(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111636588.6 (22)申请日 2021.12.2 9 (71)申请人 东南大学 地址 211102 江苏省南京市江宁区东 南大 学路2号 (72)发明人 陆卫兵　相伟　杨武　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 沈廉 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/30(2020.01) (54)发明名称 一种周期目标电磁 散射特性快速 仿真方法 (57)摘要 本发明公开了一种周期目标电磁散射特性 快速仿真方法， 该方法包括以下步骤： 基于传统 子全域基函数方法生成数据集； 构建人工神经网 络模型； 对数据集进行分类， 并训练人工神经网 络模型； 利用训练好的人工神经网络模型对周期 阵列结构目标预测其子全域基函数拓展系数， 并 完成电磁散射感应电流分布计算。 本发明将已训 练的人工神经网络模型集成到子全域基函数方 法中， 快速预测子全域基函数的拓展系数， 从而 避免了耗时的互耦缩减矩阵方程求解， 将原始的 大规模周期阵列问题简化为一个包含9个单元的 3×3小阵列问题， 大大缩减了仿真时间， 提高了 计算效率。 权利要求书3页 说明书7页 附图4页 CN 114330124 A 2022.04.12 CN 114330124 A 1.一种周期目标电磁散射特性快速 仿真方法， 其特 征在于， 包括以下步骤： 步骤1、 基于传统子全域基函数方法生成数据集： 构建一系列不同单元间距、 不同规模 的周期阵列结构， 基于传统子全域基函数方法计算得到每个单元上子全域基函数的拓展系 数， 将单元以及单元所处的阵列信息作为数据集的输入， 将子全域基函数 的拓展系 数作为 数据集的标签； 步骤2、 基于反向传播构建人工神经网络模型； 步骤3、 对数据集进行分类， 并训练人工神经网络模型： 将数据集分为中心单元、 角单元 以及棱边单元三类， 分别训练出三套人工神经网络参数； 步骤4、 对待预测的周期阵列结构目标， 首先提取3 ×3子阵列计算得到子全域基函数， 然后每个单元产生相对应的网络输入参数， 再利用已训练好的人工神经网络模型对各单元 的子全域基函数拓展系数进行预测， 最后得到整个周期阵列结构目标的电磁感应表面电流 分布。 2.如权利要求1所述的一种周期 目标电磁散射特性快速仿真方法， 其特征在于， 步骤1 所述基于传统子全域基函数 方法生成数据集， 包括以下步骤： 步骤1.1、 建立数据集的周期阵列结构单元拓展方向+x轴方向与+y轴方向， 沿+x轴方向 与+y轴方向的单元数范围为6到50， 步长为1， 即[6,7, …,50]； 每个阵列的周期设置为0.6到 1.2个波长， 步长为0.1个波长， 即[0.6,0.7, …,1.2]； 步骤1.2、 将每个单元在阵列中的中心位置坐标(xi,yi)、 阵列中单元间 的中心间距(dx, dy)以及阵列规模(Nx,Ny)作为每个样本的输入， 通过组合得到该单元对应的网络输入参数 (xi,yi,dx,dy,Nx,Ny)， 各单元的网络 输入参数组成输入数据集； 步骤1.3、 输入数据集标准化： 应用Z ‑score标准化方法对输入数据集矩阵的每一列进 行标准化预处理， 经过Z‑core标准化预处理后， 数据会被压缩至 ‑1到1之间； 步骤1.4、 利用传统子全域基函数方法对周期阵列结构进行计算， 得到各单元的子全域 基函数拓展系数， 并将拓展系数拆分为幅度部分和相位部分作为输入数据集的对应标签。 3.如权利要求2所述的一种周期目标电磁散射特性快速仿真方法， 其特征在于， 所述Z ‑ score标准化方法的公式如下： 其中， μ、 σ 为数据的平均值和标准差， a代 表数据的原 始值， a'代 表数据标准 化后的值。 4.