基于机器学习的吸波材料优化设计方法
发布时间：2022-05-08 15:00
吸波材料是用于吸收电磁辐射能量且具有重要应用价值的一类材料。通常吸波材料可根据其制造技术分成两类:一类指的是通过涂敷具有吸波特性的材料构成涂敷型吸波材料,另一类指除了具备吸波能力,还能够起到承载功能的材料,称之为结构型吸波材料。本文主要基于遗传算法（Genetic Algorithm,GA）对涂敷型吸波材料的电磁参数以及吸波蜂窝的结构参数进行了优化设计;基于深度卷积神经网络（Convolutional Neural Network,CNN）对蜂窝结构吸波材料的结构参数进行预测,并且对遗传算法和深度卷积神经网络的优化结果进行了对比。本文主要研究内容如下:（1）建立了MATLAB与FEKO的联合仿真,充分发挥遗传算法以及快速多极子仿真算法的优势,有效提高了对涂敷型吸波材料优化过程的效率。利用遗传算法优化了涂敷吸波材料的电磁参数,采用雷达散射截面（Radar Cross Section,RCS）的缩小程度衡量其优化效果,遗传算法优化结束后返回双层涂敷平板模型的最优电磁参数,结果表明遗传算法在涂敷模型的优化方面效果显著。与相同尺寸未涂敷的金属模型RCS值相比,上述基于GA的电磁参数优化方法使双...
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
涂敷平板模型双站RCS结果
华东师范大学硕士学位论文第二章涂敷型雷达吸波材料优化设计9下设置接收散射电磁波角度为:180~180，角度间隔0.5h，=0，利用电磁仿真软件计算涂敷平板吸波模型的双站RCS，如图2-3所示。图2-3涂敷平板模型双站RCS结果由图2-3结果可知，本文建立的双层涂敷平板模型的后向RCS大致为2-34dBm，分别在-60度和60度时达到最小值约2-45dBm。图2-4不同频率下涂敷模型RCS仿真结果如图2-4所示为6~10GHz共5个频点下双层涂敷平板模型的RCS仿真结果，可得出后向RCS值随着频率的增加而变大的结论，在10GHz时垂直入射时后向RCS值约为2-15dBm；频率为9GHz的平面波入射角度为±90度左右时，涂敷模型的RCS值达到最小值约2-58dBm，且最小值发生的角度随频率改变而变化。
华东师范大学硕士学位论文第二章涂敷型雷达吸波材料优化设计16在设计好适应度函数的基础上，设置遗传算法相关参数如表2-3所示。另外待优化的最外层涂敷材料的相对介电常数的实部以及损耗角正切值的取值范围是：[3,6]r，tan[0,0.1]；内层涂敷材料的相对介电常数的实部以及损耗角正切值的取值范围是：[13,19]r，tan[0,0.5]。执行myga.m文件即可开始对模型进行优化。适应度函数和遗传算法此两个M文件仅仅是定义好在MATLAB平台使用遗传算法对FEKO模型的电磁参数进行优化的相关设置。涂敷模型的两层涂敷结构的相对介电常数的实部和虚部，即遗传算法待优化的4个变量X(i)，遗传算法生成的变量值被写入.pre文件，新的.pre文件生成后，MATLAB调用FEKO后台对模型进行求解计算。计算完成后，调用自定义的read_coating_ffe.m函数来读取计算结果，涂覆平板模型的RCS值，记为RCSc，与前文fitness.m文件中保持一致。相同尺寸金属模型的RCS值记为RCSm。适应度与涂敷模型的RCS值与相同尺寸下金属模型的RCS值差值的关系定义如下：y35RCScRCSmSmp=+(2.7)其中，Smp表示入射角度采样点数，35是一个经验值，为了使适应度是一个正值，适应度y值越小，说明涂敷平板模型与相同尺寸下金属模型的相比，散射RCS越小，则被雷达发现的可能性越校图2-6适应度迭代过程执行主程序myga.m，如图2-6所示为每一代种群中最佳适应度和种群平均适应度的变化过程，分别由黑色和蓝色原点表示。在进化到34代开始，适应度
【参考文献】：
期刊论文
[1]双层吸波蜂窝复合材料结构优化设计[J]. 孙鹏程,王良模,王陶,黄健,沙小伟,陈威. 北京化工大学学报(自然科学版). 2019(04)
[2]一种神经网络中自定义损失函数的设计与分析[J]. 刘波,张鼎松. 长春师范大学学报. 2019(04)
[3]深度学习优化算法研究[J]. 仝卫国,李敏霞,张一可. 计算机科学. 2018(S2)
[4]人工神经网络中损失函数的研究[J]. 任进军,王宁. 甘肃高师学报. 2018(02)
[5]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[6]基于深度神经网络的空间目标常用材质BRDF模型[J]. 刘程浩,李智,徐灿,田琪琛. 光学学报. 2017(11)
