二维TE波CNDG-FDTD方法引入高斯源和PML边界条件,并求数值解误差,显示收敛精度阶数matlab实现

时间: 2023-06-17 16:08:58 浏览: 156
ZIP

matlab_二维TM偏振平面波传播演进的FDTD实现

本文将介绍二维TE波CNDG-FDTD方法的matlab实现,其中将引入高斯源和PML边界条件,并计算数值解误差以显示收敛精度阶数。 首先,我们需要了解CNDG-FDTD方法的基本原理。该方法是通过将有限差分时间域(FDTD)方法与非协调网格(CNDG)方法相结合,从而实现高效且精确的电磁仿真。在二维TE波问题中,我们需要求解电磁场的横向电场分量Ez,其满足以下波动方程: $$\frac{\partial^2E_z}{\partial x^2}+\frac{\partial^2E_z}{\partial y^2}+\omega^2\mu\epsilon E_z=0$$ 其中,ω是角频率,μ和ε分别是介质的磁导率和电介质常数。 为了引入高斯源和PML边界条件,我们需要对上述方程进行一些修改。具体来说,我们可以将高斯源表示为: $$E_z(x,y,t)=E_0exp(-\frac{(x-x_s)^2+(y-y_s)^2}{2\sigma^2})sin(\omega t)$$ 其中,E0是振幅,σ是高斯源的展宽系数,xs和ys是高斯源的中心点坐标。 对于PML边界条件,我们可以通过在电场分量Ez中引入一个修正项来实现。具体来说,我们可以将Ez表示为: $$E_z=E_{z0}exp(-\frac{\sigma_p}{\delta_p}x)$$ 其中,Ez0是未经过修正的电场分量,σp和δp分别是PML层的展宽系数和厚度。 在进行数值模拟时,我们需要对空间进行离散化,将其划分为有限的网格。在本文中,我们将采用中心差分格式进行离散化,即: $$\frac{\partial^2E_z}{\partial x^2}\approx\frac{E_{i+1,j}-2E_{i,j}+E_{i-1,j}}{\Delta x^2}$$ $$\frac{\partial^2E_z}{\partial y^2}\approx\frac{E_{i,j+1}-2E_{i,j}+E_{i,j-1}}{\Delta y^2}$$ 其中,Δx和Δy分别是网格的横向和纵向尺寸。 通过将以上公式代入波动方程,我们可以得到以下差分方程: $$\frac{E_{i+1,j}-2E_{i,j}+E_{i-1,j}}{\Delta x^2}+\frac{E_{i,j+1}-2E_{i,j}+E_{i,j-1}}{\Delta y^2}+\omega^2\mu\epsilon E_{i,j}=0$$ 该方程可以通过时间步进法进行求解。在本文中,我们将采用Leapfrog法进行时间步进,即: $$E_{i,j}^{n+1}=2E_{i,j}^{n}-E_{i,j}^{n-1}+\frac{c^2}{\omega^2\mu\epsilon}\left(\frac{E_{i+1,j}-2E_{i,j}+E_{i-1,j}}{\Delta x^2}+\frac{E_{i,j+1}-2E_{i,j}+E_{i,j-1}}{\Delta y^2}\right)$$ 其中,c是光速。 现在我们已经得到了求解二维TE波问题的CNDG-FDTD方法的差分方程。接下来,我们可以使用matlab来实现该方法,并计算数值解误差以显示收敛精度阶数。 ```matlab %% CNDG-FDTD method for 2D TE wave with Gaussian source and PML boundary conditions clc; clear all; close all; %% simulation parameters c=3e8; % speed of light mu=4*pi*1e-7; % permeability of free space epsilon=8.85e-12; % permittivity of free space omega=2*pi*10e9; % angular frequency lambda=2*pi*c/omega; % wavelength dx=lambda/20; % grid size in x direction dy=lambda/20; % grid size in y direction dt=dx/c/sqrt(2); % time step sigma_p=4; % PML width delta_p=dx*sigma_p; % PML thickness sigma=2; % Gaussian source width E0=1; % Gaussian source amplitude xs=0; % Gaussian source center in x direction ys=0; % Gaussian source center in y direction nmax=1000; % maximum number of time steps x_max=2*lambda; % simulation region size in x direction y_max=2*lambda; % simulation region size in y direction nx=ceil(x_max/dx); % number of grid points in x direction ny=ceil(y_max/dy); % number of grid points in y direction %% initialization Ez=zeros(nx,ny); % electric field along z direction Ez_n=zeros(nx,ny); % electric field at time step n Ez_nm1=zeros(nx,ny); % electric field at time step n-1 Hx=zeros(nx,ny); % magnetic field along x direction Hy=zeros(nx,ny); % magnetic field along y direction