پیاده سازی شبکه عصبی رزنت-۱۰۱ و الگوریتم بهینه ساز ازدحام ذرات در مدل سازی سطوح انتخابگر فرکانس با اشکال پیچیده از نوع مثلث سیرپنسکی

مدل سازی سطوح انتخابگر فرکانس فراکتالی یکی از چالش های اصلی در طراحی جاذب ها و ساختارهای الکترومغناطیسی مبتنی بر این سطوح است، که به دلیل پیچیدگی های هندسی و نیاز به شبیه سازی های دقیق، زمان و هزینه های بسیاری می طلبد. در این پروژه، هدف اصلی استفاده از شبکه عصبی هم گشتی رزنت است تا با دریافت تصاویر سطوح فراکتالی، ضریب بازتاب متناظر با آن ها را پیش بینی کند. یکی از ویژگی های برجسته این تحقیق، استفاده از داده های استخراج شده از الگوریتم بهینه سازی ازدحام ذرات در کنار داده های تصادفی برای آموزش شبکه است؛ این رویکرد نه تنها منجر به افزایش دقت پیش بینی شبکه عصبی شده، بلکه کیفیت مجموعه داده تولیدشده را نیز بهبود بخشیده است.  همچنین، ترکیب الگوریتم بهینه سازی ازدحام ذرات با شبکه رزنت منجر به بهبود عملکرد مدل در پیش بینی دقیق تر و سریع تر ضریب بازتاب شده است. استفاده از این روش می تواند زمان و هزینه های مدل سازی سطوح انتخابگر فرکانس فراکتالی را کاهش داده و در نهایت، بهینه سازی طراحی این سطوح را تسهیل کند.

کلیدواژه ها:

Neural network ، ResNet neural network ، fractal frequency selective surfaces ، convolutional neural network ، particle swarm optimization algorithm ، شبکه عصبی ، شبکه عصبی رزنت ، سطوح انتخابگر فرکانس فراکتالی ، شبکه عصبی هم گشتی ، الگوریتم بهینه ساز ازدحام ذرات