基于机器学习梯度下降算法的材料电磁参数提取方法

本发明涉及一种电磁，特别是涉及一种基于机器学习梯度下降算法的材料电磁参数提取方法。

背景技术：

1、材料的射频电磁参数测量与标定一直是射频工程与微波工程中的基础，是各类雷达以及射频电路设计过程中的必经之路。目前较为主流的测试方法有：集中电路法；传输线法；谐振腔法；自由空间法等，这些方法均需要在一定的实验条件下进行，通过构建不同的微波网络并测量对应的散射参数从而推算所需电磁参数的大小，而每一种方法都具备一定的优点以及局限性。以目前使用最为广泛的传输线法举例，其优点是操作简单，精度较高且适用于任何频率的电磁测试，通过传输线法测得的散射参数（s21与s11）则往往通过nicolson-ross-weir算法（nrw算法）进行反演算后提取出样品的电磁参数大小。nrw法是nicolson，ross以及weir三人在20世纪80年代所提出的一种电磁参数计算方法，该方法通过联立散射参数矩阵元中的s21和s22（二者均为微波网络中的散射系数与传输系数的函数），从而得到该网络下的透射以及反射系数与可观测量（s21与s11）的关系，最后材料的复介电常数与复磁导率则可以用直接测得的散射参数数据代数求解。然而该方法的缺点是，在通过使用nrw方法反演算电磁参数时，由于样品内部可能存在半波谐振的物理现象，从而导致s11系数的异常，从而产生难解的多值问题，并且对样品的尺寸以及表面粗糙度有具体且较高的精度要求，并且对薄膜以及表面粗糙的材料无法进行精确的表征。而本算法发明正是在克服传输线法以及nrw法所存在的种种局限性的基础之上，保证了较高的精度水平，非常有望成为一种新的主流电磁参数的测量与演算方法。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于机器学习梯度下降算法的材料电磁参数提取方法。

2、为了实现本发明的上述目的，本发明提供了一种基于机器学习梯度下降算法的材料电磁参数提取方法，包括以下步骤：

3、s1，获取待测样品的电磁波透射率；

4、s2，根据电磁波原理得到待测样品的折射率与电磁波阻抗表达式；其中，对于无磁材料，折射率与电磁波阻抗均为复介电常数的函数；

5、s3，根据电磁波波矢、复介电常数、折射率和电磁波阻抗得到透射率函数；

6、s4，根据透射率函数和步骤s1中的透射率得到损失函数；

7、s5，利用机器学习梯度下降算法对损失函数求解待测样品不同厚度下的复介电常数。

8、在本发明的一种优选实施方式中，在步骤s1中待测样品透射率的获取方法包括构建待测样品透射率的获取系统，待测样品透射率的获取系统包括入射激励源电磁波、待测样品和电磁波接收解析器；

9、所述入射激励源电磁波用于发射频率为freq的电磁波；

10、所述电磁波接收解析器用于对接收到的电磁波进行解析得到待测样品的透射率t0；

11、所述待测样品包括匀质板，该匀质板的材质可以是树脂，该匀质板的形状为长方体，将入射激励源电磁波置于匀质板的一端，再将电磁波接收解析器置于匀质板的对立端。

12、在本发明的一种优选实施方式中，还包括将匀质板水平的放置于水平台上，让入射激励源电磁波沿着入射角θ入射，θ∈(-π/2,π/2)，θ为入射方向与样品表面法线方向的夹角。

