基于深度学习的太赫兹编码频率选择表面优化设计
摘要
针对太赫兹频率选择表面（FSS）单元结构复杂、参数繁多、优化耗时等问题，基于卷积神经网络（CNN）并结合遗传算法，提出一种FSS智能化融合设计方法，并将其应用于典型滤波FSS的性能优化设计。将FSS周期单元拓扑编码为16×16的“0/1”旋转对称序列，收集26000组0.5~3 THz的透反射光谱作为数据集，利用19层CNN实现光谱预测，对测试集的平均绝对误差低至0.06。利用预测光谱与目标光谱的差值，给出各类典型FSS设计的通用目标函数，结合遗传算法，设计实现了带宽为0.1 THz的单频带通和带阻FSS、带宽为0.5 THz的单频带通和带阻FSS、带宽为0.2 THz的双频带通FSS，且均具有良好极化稳定性。计算结果表明，通过优化设计FSS的拓扑编码，可以简洁高效地实现各类典型带通带阻FSS。
引用本文（GB/T 7714）
周攀 Zhou Pan, 巩蕾 Gong Lei, 阳志强 Yang Zhiqiang, 等. 基于深度学习的太赫兹编码频率选择表面优化设计[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。