CN109655672B - 一种基于人工智能的电磁环境效应分析方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的电磁环境效应分析方法，在时域有限差分体系下，开展低频中等电尺寸复杂目标的电磁环境效应分析，结合人工智能手段开展典型目标的离线模型学习，然后利用Maxwell正向建模开展在线学习，给出电磁场空间特性分析。本发明适应性强，方法新颖，极大地提高了电磁环境效应的计算效率，为研究复杂结构/材料目标电磁散射特性分析提供了有效技术手段。

Description

一种基于人工智能的电磁环境效应分析方法

技术领域

本发明涉及复杂电磁环境下的电磁特性高效分析领域，特别涉及一种基于人工智能的电磁环境效应分析方法。

背景技术

早在上世纪90年代开始，已有人将各种电磁辐射源的破坏效应归纳为武器系统在现代战争中遇到的电磁环境效应问题，并于1993年完成了“强电磁干扰和高功率微波辐射下集成电路的防护方法”研究。目前对各种电磁设备的防护EMP能力已经建立了系统的国家军用标准。国外相关防卫研究部分专门针对未来战场中电磁炸弹的破坏效应和防护技术进行了研究。

随着电子信息系统的广泛应用，电磁辐射源数量迅速增加，导致开放空间、局部工作及生活空间中电磁环境变得越来越复杂。反之，日益复杂的电磁环境又会对电子信息系统产生严重影响，为了保证处于一定区域内复杂电磁环境下的电子信息系统能够正常发挥功能，必须精确开展电磁环境效应分析，从而合理地运用电子信息系统。

2016年董俊、洪丽娜等发表在现代防御技术上的非专利文献“多辐射平台运动区域电磁环境预测方法”利用建模仿真方法预测了多平台区域综合电磁环境，在电磁环境建模基础上设计了电磁环境预测软件系统，并进行了仿真实验。2014年JinGong Wei、JinFaLee等发表在IEEE URSI上的非专利文献“An integral Equation DiscontinuousGalerkin Method for Wide-band and Multi-scale Problems”介绍了基于积分方程的不连续伽略金方法，利用非共形网格技术开展混合场积分方程算子的加速求解，结合L²基函数的可靠性及高适应性的特点开展电磁场仿真分析。

2016年Nicolas Marsic，CaledoniaWaltz等发表在IEEE Transactions onMagnetics上的非专利文献“Domain Decomposition Methods for Time-HarmonicEletromagnetic Waves With High-Order Whitney Forms”介绍了一种高阶基函数的时谐场区域分解算法，通过不同阶数基函数的电磁场区收敛速度仿真分析验证了区域分解结合高阶基函数求电磁环境效应的有效性。

但是以上现有技术均未公开一种基于人工智能的电磁环境效应分析方法用以解决正向求解速度慢、内耗消耗大的问题。

发明内容

本发明的目的在于提供一种基于人工智能的电磁环境效应分析方法，解决现有技术中正向求解速度慢、内耗消耗大的问题，同时为电复杂结构、介质/金属复合目标电磁效应特性分析提供技术手段和数据支撑。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于人工智能的电磁环境效应分析方法，包含以下步骤：

S1、在有限空间开展目标空间网格离散，即用局部小单位对目标几何外形进行剖分，结合Maxwell方程组开展电磁流空间描述；

S2、对不同目标的数据开展电磁效应网络参数模型学习，利用卷积神经网络模型对所述电磁效应网络参数模型进行优化，得到电磁场神经网络参数；

S3、采用深度置信网络模型进行训练，最大化各个目标的特征提取，获取非线性、互补性的电磁场神经网络模型参数，并进行离线存储，结合离线电磁场神经网络参数预估目标散射特性，建立仿真模型，用于电磁散射特性预估；

S4、选用时域有限差分方程开展电磁场的物理离散，得到不同结点的电磁场描述，确保神经网络的泛化能力；结合步骤S2中的离线模型开展在线学习，获取电磁场特性数据，开展电磁环境效应分析。