13、在本发明的一种优选实施方式中，θ=0；

14、透射率的表示方法为：

15、t0=a+bj

16、其中，t0表示通过实验获取得到的透射率；

17、a表示透射率的实部数值；

18、b表示透射率的虚部数值；

19、j表示虚数单位。

20、在本发明的一种优选实施方式中，根据入射激励源电磁波频率得到入射激励源电磁波波矢，根据入射激励源电磁波频率得到入射激励源电磁波波矢的方法为：

21、k=2*np.pi*freq/3e8

22、其中，k表示入射激励源电磁波波矢；

23、2表示数值2；

24、np.pi表示圆周率π；

25、freq表示入射激励源电磁波的频率；

26、3e8表示入射激励源电磁波的传播速度。

27、在本发明的一种优选实施方式中，在步骤s3中待测样品的复介电常数表达式为：

28、epsr=epsrr+epsri*1j

29、其中，epsr表示待测样品的复介电常数；

30、epsrr表示复介电常数的实部数值；

31、epsri表示复介电常数的虚部数值；

32、1表示数值1；

33、j表示虚数单位。

34、在本发明的一种优选实施方式中，在步骤s2中待测样品的折射率的表示方法为：

35、n=jnp.sqrt(epsr)

36、其中，n表示待测样品的折射率；

37、jnp.sqrt( )表示开平方；

38、epsr表示待测样品的复介电常数；

39、在步骤s2中待测样品的电磁波阻抗的表示方法为：

40、z=jnp.sqrt(1/epsr)

41、其中，z表示待测样品的电磁波阻抗；

42、jnp.sqrt( )表示开平方；

43、epsr表示待测样品的复介电常数。

44、在本发明的一种优选实施方式中，在步骤s3中透射率函数的表达式为：

45、t(εr)=2j*z/(2j*z*jnp.cos(n*d*k)+(1+z*z)*jnp.sin(n*d*k))=2j*jnp.sqrt(1/epsr)/(2j*jnp.sqrt(1/epsr)*jnp.cos(jnp.sqrt(epsr)*d*2*np.pi*freq/3e8)+(1+jnp.sqrt(1/epsr)*jnp.sqrt(1/epsr))*jnp.sin(jnp.sqrt(epsr)*d*2*np.pi*freq/3e8))

46、其中，t(εr)表示透射率函数；

47、2表示数值2；

48、j表示虚数单位；

49、z表示待测样品的电磁波阻抗；

50、jnp.cos( )表示余弦函数；

51、n表示待测样品的折射率；

52、d表示待测样品的厚度；

53、k表示入射激励源电磁波波矢；

54、1表示数值1；

55、jnp.sin( )表示正弦函数。

56、在本发明的一种优选实施方式中，在步骤s4中损失函数的表达式为：

57、f_loss(εr)=丨t(εr)-t0丨

58、其中f_loss(εr)表示损失函数；

59、丨丨表示绝对值函数；

60、t(εr)表示透射率函数；

61、t0表示通过实验获取得到的透射率。

62、在本发明的一种优选实施方式中，在步骤s5中求解方式包括以下步骤：

63、s51，设定一个样品复介电常数为εi作为迭代的初始值；设定学习速率l和预设迭代次数阈值；

64、s52，对损失函数f_loss(εr)关于变量εr求微分df_loss(εr)=∂f_loss(εr)/∂εr，其中∂表示求偏导；

65、s53，从样品复介电常数的初始值εi开始迭代计算：

66、εi(n+1)=εi(n)-l*df_loss(εi(n))

67、其中，εi(n+1)表示第n次迭代得到的复介电常数，并且作为第n+1次迭代的初始值；

68、εi(n)表示第n次迭代的初始值，同时也是第n-1次迭代得到的复介电常数；

69、l表示机器学习的学习速率；

70、当损失函数f_loss(εr)小于预设停止阈值时，或者迭代次数大于预设迭代次数阈值时，停止循环。

71、综上所述，由于采用了上述技术方案，本发明能够的电磁参数反演算方法是基于人工智能领域最为关键的梯度递降理念所进行的，本算法不同于基于代数运算法的nrw方法，可以与深度学习以及神经网络所结合实现更灵活的运算。其次，nrw运算法需要测得样品的透射率与反射率，而本方法仅需要透射率一项参数，此外，对于斜入射的情况，本方法依然可以正常工作。

72、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。