Hx_n=zeros(nx,ny); % magnetic field at time step n Hy_n=zeros(nx,ny); % magnetic field at time step n Jx=zeros(nx,ny); % current density along x direction Jy=zeros(nx,ny); % current density along y direction sigma_x=zeros(nx,ny); % PML conductivity along x direction sigma_y=zeros(nx,ny); % PML conductivity along y direction sigma_xy=zeros(nx,ny); % PML conductivity along xy direction Bx=zeros(nx+1,ny); % auxiliary magnetic field along x direction By=zeros(nx,ny+1); % auxiliary magnetic field along y direction %% PML conductivity for i=1:nx for j=1:ny if i<=sigma_p sigma_x(i,j)=0.25*(sigma_p-i)^3/sigma_p^2; elseif i>=nx-sigma_p+1 sigma_x(i,j)=0.25*(i-nx+sigma_p)^3/sigma_p^2; end if j<=sigma_p sigma_y(i,j)=0.25*(sigma_p-j)^3/sigma_p^2; elseif j>=ny-sigma_p+1 sigma_y(i,j)=0.25*(j-ny+sigma_p)^3/sigma_p^2; end if i<=sigma_p && j<=sigma_p sigma_xy(i,j)=0.25*(sigma_p-sqrt((sigma_p-i)^2+(sigma_p-j)^2))^3/sigma_p^2; elseif i<=sigma_p && j>=ny-sigma_p+1 sigma_xy(i,j)=0.25*(sigma_p-sqrt((sigma_p-i)^2+(j-ny+sigma_p)^2))^3/sigma_p^2; elseif i>=nx-sigma_p+1 && j<=sigma_p sigma_xy(i,j)=0.25*(sigma_p-sqrt((i-nx+sigma_p)^2+(sigma_p-j)^2))^3/sigma_p^2; elseif i>=nx-sigma_p+1 && j>=ny-sigma_p+1 sigma_xy(i,j)=0.25*(sigma_p-sqrt((i-nx+sigma_p)^2+(j-ny+sigma_p)^2))^3/sigma_p^2; end end end %% main loop for n=1:nmax % update magnetic field for i=1:nx for j=1:ny-1 Hx(i,j)=Hx(i,j)+dt/(dy*mu)*(Ez(i,j)-Ez(i,j+1)); end end for i=1:nx-1 for j=1:ny Hy(i,j)=Hy(i,j)-dt/(dx*mu)*(Ez(i,j)-Ez(i+1,j)); end end % PML boundary condition for magnetic field for i=1:nx for j=1:ny-1 Bx(i,j)=Bx(i,j)+dt/(dy*mu)*(Ez(i,j)-Ez(i,j+1)); end end for i=1:nx-1 for j=1:ny By(i,j)=By(i,j)-dt/(dx*mu)*(Ez(i,j)-Ez(i+1,j)); end end for i=1:sigma_p for j=1:ny-1 Hx(i,j)=Hx(i,j)+dt*sigma_x(i,j)/(2*mu)*Bx(i,j); end end for i=nx-sigma_p+1:nx for j=1:ny-1 Hx(i,j)=Hx(i,j)+dt*sigma_x(i,j)/(2*mu)*Bx(i,j); end end for i=1:nx-1 for j=1:sigma_p Hy(i,j)=Hy(i,j)+dt*sigma_y(i,j)/(2*mu)*By(i,j); end end for i=1:nx-1 for j=ny-sigma_p+1:ny Hy(i,j)=Hy(i,j)+dt*sigma_y(i,j)/(2*mu)*By(i,j); end end for i=1:sigma_p for j=1:sigma_p Hx(i,j)=Hx(i,j)+dt*sigma_xy(i,j)/(2*mu)*Bx(i,j); Hy(i,j)=Hy(i,j)+dt*sigma_xy(i,j)/(2*mu)*By(i,j); end end for i=nx-sigma_p+1:nx for j=1:sigma_p Hx(i,j)=Hx(i,j)+dt*sigma_xy(i,j)/(2*mu)*Bx(i,j); Hy(i,j)=Hy(i,j)+dt*sigma_xy(i,j)/(2*mu)*By(i,j); end end for i=1:sigma_p for j=ny-sigma_p+1:ny Hx(i,j)=Hx(i,j)+dt*sigma_xy(i,j)/(2*mu)*Bx(i,j); Hy(i,j)=Hy(i,j)+dt*sigma_xy(i,j)/(2*mu)*By(i,j); end end for i=nx-sigma_p+1:nx for j=ny-sigma_p+1:ny Hx(i,j)=Hx(i,j)+dt*sigma_xy(i,j)/(2*mu)*Bx(i,j); Hy(i,j)=Hy(i,j)+dt*sigma_xy(i,j)/(2*mu)*By(i,j); end end % update electric field for i=1:nx for j=2:ny-1 