优选地，所述步骤S1中进一步包含：依据电磁波频率和极化特性在有限空间开展目标空间网格离散。

优选地，所述不同目标的数据包含几何外形、结构、材料的RSC数据、ISAR图像数据。

优选地，所述时域有限差分方程是求解Maxwell微分方程的直接时域方法，Maxwell微分方程为：

式中：H为磁场强度；E为电场强度；B为磁通量密度；D为电同量密度；ρ为电荷密度；ρ_m为磁荷密度；J为电流密度；J_m为磁流密度；

电磁场在线性介质中的本构关系可表示为：

D＝εE

B＝μH

J＝σE

J_m＝σ_mH

式中，ε为介电常数；μ为磁导系数；σ和σ_m分别为介质的电导率和磁导率。

优选地，所述时域有限差分方程的离散单元为Yee元胞，对有限空间内的任意所述不同目标的数据进行模拟。

优选地，所述卷积神经网络包含输入层、隐藏层和输出层，所述卷积神经网络的训练分为前向传播和后向传播两个阶段；

当在前向传播阶段时，从样本集中抽取一个训练样本，将该训练样本输入给所述卷积神经网络，并从输入层经过逐级变换传送到所述输出层，计算相应的实际输出；

当在后向传播阶段时，计算实际输出与理想输出的差异，并按最小化误差的方法调整权值矩阵。

优选地，所述隐藏层包括卷积层和子采样层；

所述卷积层进行特征提取的过程为：将输入层得到的特征图与一个卷积核卷积，经过激活函数，加上偏置，形成当前卷积层特征数据的局部特征，并利用不同的卷积核，得到当前卷积层不同的特征图，卷积层的形式为：

式中，

为当前卷积输出，j表示特征量的位置，其个数与输出总量有关，l代表层数，k代表卷积核，M_j是选择输入数据的集合；

所述子采样层对数据进行子抽样的过程为：

每相邻的四个神经元取均值，然后每隔一个神经元取一个值，得到子采样层的特征图，子采样层的形式为：

式中，

为子采样层的输出，

为权重，

为偏置量，μ(·)表示子采样函数，是对输入数据集的不同块或者全部数据进行求和或取均值，输出数据的大小是输入数据大小的1/n×n。

优选地，所述输出层采用Softmax非线性逻辑回归分类器，实现对模型的监督训练，计算形式为：

式中，p_i为当前测试样本属于第i类目标的概率，K为输出量总特征数目。

优选地，所述深度置信网络是由多个堆叠的限制性玻尔兹曼机单元与一个反向传播网络构成的深度学习网络，所述深度置信网络的模型具体训练过程包含预训练阶段和微调阶段；

所述预训练阶段中进一步包含：

随机选择观测样本作为深度置信网络的可视层输入来训练第一层限制性玻尔兹曼机；将第一层限制性玻尔兹曼机的输出作为新的观测样本，训练第二层限制性玻尔兹曼机，依次类推训练，完成所有层限制性玻尔兹曼机；

所述微调阶段中进一步包含：

将所述预训练阶段得到的权重作为深度置信网络的初始权重，结合逻辑回归分类，通过最小化顶层输出与预期输出的误差，将训练残差反向往前传，使用反向传播算法监督调整网络参数。

优选地，所述限制性玻尔兹曼机包含可视层v和隐藏层h，同一层单元之间没有连接，可视层v层与隐藏层h层之间通过权重w全连接；

假设隐藏层与可视层神经元为二值，所述限制性玻尔兹曼机可用联合概率分布来表示，联合组态能量函数为：

式中，θ＝{w_ij,a_j,b_i}是限制性玻尔兹曼机参数，w_ij表示可视层与隐藏层之间的连接权重，a_j、b_i分别为隐藏层和可视层单元的偏置项；

其中，当输入可视层v时由激活函数p(h|v)得到隐藏层h，然后根据p(v|h)，由隐藏层h重建可视层单元v'，通过调节参数θ反复执行上述步骤，直至重构的可视层v'与原可视层v之间的误差最小，此时的隐藏层可作为可视层输入数据的有效表征；

当给定可视层或隐藏层神经元状态时，对应的激活概率可分别表示为：

深度置信网络提取的第N层特征可表示为：

式中，v^batch为输入样本，

表示第N层权重的转置，sigm(·)为Sigmoid激活函数，如下：

与现有技术相比，本发明的有益效果为：本发明的基于人工智能的电磁环境效应分析方法通过在时域有限差分体系下，开展低频中等电尺寸复杂目标的电磁环境效应分析，结合人工智能手段开展典型目标的离线模型学习，然后利用Maxwell正向建模开展在线学习，利用卷积神经网开展网络参数优化，给出电磁场空间特性分析。本发明适应性强，方法新颖，极大地提高了电磁环境效应的计算效率，为研究复杂结构/材料目标电磁散射特性分析提供了有效技术手段。本发明由于在固定空间开展网格离散，不同的仅是每个网格格点的介电参数，形成的神经网络模型具有较好的泛化能力。