如权利要求1所述的一种周期 目标电磁散射特性快速仿真方法， 其特征在于， 步骤2 所述人工神经网络模型由一个输入层和三个隐含层 共四层组成， 层与层之 间采用全连接的 形式； 第一层隐含层 采用ReLU作为激活函数， 第二层隐含层采用Tanh作为激活函数， 第三层 隐含层采用ReLU作为激活函数。 5.如权利要求4所述的一种周期目标电磁散射特性快速仿真方法， 其特征在于， 所述输 入层由6个神经 元组成， 所述 三个隐含层分别由32、 28、 20神经 元组成。 6.如权利要求1或4所述的一种周期 目标电磁散射特性快速仿真方法， 其特征在于， 所 述人工神经网络模型采用Adam优化器作为模型的优化器， 使用均方损失函数计算损失值， 学习率为0.01。 7.如权利要求1所述的一种周期 目标电磁散射特性快速仿真方法， 其特征在于， 步骤3权　利　要　求　书 1/3 页 2 CN 114330124 A 2所述对数据集进行分类， 并训练人工神经网络模型， 包括以下步骤： 步骤3.1、 将周期阵列结构的数据集分为中心单元、 角单元以及棱边单元三类： 将除最 外层单元外的内部单元归类为中心单元的数据集， 将四个角落处3 ×3的阵列归类为角单元 的数据集， 将外围三层单 元归类为 棱边单元的数据集； 步骤3.2、 在数据集中随机抽取20％的样本作为验证集， 然后将剩下的作为训练集并做 随机乱序处 理来保证训练出的模型 具有一定的泛化 性能； 步骤3.3、 针对数据集的中心单元、 角单元以及棱边单元分别进行人工神经网络模型训 练， 得出相对应的三套人工神经网络参数。 8.如权利要求7所述的一种周期目标电磁散射特性快速仿真方法， 其特征在于， 步骤 3.3所述进 行人工神经网络模型训练的过程为： 通过数据生 成器， 每一次生成训练集中的若 干数据放入到人工神经网络模型中进行训练， 把所有训练集数据训练一次作为一轮， 得到 训练集的损失值， 然后把验证集的数据放入到人工神经网络模型进行测试并得到验证集的 损失值； 通过反向传播， 不断调整网络参数， 使训练集和验证集的损失值同时达到 设定的阈 值范围， 然后生成训练好的人工神经网络模型并保存。 9.如权利要求1所述的一种周期目标电磁散射特性快速仿真方法， 其特征在于， 所述步 骤4具体包括以下步骤： 步骤4.1、 待预测周期阵列的规模为N＝Nx×Ny， 提取3×3子阵列进行分析， 得到九类子 全域基函数 步骤4.2、 针对需要被预测的周期阵列结构目标， 阵列中每个单元都产生相对应的网络 输入参数， 并利用步骤1.3的Z ‑score标准化时用的平均值μ和标准差σ 进行标准化处理， 得 到标准化预处理后的网络 输入参数； 步骤4.3、 将每个单元标准化预处理后的网络输入参数， 输入到已训练好的人工神经网 络模型中， 预测出对应的子全域基函数的拓展系数αi， i的取值范围为1,2 …N； 步骤4.4、 根据下式得到待预测周期阵列的电磁散射感应电流分布为： 其中， r为周期阵列上观察点的位置矢量， Jtot(r)为阵列的总电流系数分布； mi是单元 的位置， 根据子全域基函数方法中单元的分类对应着1,2, …,9； 是mi位置处单元的 子全域SED基函数， K为每个单元的RWG基函数的数目， 为单元上的第l个RWG基函数， 表示场点； 为3×3子阵列上的RWG基函数系数向量 ISED中第mi行l列元 素。 10.如权利要求1所述的一种周期目标电磁散射特性快速仿真方法， 其特征在于， 步骤 4.1所述提取3×3子阵列进行分析， 得到九类子全域基函数 具体过程 为： 基于RWG基函数、 电场积分方程以及伽辽金测试 得到矩阵方程： ZSEDISED＝VSED                             (4) 其中， ZSED为阻抗矩阵， ISED为3×3子阵列上的RWG基函数系数向量， VSED为3×3子阵列的权　利　要　求　书 2/3 页 3 CN 114330124 A 3