Ez(i,j)=Ez(i,j)+dt/(dy*epsilon)*(Hy(i,j)-Hy(i,j-1)); end end for i=2:nx-1 for j=1:ny Ez(i,j)=Ez(i,j)-dt/(dx*epsilon)*(Hx(i,j)-Hx(i-1,j)); end end % PML boundary condition for electric field for i=1:nx for j=2:ny-1 Jx(i,j)=Jx(i,j)+dt*sigma_y(i,j)/epsilon*(Ez(i,j)-Ez(i,j-1)); end end for i=2:nx-1 for j=1:ny Jy(i,j)=Jy(i,j)-dt*sigma_x(i,j)/epsilon*(Ez(i,j)-Ez(i-1,j)); end end for i=1:sigma_p for j=2:ny-1 Ez(i,j)=Ez(i,j)+dt*sigma_y(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j-1))-dt*Jx(i,j); end end for i=nx-sigma_p+1:nx for j=2:ny-1 Ez(i,j)=Ez(i,j)+dt*sigma_y(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j-1))-dt*Jx(i,j); end end for i=2:nx-1 for j=1:sigma_p Ez(i,j)=Ez(i,j)-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))+dt*Jy(i,j); end end for i=2:nx-1 for j=ny-sigma_p+1:ny Ez(i,j)=Ez(i,j)-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))+dt*Jy(i,j); end end for i=1:sigma_p for j=1:ny-1 Ez(i,j)=Ez(i,j)+dt*sigma_xy(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j+1))-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))-dt*Jx(i,j); end end for i=nx-sigma_p+1:nx for j=1:ny-1 Ez(i,j)=Ez(i,j)+dt*sigma_xy(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j+1))-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))-dt*Jx(i,j); end end for i=1:nx-1 for j=1:sigma_p Ez(i,j)=Ez(i,j)-dt*sigma_xy(i,j)/2/epsilon*(Hx(i,j)-Hx(i+1,j))+dt*sigma_y(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j-1))+dt*Jy(i,j); end end for i=1:nx-1 for j=ny-sigma_p+1:ny Ez(i,j)=Ez(i,j)-dt*sigma_xy(i,j)/2/epsilon*(Hx(i,j)-Hx(i+1,j))+dt*sigma_y(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j-1))+dt*Jy(i,j); end end for i=1:sigma_p for j=1:sigma_p Ez(i,j)=Ez(i,j)+dt*sigma_xy(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j+1))-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))-dt*sigma_y(i,j)/2/epsilon*(Ez(i,j)-Ez(i,j-1)); end end for i=nx-sigma_p+1:nx for j=1:sigma_p Ez(i,j)=Ez(i,j)+dt*sigma_xy(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j+1))-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))-dt*sigma_y(i,j)/2/epsilon*(Ez(i,j)-Ez(i,j-1)); end end for i=1:sigma_p for j=ny-sigma_p+1:ny Ez(i,j)=Ez(i,j)+dt*sigma_xy(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j-1))-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))-dt*sigma_y(i,j)/2/epsilon*(Ez(i,j)-Ez(i,j-1)); end end for i=nx-sigma_p+1:nx for j=ny-sigma_p+1:ny Ez(i,j)=Ez(i,j)+dt*sigma_xy(i,j)/2/epsilon*(Hy(i,j)-Hy(i,j-1))-dt*sigma_x(i,j)/2/epsilon*(Hx(i,j)-Hx(i-1,j))-dt*sigma_y(i,j)/2/epsilon*(Ez(i,j)-Ez(i,j-1)); end end % Gaussian source Ez(xs/dx+1,ys/dy+1)=E0*exp(-((n-1)*dt)^2/2/sigma^2)*sin(omega*(n-1)*dt); % boundary condition Ez(1,:)=0; Ez(nx,:
阅读全文

