特征融合卷积神经网络的超表面建模方法

摘要

针对基于深度学习的超表面设计中输入输出维度不匹配导致的预测精度不高的问题，提出了一种基于数据融合的卷积神经网络超表面建模方法。利用软件联合仿真对超表面进行结构建模仿真，获得了超表面一维结构参数、二维图片及其对应的电磁响应组成的数据集；通过构建卷积神经网络提取超表面二维图片特征，并将其与一维结构参数相结合，构成一个全新的特征矩阵，对此特征矩阵通过全连接层训练，前向网络预测超表面的S21参数，逆向网络预测超表面的结构参数；训练后的模型具有良好的预测能力，前向网络模型、逆向网络模型预测的均方误差分别为3.148×10-4、2.548×10-3；用遗传算法对网络模型进行优化，使用迁移学习对新的数据集加速训练。研究结果表明，经算法优化的网络避免了大量的建模操作和数值计算，且运算准确率高。

关键词

卷积神经网络(CNN) / 超表面 / 深度学习 / 特征融合 / 遗传算法 / 迁移学习

基金资助

广西自然科学基金（2021JJA170177）; 桂林电子科技大学研究生教育创新计划(2022YCXS027)