[发明专利]一种太赫兹复合超材料多带吸收器及双向设计方法

权利要求书

1.一种太赫兹复合超材料多带吸收器的设计方法，其特征在于，所述太赫兹复合超材料多带吸收器包括金属基底(5)，金属基底(5)上设置有介质层(4)，介质层(4)上方设置有金属正方形环(3)，金属正方形环(3)内部中心位置处设置有金属十字架(1)，金属十字架(1)与金属正方形环(3)之间还设置有金属圆环(2)；所述金属圆环(2)的外径尺寸范围42～46μm，金属圆环(2)的环宽为1～4μm，金属基底(5)与介质层(4)的长宽一致，介质层(4)的厚度比金属基底(5)的厚度多7～8μm,金属正方形环(3)外侧与介质层(4)边缘相距5～9μm，金属圆环(2)外径距离金属正方形环(3)内侧相距10～18μm；所述金属十字架(1)每个十字长边的端部还一体设置有垂直的短边，其中，每个长边的变化随着金属圆环(2)的半径同步变化，变化的范围为7～15.5μm，金属十字架(1)同一侧长边的长加短边的宽的总长度为金属圆环（2）的外环直径的1/2；

具体按照以下步骤实施：

步骤1、建立太赫兹复合超材料多带吸收器的模型，设定频率范围为0.3-2.0THz，频率间隔为0.0016THz，电场方向为X轴方向，磁场方向为Y轴方向，入射电磁波方向为Z轴方向；选定吸收器5个可变参数：分别是超材料吸收器的周期、金属十字架(1)短边的长度、金属十字架(1)长边的2长度、金属圆环(2)的半径和金属正方形环(3)的边长，然后设置扫描范围与扫描间隔，最后通过计算得到由不同频率点的吸收率组成的吸收谱；

步骤2、所述步骤1中的数据收集完成后，将数据进行整理和分析，剔除其中无效的数据，然后将太赫兹复合超材料多带吸收器结构参数与步骤1得到的吸收谱相结合形成一个向量，将该向量作为集成学习模型的输入数据；将输入数据进行划分，其中85％的数据作为训练集，15％的数据作为测试集；

步骤3、利用步骤2得到的训练集对集成学习模型进行训练，双向设计太赫兹复合超材料多带吸收器的集成学习框架，集成学习框架包括前向预测模型FPEM和逆向预测模型IPEM，FPEM的核心是同质集成回归决策树的XGBoost，逆向预测模型IPEM由XGBoost和深度神经网络DNNs组成；由于FPEM与IPEM输入输出的数据不同，需要分别训练3个模型，FPEM输入特征为吸收器的5个可变参数，标签为每组参数对应的吸收谱；IPEM的输入特征为吸收谱，标签为每组吸收谱对应的吸收器的结构参数；然后将两个FPEM和IPEM中的XGBoost模型按照默认参数分别进行训练，对IPEM中的DNNs设置常规的参数进行训练；

步骤4、对步骤3中训练完成的模型利用测试集数据进行测试，FPEM中利用均方差对训练完成的模型在测试集上的表现进行评估，根据评估结果对FPEM中模型的参数反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数；IPEM中利用平均绝对误差分别对训练完成的模型在测试集上的表现进行评估，根据评估结果对IPEM中的XGBoost和DNNs的参数进行反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数和DNNs中的卷积层和全连接层的层数、全连接层中每层神经元的个数、Dropout层的随机抛弃比例、学习率和迭代次数；

步骤5、对步骤4中参数最优的模型进行保存，然后给IPEM中的两个模型分配权重，设置其中的XGBoost的权重为W_X，那么DNNs的权重为1-W_X，将权重视作IPEM中的一个可调的参数，将测试集分别输入到两个模型之中，然后对XGBoost的预测结果和DNNs的预测结果进行加权求和得到IPEM最终的预测输出结果，将最终的预测输出结果与测试集的标签求平均绝对误差，根据平均绝对误差的值对权重W_x进行调整使得平均绝对误差达到最小，最后保存整个IPEM；

步骤6、将步骤4参数最优化的FPEM与步骤5权重最优的IPEM合并构建一个集成学习框架，该框架能够用于复合超材料吸收器的双向设计。