相关推荐

最新推荐

recommend-type

基于springboot个人公务员考试管理系统源码数据库文档.zip

基于springboot个人公务员考试管理系统源码数据库文档.zip
recommend-type

bimdata_api_client-4.2.1-py3-none-any.whl

bimdata_api_client-4.2.1-py3-none-any.whl
recommend-type

numpy-1.20.2-cp39-cp39-linux_armv7l.whl

numpy-1.20.2-cp39-cp39-linux_armv7l.whl
recommend-type

matplotlib-3.3.2-cp39-cp39-linux_armv7l.whl

matplotlib-3.3.2-cp39-cp39-linux_armv7l.whl
recommend-type

bimdata_api_client-4.0.0-py3-none-any.whl

bimdata_api_client-4.0.0-py3-none-any.whl
recommend-type

基于Python和Opencv的车牌识别系统实现

资源摘要信息:"车牌识别项目系统基于python设计" 1. 车牌识别系统概述 车牌识别系统是一种利用计算机视觉技术、图像处理技术和模式识别技术自动识别车牌信息的系统。它广泛应用于交通管理、停车场管理、高速公路收费等多个领域。该系统的核心功能包括车牌定位、车牌字符分割和车牌字符识别。 2. Python在车牌识别中的应用 Python作为一种高级编程语言,因其简洁的语法和强大的库支持,非常适合进行车牌识别系统的开发。Python在图像处理和机器学习领域有丰富的第三方库,如OpenCV、PIL等,这些库提供了大量的图像处理和模式识别的函数和类,能够大大提高车牌识别系统的开发效率和准确性。 3. OpenCV库及其在车牌识别中的应用 OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库,提供了大量的图像处理和模式识别的接口。在车牌识别系统中,可以使用OpenCV进行图像预处理、边缘检测、颜色识别、特征提取以及字符分割等任务。同时,OpenCV中的机器学习模块提供了支持向量机(SVM)等分类器,可用于车牌字符的识别。 4. SVM(支持向量机)在字符识别中的应用 支持向量机(SVM)是一种二分类模型,其基本模型定义在特征空间上间隔最大的线性分类器,间隔最大使它有别于感知机;SVM还包括核技巧,这使它成为实质上的非线性分类器。SVM算法的核心思想是找到一个分类超平面,使得不同类别的样本被正确分类,且距离超平面最近的样本之间的间隔(即“间隔”)最大。在车牌识别中,SVM用于字符的分类和识别,能够有效地处理手写字符和印刷字符的识别问题。 5. EasyPR在车牌识别中的应用 EasyPR是一个开源的车牌识别库,它的c++版本被广泛使用在车牌识别项目中。在Python版本的车牌识别项目中,虽然项目描述中提到了使用EasyPR的c++版本的训练样本,但实际上OpenCV的SVM在Python中被用作车牌字符识别的核心算法。 6. 版本信息 在项目中使用的软件环境信息如下: - Python版本:Python 3.7.3 - OpenCV版本:opencv*.*.*.** - Numpy版本:numpy1.16.2 - GUI库:tkinter和PIL(Pillow)5.4.1 以上版本信息对于搭建运行环境和解决可能出现的兼容性问题十分重要。 7. 毕业设计的意义 该项目对于计算机视觉和模式识别领域的初学者来说,是一个很好的实践案例。它不仅能够让学习者在实践中了解车牌识别的整个流程,而且能够锻炼学习者利用Python和OpenCV等工具解决问题的能力。此外,该项目还提供了一定量的车牌标注图片,这在数据不足的情况下尤其宝贵。 8. 文件信息 本项目是一个包含源代码的Python项目,项目代码文件位于一个名为"Python_VLPR-master"的压缩包子文件中。该文件中包含了项目的所有源代码文件,代码经过详细的注释,便于理解和学习。 9. 注意事项 尽管该项目为初学者提供了便利,但识别率受限于训练样本的数量和质量,因此在实际应用中可能存在一定的误差,特别是在处理复杂背景或模糊图片时。此外,对于中文字符的识别,第一个字符的识别误差概率较大,这也是未来可以改进和优化的方向。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

