劉麗娟 陳宇 羅濤等

摘要：全連接神經(jīng)網(wǎng)絡(luò)模型可以擬合復雜函數(shù)輸入輸出關(guān)系。文章基于深度學習神經(jīng)網(wǎng)絡(luò)方法，利用COMSOL數(shù)值模擬計算得到的數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進行訓練，訓練好的神經(jīng)網(wǎng)絡(luò)能夠預測出響應(yīng)未知的虹膜帶通濾波器的透射譜。利用深度學習來解決波導濾波器傳輸特性的計算，可以避開傳統(tǒng)的數(shù)理方法和麥克斯韋電磁方程的復雜求解，實現(xiàn)波導帶通濾波囂的快速預測。

關(guān)鍵詞：深度學習；波導濾波器；虹膜

中圖法分類號：TP183 文獻標識碼：A

１ 引言

深度學習（Ｄｅｅｐ ｌｅａｒｎｉｎｇ，ＤＬ）是當今人工智能領(lǐng)域一顆耀眼的明星。其中，名震天下的ＡｌｐｈａＧｏ 圍棋程序以及智能聊天機器人ＣＨａｒｔＧＰＴ 都是使用深度學習算法來實現(xiàn)，可以說現(xiàn)代機器學習徹底改變了計算機科學。

近年來，深度學習也成功應(yīng)用于物理學，如粒子物理學［１］ 、微納光學［２～４］ 、化學物理學。在波與物質(zhì)相互作用中，不同的微結(jié)構(gòu)與波相互作用會產(chǎn)生不同的效果。波導結(jié)構(gòu)設(shè)計（改變結(jié)構(gòu)的尺寸、材料、形狀等性質(zhì)）在實現(xiàn)對波的調(diào)控中起著重要作用。目前，設(shè)計方法主要有基于數(shù)值模擬方法的電磁建模，但對于某種特定功能的器件，往往要不斷微調(diào)幾何形狀并反復執(zhí)行仿真來接近目標，計算資源和時間都消耗很大。本文基于深度學習思路，遵循數(shù)據(jù)驅(qū)動的建模思想，不引入人為規(guī)則和設(shè)定，而是通過學習大量的數(shù)據(jù)，得到波導傳輸特性與設(shè)計參數(shù)之間的對應(yīng)規(guī)律。

２ 波導濾波器簡介

波導濾波器是一種選頻電路，因其結(jié)構(gòu)簡單、加工方便、損耗低，被廣泛應(yīng)用在通信、雷達、自動測量設(shè)備等微波設(shè)備中。作為一種經(jīng)常使用的無源微波濾波器，特別是在大功率、高頻段的天饋系統(tǒng)中有著不可動搖的地位。在波導中放置橫向電感膜片作為濾波電抗元件可以增加傳輸帶寬。如圖１ 所示，該波導濾波器模型由１ 個ＷＲ?９０Ｘ 波段波導和對稱的感性膜片組成。通過設(shè)置合適的結(jié)構(gòu)參數(shù)，可以顯示出良好的通帶響應(yīng)和帶外抑制。

３ 理論計算

３．１ 基本原理

深度學習是機器學習的１ 個子集，可以自動從圖像、視頻或文本等數(shù)據(jù)中學習表征，無需引入人類領(lǐng)域的知識。深度學習使用多層人工神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)是由輸入和輸出之間節(jié)點的幾個“隱藏層”組成的網(wǎng)絡(luò)。如圖２ 所示，從宏觀層面來看，人工神經(jīng)網(wǎng)絡(luò)由輸入層（Ｉｎｐｕｔ ｌａｙｅｒ）、隱藏層（Ｈｉｄｄｅｎ ｌａｙｅｒ）、輸出層（Ｏｕｔｐｕｔ ｌａｙｅｒ）組成。輸入層是原料采購部，隱藏層是數(shù)據(jù)加工部，輸出層是數(shù)據(jù)成品部。隱藏層、輸出層由一個個圓圈組成，每一個圓圈就叫節(jié)點，也叫神經(jīng)元或感知機。神經(jīng)網(wǎng)絡(luò)模型每層都存在若干節(jié)點（神經(jīng)元），然后通過１ 個線性函數(shù)ｙ（ｘ）＝ Ｗ?ｘ＋ｂ 連接，其中ｘ 為上一層的矩陣輸出，作為本層的輸入，Ｗ 是權(quán)重矩陣，ｂ 為偏差矩陣。通過多層的線性變換，把一個多維空間映射為另外一個多維空間。在ｆ（ｘ）＝ Ｗ?ｘ＋ｂ 的基礎(chǔ)上對輸出結(jié)果再次進行處理，增加１ 個非線性函數(shù)（激活函數(shù)），從而可以模擬出非線性函數(shù)。

將ｙ（ｘ）＝ Ｗ?ｘ＋ｂ 進一步優(yōu)化為ｙ（ｘ）＝ δ（Ｗ?ｘ＋ｂ），其中δ 是激活函數(shù)。常見的激活函數(shù)有ｓｉｇｍｏｉｄ，Ｔａｎｈ，ＲｅＬＵ 等。

深度學習網(wǎng)絡(luò)模型的訓練有２ 道工序，分別為正向傳播（也叫前向傳播）和反向傳播。正向傳播是數(shù)據(jù)從輸入層傳遞到輸出層的過程，目標是得到預測值，再得到損失函數(shù)／ 代價函數(shù)。反向傳播是深度學習的靈魂，從損失函數(shù)／ 代價函數(shù)出發(fā)，求偏導數(shù)，計算出ｗ，ｂ 的值。一般而言，使用梯度下降算法來求解ｗ，ｂ 最小值。

