武风波,范梦宁,刘文远,赵 盼,周远国

(1.西安科技大学 通信与信息工程学院,陕西 西安 710054；2.陕西科技大学 电子信息与人工智能学院,陕西 西安 710021)

计算电磁仿真研究在学术和工程领域中应用十分广泛,如天线和电路设计、目标探测、地球物理勘探、纳米光学等许多相关领域[1]。传统的计算电磁方法有: 时域有限差分法(finite-difference time-domain, FDTD)[2-3]、有限元法(finite element method, FEM)[4]、谱元法[5]、时域积分方程法(time domain integral equation, TDIE)[6]、矩量法(method of moments, MOM)[7]等,这些方法都能准确地计算电磁问题。但由于上述方法都需要进行大规模的网格剖分,对于大的电磁正演模型将会占用大量的计算资源,需要大量的计算时间,且有的方法对于电磁正演模型的形状有限制。随着神经网络、人工智能的快速发展,神经网络建模方法在很多领域得到应用[8-10],大大提高了计算效率。神经网络具有学习复杂趋势的能力，并基于这一趋势能预测出新的或未来的信息，因此，研究人员利用该特点将神经网络应用于模拟复杂问题,如格林函数[11]、泊松方程[12]和流体力学[13]等。在这些工作中,神经网络从传统求解器模拟的数据中学习,得到经验模型,从而快速准确地预测结果,并且取得了较好的效果。而目前关于神经网络在电磁正演问题中的应用研究较少，FENG等搭建了一个基于卷积神经网络(convolutional neural networks, CNNs)的电磁正演模型,能够正确预测二维电磁辐射特性,但其泛化性不够强,且需要大量训练样本的支持,训练此神经网络模型耗时较长[14];ZHANG等搭建了循环神经网络(recurrent neural network, RNN)宏模型来进行微带低通滤波器的电磁仿真分析,速度与传统的电磁正演方法相比有了数倍提升,但是训练误差较大[15]。……