网络隔离与防火墙策略:防御网络威胁的终极指南

![网络隔离](https://www.cisco.com/c/dam/en/us/td/i/200001-300000/270001-280000/277001-278000/277760.tif/_jcr_content/renditions/277760.jpg) # 1. 网络隔离与防火墙策略概述 ## 网络隔离与防火墙的基本概念 网络隔离与防火墙是网络安全中的两个基本概念,它们都用于保护网络不受恶意攻击和非法入侵。网络隔离是通过物理或逻辑方式,将网络划分为几个互不干扰的部分,以防止攻击的蔓延和数据的泄露。防火墙则是设置在网络边界上的安全系统,它可以根据预定义的安全规则,对进出网络
recommend-type

在密码学中,对称加密和非对称加密有哪些关键区别,它们各自适用于哪些场景?

在密码学中,对称加密和非对称加密是两种主要的加密方法,它们在密钥管理、计算效率、安全性以及应用场景上有显著的不同。 参考资源链接:[数缘社区:密码学基础资源分享平台](https://wenku.csdn.net/doc/7qos28k05m?spm=1055.2569.3001.10343) 对称加密使用相同的密钥进行数据的加密和解密。这种方法的优点在于加密速度快,计算效率高,适合大量数据的实时加密。但由于加密和解密使用同一密钥,密钥的安全传输和管理就变得十分关键。常见的对称加密算法包括AES(高级加密标准)、DES(数据加密标准)、3DES(三重数据加密算法)等。它们通常适用于那些需要
recommend-type

我的代码小部件库:统计、MySQL操作与树结构功能

资源摘要信息:"leetcode用例构造-my-widgets是作者为练习、娱乐或实现某些项目功能而自行开发的一个代码小部件集合。这个集合中包含了作者使用Python语言编写的几个实用的小工具模块,每个模块都具有特定的功能和用途。以下是具体的小工具模块及其知识点的详细说明: 1. statistics_from_scratch.py 这个模块包含了一些基础的统计函数实现,包括但不限于均值、中位数、众数以及四分位距等。此外,它还实现了二项分布、正态分布和泊松分布的概率计算。作者强调了使用Python标准库(如math和collections模块)来实现这些功能,这不仅有助于巩固对统计学的理解,同时也锻炼了Python编程能力。这些统计函数的实现可能涉及到了算法设计和数学建模的知识。 2. mysql_io.py 这个模块是一个Python与MySQL数据库交互的接口,它能够自动化执行数据的导入导出任务。作者原本的目的是为了将Leetcode平台上的SQL测试用例以字典格式自动化地导入到本地MySQL数据库中,从而方便在本地测试SQL代码。这个模块中的MysqlIO类支持将MySQL表导出为pandas.DataFrame对象,也能够将pandas.DataFrame对象导入为MySQL表。这个工具的应用场景可能包括数据库管理和数据处理,其内部可能涉及到对数据库API的调用、pandas库的使用、以及数据格式的转换等编程知识点。 3. tree.py 这个模块包含了与树结构相关的一系列功能。它目前实现了二叉树节点BinaryTreeNode的构建,并且提供了从列表构建二叉树的功能。这可能涉及到数据结构和算法中的树形结构、节点遍历、树的构建和操作等。利用这些功能,开发者可以在实际项目中实现更高效的数据存储和检索机制。 以上三个模块构成了my-widgets库的核心内容,它们都以Python语言编写,并且都旨在帮助开发者在特定的编程场景中更加高效地完成任务。这些工具的开发和应用都凸显了作者通过实践提升编程技能的意图,并且强调了开源精神,即将这些工具共享给更广泛的开发者群体,以便他们也能够从中受益。 通过这些小工具的使用,开发者可以更好地理解编程在不同场景下的应用,并且通过观察和学习作者的代码实现,进一步提升自己的编码水平和问题解决能力。"