３．２ 整體思路

以波導濾波器的結(jié)構(gòu)參數(shù)作為輸入數(shù)據(jù)（ｘｉ ），利用深度神經(jīng)網(wǎng)絡(luò)得到預測的透射譜線值（ｙｉ ），與ＣＯＭＳＯＬ 仿真計算出的譜線值比較，得到二者均方誤差值，然后用誤差計算梯度，之后根據(jù)梯度在反向傳播過程中更新權(quán)重。經(jīng)過多輪訓練學習，最終找到合適的權(quán)重系數(shù)和閾值系數(shù)，從而建立濾波器性能參數(shù)和結(jié)構(gòu)參數(shù)的內(nèi)在規(guī)律。

３．３ 數(shù)據(jù)采集

首先提取濾波器的結(jié)構(gòu)特征，結(jié)構(gòu)參數(shù)有波導寬度Ｗ，波導長度Ｌ，虹膜片１ 的長度ｌ＿ｉｒｉｓ１，虹膜片２ 的長度ｌ＿ｉｒｉｓ２，虹膜片間距ｓｐａｃｉｎｇ，虹膜厚度ｄ。利用ＣＯＭＳＯＬ 對光學濾波器進行模擬計算，在指定的值域范圍內(nèi)等間隔掃描模型的結(jié)構(gòu)參數(shù)，得到其透射系數(shù)，構(gòu)成數(shù)據(jù)集。

３．４ 模型架構(gòu)與訓練

構(gòu)造的神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為１ 個輸入層、１ 個輸出層以及３ 層隱藏層，輸入層包含６ 個神經(jīng)元，中間的３ 層隱藏層的神經(jīng)元個數(shù)分別定義為６００，１００，５０，得到１ 個６?６００?１００?５０?３３ 的全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。１００ 次迭代后損失函數(shù)穩(wěn)定在０．０４，如圖３ 所示。

神經(jīng)網(wǎng)絡(luò)訓練完成后，將未訓練的測試數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進行驗證。

４ 結(jié)果分析

利用訓練好的神經(jīng)網(wǎng)絡(luò)預測的波導透射譜線結(jié)果與ＣＯＭＳＯＬ 結(jié)果的仿真結(jié)果進行對比驗證，如圖４ 所示，預測的透射譜線線型與仿真的結(jié)果整體趨勢相似，但是存在一定的偏移量。偏差來源主要有２ 點：（１）訓練的模型沒有進一步優(yōu)化；（２）訓練數(shù)據(jù)的體量不夠。

５ 結(jié)束語

利用深度學習神經(jīng)網(wǎng)絡(luò)模型在一定誤差范圍可以預測波導濾波器的透射譜線，作為一種數(shù)據(jù)驅(qū)動的建模方法，其提升了波導虹膜濾波器傳輸響應(yīng)的計算效率，節(jié)約了計算資源。

參考文獻：

［１］ ＷＩＧＬＥＹ Ｐ Ｂ， ＥＶＥＲＩＴＴ Ｐ Ｊ， ＢＡＳＴＩＡＮ Ｊ Ｗ， ｅｔ ａｌ． Ｆａｓｔｍａｃｈｉｎｅ?ｌｅａｒｎｉｎｇ ｏｎｌｉｎｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｕｌｔｒａ?ｃｏｌｄ?ａｔｏｍｅｘｐｅｒｉｍｅｎｔｓ［Ｊ］．Ｓｃｉｅｎｔｉｆｉｃ ｒｅｐｏｒｔｓ，２０１６，６（１）：２５８９０．

［２］ ＭＡＬＫＩＥＬ Ｉ， ＭＲＥＪＥＮ Ｍ， ＮＡＧＬＥＲ Ａ， ｅｔ ａｌ． Ｐｌａｓｍｏｎｉｃｎａｎｏｓｔｒｕｃｔｕｒｅ ｄｅｓｉｇｎ ａｎｄ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｖｉａ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｊ］．Ｌｉｇｈｔ： Ｓｃｉｅｎｃｅ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ，２０１８，７（１）：１?８．

［３］ ＤＡＩ Ｐ，ＷＡＮＧ Ｙ，ＨＵ Ｙ，ｅｔ ａｌ． Ａｃｃｕｒａｔｅ ｉｎｖｅｒｓｅ ｄｅｓｉｇｎ ｏｆＦａｂｒｙ – Ｐｅｒｏｔ?ｃａｖｉｔｙ?ｂａｓｅｄ ｃｏｌｏｒ ｆｉｌｔｅｒｓ ｆａｒ ｂｅｙｏｎｄ ｓＲＧＢ ｖｉａａｂｉｄｉｒｅｃｔｉｏｎａｌ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［ Ｊ ］． ＰｈｏｔｏｎｉｃｓＲｅｓｅａｒｃｈ，２０２１，９（５）：２２?３３．

［４］ 吳海蓮．基于深度學習原理的介質(zhì)濾波器傳輸特性研究與設(shè)計［Ｄ］．北京：北京郵電大學，２０２０．

作者簡介：劉麗娟（ ２００２—）， 本科， 研究方向： 數(shù)據(jù)科學與大數(shù)據(jù)技術(shù)。