基于机器学习的多层电磁吸收体反射系数预测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Machine Learning-Based Prediction of Reflection Coefficients for Multilayer Electromagnetic Absorbers

电磁干扰抑制中多层吸波器反射系数优化研究，提出基于机器学习的快速预测方法，通过海雕搜索算法生成训练数据，构建高精度ML模型，实现3秒内预测3层吸波器反射系数，R2达0.9025。

　　

摘要

随着无线设备数量的增加以及多个系统在共享环境中的共存，电磁干扰问题日益严重。通过使用多层吸波器（MLAs）可以减轻这种干扰。在MLA设计中，选择合适的材料和层配置对于实现最低反射系数（RC）和最小厚度至关重要。传统的优化算法（TOAs）被用于此目的；然而，由于层堆叠和厚度优化的复杂性，这些算法计算成本高且耗时较长。在这项研究中，我们提出了一种基于机器学习（ML）的方法，用于估计2-18 GHz频率范围内MLA设计的RC，其结果比传统方法快得多。虽然TOAs只有在完成详尽的模拟后才能得出结果，但ML能够快速估计任何所需配置的RC。我们使用秃鹰搜索优化算法生成的数据训练了多种ML模型，包括高斯过程回归、宽神经网络、装袋树和提升树。这些模型在之前未见的数据上进行了测试，并通过均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）和R平方（R2）指标进行了评估。给定3层吸波器的RC可以在大约3秒内高精度预测出来，其R2值为0.9025，MAE为0.0694，RMSE为0.0842，MSE为0.0070。所提出的ML框架能够快速准确地预测MLA设计的RC，支持工程师和研究人员快速原型制作和开发电磁吸波器。