[7]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[8]新型涂覆型雷达吸波材料的研究进展[J]. 班国东,刘朝辉,叶圣天,王飞,贾艺凡,丁逸栋,林锐. 表面技术. 2016(06)
[9]一种结合遗传算法和HFSS的天线仿真与优化方法[J]. 宋立众,段舒雅,林涛. 微波学报. 2015(03)
[10]计算机仿真设计——Ansoft HFSS软件的应用[J]. 朱颖岚. 科技传播. 2013(24)
本文编号：3651870
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
涂敷平板模型双站RCS结果
华东师范大学硕士学位论文第二章涂敷型雷达吸波材料优化设计9下设置接收散射电磁波角度为:180~180，角度间隔0.5h，=0，利用电磁仿真软件计算涂敷平板吸波模型的双站RCS，如图2-3所示。图2-3涂敷平板模型双站RCS结果由图2-3结果可知，本文建立的双层涂敷平板模型的后向RCS大致为2-34dBm，分别在-60度和60度时达到最小值约2-45dBm。图2-4不同频率下涂敷模型RCS仿真结果如图2-4所示为6~10GHz共5个频点下双层涂敷平板模型的RCS仿真结果，可得出后向RCS值随着频率的增加而变大的结论，在10GHz时垂直入射时后向RCS值约为2-15dBm；频率为9GHz的平面波入射角度为±90度左右时，涂敷模型的RCS值达到最小值约2-58dBm，且最小值发生的角度随频率改变而变化。
华东师范大学硕士学位论文第二章涂敷型雷达吸波材料优化设计16在设计好适应度函数的基础上，设置遗传算法相关参数如表2-3所示。另外待优化的最外层涂敷材料的相对介电常数的实部以及损耗角正切值的取值范围是：[3,6]r，tan[0,0.1]；内层涂敷材料的相对介电常数的实部以及损耗角正切值的取值范围是：[13,19]r，tan[0,0.5]。执行myga.m文件即可开始对模型进行优化。适应度函数和遗传算法此两个M文件仅仅是定义好在MATLAB平台使用遗传算法对FEKO模型的电磁参数进行优化的相关设置。涂敷模型的两层涂敷结构的相对介电常数的实部和虚部，即遗传算法待优化的4个变量X(i)，遗传算法生成的变量值被写入.pre文件，新的.pre文件生成后，MATLAB调用FEKO后台对模型进行求解计算。计算完成后，调用自定义的read_coating_ffe.m函数来读取计算结果，涂覆平板模型的RCS值，记为RCSc，与前文fitness.m文件中保持一致。相同尺寸金属模型的RCS值记为RCSm。适应度与涂敷模型的RCS值与相同尺寸下金属模型的RCS值差值的关系定义如下：y35RCScRCSmSmp=+(2.7)其中，Smp表示入射角度采样点数，35是一个经验值，为了使适应度是一个正值，适应度y值越小，说明涂敷平板模型与相同尺寸下金属模型的相比，散射RCS越小，则被雷达发现的可能性越校图2-6适应度迭代过程执行主程序myga.m，如图2-6所示为每一代种群中最佳适应度和种群平均适应度的变化过程，分别由黑色和蓝色原点表示。在进化到34代开始，适应度
【参考文献】：
期刊论文
[1]双层吸波蜂窝复合材料结构优化设计[J]. 孙鹏程,王良模,王陶,黄健,沙小伟,陈威. 北京化工大学学报(自然科学版). 2019(04)
[2]一种神经网络中自定义损失函数的设计与分析[J]. 刘波,张鼎松. 长春师范大学学报. 2019(04)
[3]深度学习优化算法研究[J]. 仝卫国,李敏霞,张一可. 计算机科学. 2018(S2)
[4]人工神经网络中损失函数的研究[J]. 任进军,王宁. 甘肃高师学报. 2018(02)
[5]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[6]基于深度神经网络的空间目标常用材质BRDF模型[J]. 刘程浩,李智,徐灿,田琪琛. 光学学报. 2017(11)
[7]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[8]新型涂覆型雷达吸波材料的研究进展[J]. 班国东,刘朝辉,叶圣天,王飞,贾艺凡,丁逸栋,林锐. 表面技术. 2016(06)
[9]一种结合遗传算法和HFSS的天线仿真与优化方法[J]. 宋立众,段舒雅,林涛. 微波学报. 2015(03)
[10]计算机仿真设计——Ansoft HFSS软件的应用[J]. 朱颖岚. 科技传播. 2013(24)
本文编号：3651870
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3651870.html
