:
本发明提出一种基于神经网络快速预测多层吸波材料S参数的方法,通过建立各多层吸波材料的结构模型获得由结构数据及对应的S11曲线组成的训练数据集,基于该训练数据集对卷积神经网络模型进行训练,学习各多层吸波材料的特征,通过向训练完成的卷积神经网络模型输入待测多层吸波材料中各层吸波材料的电磁参数和厚度,实现S参数的快速预测;相比于传统复杂的仿真计算,大幅提升预测效率,节约成本。
附图说明
图1为本发明实施例1提供的基于神经网络快速预测多层吸波材料S参数的方法的流程图;
图2为本发明实施例1采用的多层吸波材料的结构示意图;
图3为本发明实施例1采用的卷积神经网络模型的示意图;
图4为本发明实施例1采用的卷积神经网络模型的损失函数数值随训练次数的变化图;
图5为本发明实施例1获得的预测曲线与CST仿真曲线对比图;其中,(a)为第一待测多层吸波材料,(b)为第二待测多层吸波材料,(c)为第三待测多层吸波材料。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图与实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供了一种基于神经网络快速预测多层吸波材料S参数的方法,包括以下步骤:
步骤1:建立由4个不同结构的多层吸波材料组成的数据库,所述多层吸波材料的结构如图2所示,均包括由下至上依次的金属基板、第一介质层、第二介质层和第三介质层,其中第一介质层、第二介质层和第三介质层为吸波材料;对数据库中各多层吸波材料,基于其各层材料的磁导率实部、磁导率虚部、介电常数实部、介电常数虚部和厚度,在全波仿真软件CST Microwave Studio(CST微波工作室)中建立对应多层吸波材料的结构模型;其中,金属基板和第一介质层、第二介质层、第三介质层的厚度分别为t、h1、h2和h3。
步骤2:对各多层吸波材料的结构模型进行关于各层吸波材料厚度的扫参仿真,仿真频率是1~18GHz;在本实施例中h1=h2=h3=1mm,扫参步长为0.1mm,扫参范围为0.1~1mm,第一介质层、第二介质层和第三介质层均可扫参10个厚度数据,故1个多层吸波材料总计可获得10*10*10=1000组结构数据,4个多层吸波材料共计4000组结构数据,一组结构数据包括第一介质层、第二介质层和第三介质层分别对应的磁导率实部、磁导率虚部、介电常数实部、介电常数虚部和当前厚度数据,共计15个结构参数;各组结构数据均对应一条S11曲线,并在1~18GHz的频段(即多层吸波材料所需的仿真频段)内以0.2GHz为步长在S11曲线上均匀取86个频点,获得各频点对应的数值;以一组结构数据及对应S11曲线的86个频点数值为一组训练数据,将数据库中所有多层吸波材料对应的4000组训练数据作为训练数据集。
步骤3:利用Python语言和Pytorch开源框架构建卷积神经网络模型,如图3所示,包括依次连接的输入层、隐藏层和输出层,所述隐藏层包括依次连接的3个结构单元和4个全连接层,所述结构单元均由依次的归一化层、卷积层、激活函数层和池化层构成;其中,神经网络的优化器种类为Adam,训练次数为50000次,初始学习率为0.002。
步骤4:随机选择训练数据集中的3900组训练数据为训练集,以训练集中的结构数据为输入特征,对应S11曲线为训练目标,对卷积神经网络模型进行训练,获得初步训练后的卷积神经网络模型;训练过程中卷积神经网络模型的损失函数的预期数值为0.01,若损失函数的数值低至预期数值,则保存网络参数;否则,采用梯度下降算法反向优化卷积神经网络模型的网络参数;其中,卷积神经网络模型有15个输入通道和1个输出通道,即各结构参数对应一个输入通道,一个输入通道中神经元的个数为86个,输出通道中神经元的个数为86个,中间隐藏层神经元最高可达1440个。
根据如图4所示的卷积神经网络模型的损失函数的数值随训练次数的变化图,可知在经过30000次的训练后,损失函数的数值(MSE)可以收敛到0.01(Goal),初步训练完成。
上述步骤1~4的流程如图1所示,
步骤5:将训练数据集中的剩余的100组训练数据作为测试集,以测试集中的结构数据为输入特征,对初步训练后的卷积神经网络模型进行测试,获得测试集中各组训练数据的预测结果;
步骤6:将测试集中各组训练数据的预测结果与对应S11曲线进行比较,判断各组训练数据是否为合格样本,判断过程如下:
在1~18GHz的频段内以0.2GHz为步长在预测结果上均匀取86个频点,与对应S11曲线的86个频点一一对应,计算预测结果与S11曲线上对应频点数值的相对误差值,若相对误差值小于10%,则代表该频点为合格点;若合格点数量≥74个,则称对应训练数据为初步合格样本;将初步合格样本的预测结果与对应S11曲线在origin软件中进行绘图,如果二者的趋势相同并且拟合程度高,则称初步合格样本为合格样本。
若测试集中训练数据的合格率超过90%,则将初步训练后的卷积神经网络模型作为训练完成的卷积神经网络模型;否则,调整初步训练后的卷积神经网络模型的网络结构和网络参数,重复步骤4~6,直至获得训练完成的卷积神经网络模型。
步骤7:将待测多层吸波材料中各层材料的电磁参数和厚度输入至训练完成的卷积神经网络模型,得到待测多层吸波材料的S11曲线,即S参数。
实施例2
为验证预测效果,本实施例对3个不同结构的待测多层吸波材料的S参数进行预测,结构分别为:
第一待测多层吸波材料的第一介质层、第二介质层和第三介质层分别为铁硅铝、铁钴和磁性胶带,厚度分别为0.6mm、0.4mm和0.5mm;
第二待测多层吸波材料的第一介质层、第二介质层和第三介质层分别为铁硅铝、铁钴和磁性胶带,厚度分别为0.45mm、0.65mm和0.75mm;
第三待测多层吸波材料的第一介质层、第二介质层和第三介质层分别为铁硅铝、铁钴和磁性胶带,厚度分别为0.48mm、0.78mm和0.68mm。
关于各层吸波材料厚度的扫参步长为0.01mm,将上述三个待测多层吸波材料中各层材料的电磁参数和厚度输入至实施例1所得训练完成的卷积神经网络模型,得到各待测多层吸波材料的S11曲线。
图5为预测所得S11曲线与CST仿真曲线的对比图,其中,(a)为第一待测多层吸波材料,(b)为第二待测多层吸波材料,(c)为第三待测多层吸波材料。可知本发明所述基于神经网络快速预测多层吸波材料S参数的方法获得的预测结果的准确度较高,同时大幅提升预测效率。
Claims (6)
1.一种基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,包括以下步骤:
步骤1:建立由M个不同结构的多层吸波材料组成的数据库;对数据库中各多层吸波材料,基于其各层材料的电磁参数和厚度,建立对应多层吸波材料的结构模型;
