吸波材料是用于吸收電磁輻射能量且具有重要應用價值的一類材料。通常吸波材料可根據其制造技術分成兩類:一類指的是通過涂敷具有吸波特性的材料構成涂敷型吸波材料,另一類指除了具備吸波能力,還能夠起到承載功能的材料,稱之為結構型吸波材料。本文主要基于遺傳算法（Genetic Algorithm,GA）對涂敷型吸波材料的電磁參數(shù)以及吸波蜂窩的結構參數(shù)進行了優(yōu)化設計;基于深度卷積神經網絡（Convolutional Neural Network,CNN）對蜂窩結構吸波材料的結構參數(shù)進行預測,并且對遺傳算法和深度卷積神經網絡的優(yōu)化結果進行了對比。本文主要研究內容如下:（1）建立了MATLAB與FEKO的聯(lián)合仿真,充分發(fā)揮遺傳算法以及快速多極子仿真算法的優(yōu)勢,有效提高了對涂敷型吸波材料優(yōu)化過程的效率。利用遺傳算法優(yōu)化了涂敷吸波材料的電磁參數(shù),采用雷達散射截面（Radar Cross Section,RCS）的縮小程度衡量其優(yōu)化效果,遺傳算法優(yōu)化結束后返回雙層涂敷平板模型的最優(yōu)電磁參數(shù),結果表明遺傳算法在涂敷模型的優(yōu)化方面效果顯著。與相同尺寸未涂敷的金屬模型RCS值相比,上述基于GA的電磁參數(shù)優(yōu)化方法使雙... 

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

涂敷平板模型雙站RCS結果

華東師范大學碩士學位論文第二章涂敷型雷達吸波材料優(yōu)化設計9下設置接收散射電磁波角度為:180~180，角度間隔0.5h，=0，利用電磁仿真軟件計算涂敷平板吸波模型的雙站RCS，如圖2-3所示。圖2-3涂敷平板模型雙站RCS結果由圖2-3結果可知，本文建立的雙層涂敷平板模型的后向RCS大致為2-34dBm，分別在-60度和60度時達到最小值約2-45dBm。圖2-4不同頻率下涂敷模型RCS仿真結果如圖2-4所示為6~10GHz共5個頻點下雙層涂敷平板模型的RCS仿真結果，可得出后向RCS值隨著頻率的增加而變大的結論，在10GHz時垂直入射時后向RCS值約為2-15dBm；頻率為9GHz的平面波入射角度為±90度左右時，涂敷模型的RCS值達到最小值約2-58dBm，且最小值發(fā)生的角度隨頻率改變而變化。

華東師范大學碩士學位論文第二章涂敷型雷達吸波材料優(yōu)化設計16在設計好適應度函數(shù)的基礎上，設置遺傳算法相關參數(shù)如表2-3所示。另外待優(yōu)化的最外層涂敷材料的相對介電常數(shù)的實部以及損耗角正切值的取值范圍是：[3,6]r，tan[0,0.1]；內層涂敷材料的相對介電常數(shù)的實部以及損耗角正切值的取值范圍是：[13,19]r，tan[0,0.5]。執(zhí)行myga.m文件即可開始對模型進行優(yōu)化。適應度函數(shù)和遺傳算法此兩個M文件僅僅是定義好在MATLAB平臺使用遺傳算法對FEKO模型的電磁參數(shù)進行優(yōu)化的相關設置。涂敷模型的兩層涂敷結構的相對介電常數(shù)的實部和虛部，即遺傳算法待優(yōu)化的4個變量X(i)，遺傳算法生成的變量值被寫入.pre文件，新的.pre文件生成后，MATLAB調用FEKO后臺對模型進行求解計算。計算完成后，調用自定義的read_coating_ffe.m函數(shù)來讀取計算結果，涂覆平板模型的RCS值，記為RCSc，與前文fitness.m文件中保持一致。相同尺寸金屬模型的RCS值記為RCSm。適應度與涂敷模型的RCS值與相同尺寸下金屬模型的RCS值差值的關系定義如下：y35RCScRCSmSmp=+(2.7)其中，Smp表示入射角度采樣點數(shù)，35是一個經驗值，為了使適應度是一個正值，適應度y值越小，說明涂敷平板模型與相同尺寸下金屬模型的相比，散射RCS越小，則被雷達發(fā)現(xiàn)的可能性越校圖2-6適應度迭代過程執(zhí)行主程序myga.m，如圖2-6所示為每一代種群中最佳適應度和種群平均適應度的變化過程，分別由黑色和藍色原點表示。在進化到34代開始，適應度

【參考文獻】：
期刊論文
[1]雙層吸波蜂窩復合材料結構優(yōu)化設計[J]. 孫鵬程,王良模,王陶,黃健,沙小偉,陳威.  北京化工大學學報(自然科學版). 2019(04)
[2]一種神經網絡中自定義損失函數(shù)的設計與分析[J]. 劉波,張鼎松.  長春師范大學學報. 2019(04)
[3]深度學習優(yōu)化算法研究[J]. 仝衛(wèi)國,李敏霞,張一可.  計算機科學. 2018(S2)
[4]人工神經網絡中損失函數(shù)的研究[J]. 任進軍,王寧.  甘肅高師學報. 2018(02)
[5]基于改進激活函數(shù)的卷積神經網絡研究[J]. 曲之琳,胡曉飛.  計算機技術與發(fā)展. 2017(12)
[6]基于深度神經網絡的空間目標常用材質BRDF模型[J]. 劉程浩,李智,徐燦,田琪琛.  光學學報. 2017(11)
[7]谷歌TensorFlow機器學習框架及應用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機與應用. 2017(10)
[8]新型涂覆型雷達吸波材料的研究進展[J]. 班國東,劉朝輝,葉圣天,王飛,賈藝凡,丁逸棟,林銳.  表面技術. 2016(06)
[9]一種結合遺傳算法和HFSS的天線仿真與優(yōu)化方法[J]. 宋立眾,段舒雅,林濤.  微波學報. 2015(03)
[10]計算機仿真設計——Ansoft HFSS軟件的應用[J]. 朱穎嵐.  科技傳播. 2013(24)



本文編號：3651870