步骤2:对各多层吸波材料的结构模型进行关于各层吸波材料厚度的扫参仿真,获得对应的N组结构数据,各组结构数据均对应一条S11曲线;以一组结构数据及对应的S11曲线为一组训练数据,将数据库中所有多层吸波材料对应的M*N组训练数据作为训练数据集;
步骤3:构建卷积神经网络模型;
步骤4:随机选择训练数据集中的L组训练数据为训练集,以训练集中的结构数据为输入特征,对应S11曲线为训练目标,对卷积神经网络模型进行训练,获得初步训练后的卷积神经网络模型;
步骤5:将训练数据集中的剩余的M*N-L组训练数据作为测试集,以测试集中的结构数据为输入特征,对初步训练后的卷积神经网络模型进行测试,获得各组训练数据的预测结果;
步骤6:将各组训练数据的预测结果与对应S11曲线进行比较,判断各组训练数据是否为合格样本;若测试集中训练数据的合格率超过预设合格率,则将初步训练后的卷积神经网络模型作为训练完成的卷积神经网络模型;否则,调整初步训练后的卷积神经网络模型的网络结构和网络参数,重复步骤4~6,直至获得训练完成的卷积神经网络模型;
步骤7:将待测多层吸波材料中各层吸波材料的电磁参数和厚度输入至训练完成的卷积神经网络模型,得到待测多层吸波材料的S参数。
2.根据权利要求1所述基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,M、N和L均为正整数,且M≥2。
3.根据权利要求1所述基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,步骤1中所述电磁参数包括磁导率实部、磁导率虚部、介电常数实部和介电常数虚部。
4.根据权利要求1所述基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,步骤2中所述结构数据为当前扫参仿真时获取的对应多层吸波材料的电磁参数和当前厚度信息。
5.根据权利要求1所述基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,步骤4训练卷积神经网络模型的过程中,卷积神经网络模型的损失函数的预期数值为0.01。
6.根据权利要求1所述基于神经网络快速预测多层吸波材料S参数的方法,其特征在于,步骤2中,在S11曲线上对所需仿真频段等步长地取若干个频点,将所取频点代替训练数据中的S11曲线,作为训练目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210166246.0A CN114694774A (zh) | 2022-02-23 | 2022-02-23 | 一种基于神经网络快速预测多层吸波材料s参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210166246.0A CN114694774A (zh) | 2022-02-23 | 2022-02-23 | 一种基于神经网络快速预测多层吸波材料s参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114694774A true CN114694774A (zh) | 2022-07-01 |
Family
ID=82137748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210166246.0A Pending CN114694774A (zh) | 2022-02-23 | 2022-02-23 | 一种基于神经网络快速预测多层吸波材料s参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694774A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117219209A (zh) * | 2023-09-28 | 2023-12-12 | 华中科技大学 | 一种宽频吸波层合板的参数设计方法及应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190834A (zh) * | 2018-09-12 | 2019-01-11 | 百色学院 | 基于神经网络的股票价格趋势预测方法及系统 |
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 |
CN110289499A (zh) * | 2019-02-15 | 2019-09-27 | 南京邮电大学 | 一种基于多层固态等离子体结构的单向吸收吸波器 |
WO2020140386A1 (zh) * | 2019-01-02 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 |
CN112526476A (zh) * | 2020-12-21 | 2021-03-19 | 上海无线电设备研究所 | 基于谐振散射回波信号的雷达目标识别方法 |
CN112784464A (zh) * | 2021-01-30 | 2021-05-11 | 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 |
CN113670642A (zh) * | 2021-08-25 | 2021-11-19 | 广东鑫钻节能科技股份有限公司 | 基于空压站保护装置的云端自动检测系统及方法 |
-
2022
- 2022-02-23 CN CN202210166246.0A patent/CN114694774A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190834A (zh) * | 2018-09-12 | 2019-01-11 | 百色学院 | 基于神经网络的股票价格趋势预测方法及系统 |
WO2020140386A1 (zh) * | 2019-01-02 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 |
CN110289499A (zh) * | 2019-02-15 | 2019-09-27 | 南京邮电大学 | 一种基于多层固态等离子体结构的单向吸收吸波器 |
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 |
CN112526476A (zh) * | 2020-12-21 | 2021-03-19 | 上海无线电设备研究所 | 基于谐振散射回波信号的雷达目标识别方法 |
CN112784464A (zh) * | 2021-01-30 | 2021-05-11 | 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 |
CN113670642A (zh) * | 2021-08-25 | 2021-11-19 | 广东鑫钻节能科技股份有限公司 | 基于空压站保护装置的云端自动检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
袁冬芳等: ""基于人工神经网络的椭圆型微分方程数值求解"", vol. 42, no. 1, pages 1 * |
陈祥宝: "《先进复合材料技术导论》", vol. 1, 航空工业出版社, pages: 223 - 225 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117219209A (zh) * | 2023-09-28 | 2023-12-12 | 华中科技大学 | 一种宽频吸波层合板的参数设计方法及应用 |
CN117219209B (zh) * | 2023-09-28 | 2024-05-28 | 华中科技大学 | 一种宽频吸波层合板的参数设计方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109217955B (zh) | 基于机器学习的无线环境电磁参数拟合方法 | |
Saito et al. | Two-step path loss prediction by artificial neural network for wireless service area planning | |
CN114694774A (zh) | 一种基于神经网络快速预测多层吸波材料s参数的方法 | |
EP3902313A1 (en) | Field strength testing method | |
Wu et al. | Received power prediction for suburban environment based on neural network | |
Li et al. | A GAN-LSTM based AI framework for 6G wireless channel prediction | |
Ranjan et al. | Design and development of machine learning assisted cylindrical dielectric resonator antenna | |
CN106503359B (zh) | 一种基于nsga-ⅱ的微波窗快速优化设计方法 | |
Guney et al. | Concurrent neuro-fuzzy systems for resonant frequency computation of rectangular, circular, and triangular microstrip antennas | |
He et al. | Hybrid method of artificial neural network and simulated annealing algorithm for optimizing wideband patch antennas | |
Ma et al. | Multi-parameter modeling technique based on tf-ann for fss design | |
CN113055111B (zh) | 一种基于贝叶斯优化的信道建模方法及系统 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
Zhu et al. | RBF Neural Network‐Based Frequency Band Prediction for Future Frequency Hopping Communications | |
Varma et al. | Modeling of a compact triple band PIFA using knowledge based neural network | |
Li et al. | Compressed beam selection for single/multi-cell beam management | |
Gu et al. | Fast Prediction for Electromagnetic shielding effectiveness of ground-via distribution of SiP by convolutional neural network | |
Yang et al. | Deep-learning-based bouncing-order prediction for propagation channel characterization using graph modeling | |
Zhao et al. | Machine Learning-Assisted Path Loss Prediction Across Multiple Frequency Bands using a Multi-Fidelity Surrogate Model | |
Zhang et al. | Modelling and analysis of coverage for unmanned aerial vehicle base stations | |
Turkmen et al. | Anfis models for the quasistatic analysis of coplanar strip line structures | |
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 | |
Na et al. | Parallel EM optimization using improved pole‐residue‐based neuro‐TF surrogate and isomorphic orthogonal DOE sampling for microwave components design | |
CN117272778B (zh) | 微波无源器件的设计方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220701 |
|
RJ01 | Rejection of invention patent application after publication |