附图说明

图1本发明的基于人工智能的电磁环境效应分析方法的流程图；

图2本发明的FDTD求解Yee元胞示意图；

图3本发明的卷积神经网络基本结构；

图4本发明的目标电磁效应分析的深度学习结构；

图5a-图5b本发明的基于FDTD空间泛化的不同模型示意图。

具体实施方式

为了使本发明更加明显易懂，以下结合附图和具体实施方式对本发明做进一步阐述。

如图1所示，本发明的基于人工智能的电磁环境效应分析方法包含以下步骤：

S1、依据电磁波频率、极化特性等在有限空间开展目标空间网格离散，即用局部小单位对目标几何外形进行剖分，然后结合Maxwell方程组开展电磁流空间描述，考虑到电磁环境效应分析的复杂性，选用时域有限差分方程(FDTD)开展电磁场离散。

具体地，时域有限差分方程(FDTD)是求解Maxwell微分方程的直接时域方法，在辐射天线分析、微波器件研究、散射与雷达截面计算等方面获得了广泛的应用。Maxwell微分方程为：

式中：H为磁场强度；E为电场强度；B为磁通量密度；D为电同量密度；ρ为电荷密度；ρ_m为磁荷密度；J为电流密度；J_m为磁流密度。电磁场在线性介质中的本构关系可表示为：

D＝εE

B＝μH

J＝σE

J_m＝σ_mH

式中：ε为介电常数；μ为磁导系数；σ和σ_m分别为介质的电导率和磁导率，真空中，σ＝0，σ_m＝0，ε＝8.85×10^-12F/m,μ＝4π×10^-7H/m。

FDTD的离散单元为Yee元胞，对有限空间内的任意复杂外形/结构/材料等均具有较好的模拟能力。在空间中，利用Yee元胞对空间进行网格离散，如图2所示，研究的基本思路即在空间和时间轴上，对电磁场的电场强度E和磁场强度H分量进行交替采样，每一个E或H场分量周围包围着4个H或E，然后利用空间维和时间维上的差分替代方程(1)中的旋度和散射算子，从而得到递推形式的空间电磁场分布。

S2、对有限的大量数据开展电磁效应网络参数模型学习，结合当前流行的卷积神经网络模型对模型进行优化，得到有限空间内复杂外形、复合材料等的电磁场神经网络参数。

具体地，首先以典型几何外形、复合材料的RCS(雷达散射截面积)数据、ISAR(inverse synthetic aperture radar，逆合成孔径雷达)图像作为输入，采用在图像与识别领域具有优势的卷积神经网络(CNN)，分别学习目标几何外形、材料的RCS、ISAR成像等散射特征分布；然后利用在特征选择与分析方面具有优势的深度置信网络(DBN)，对目标外形、材料、结构等进行统计分析和融合，从而建立含复杂外形、材料、结构目标的仿真模型用于电磁散射特性预估，如图3所示的。

卷积神经网络(CNN)是基于多层监督学习的新型神经网络，已在图像分类与识别领域有诸多成功应用。CNN作为一种特征学习方法，可通过非线性的简单模型(包括网络的局部连接、权值共享和时间或空间下采样)，将原始数据转化为更为抽象、具有全局代表性及在一定程度上具有平移、缩放和旋转不变性的特征，并且在特征学习过程中不需要过多人工参与。很多研究表明，与传统方法相比，CNN可以学习到更高效的高层图像特征。因此，本发明拟采用基于CNN的目标电磁散射特性学习方法，建立用于目标电磁散射特性获取的神经网络模型，提取目标外形、材料、结构等对应的映射关系，为目标电磁散射特性预估提供有效技术手段。

CNN是由输入层、隐藏层和输出层组合而成的多层神经网络，如图3所示，其中隐藏层是CNN特征提取的重要环节，该层又包括卷积层和子采样层：

①卷积层(简称为C层)：也可称为特征提取层，它通过利用不同的卷积核来突出不同方面的特征，以达到提取特征的效果；具体过程为：将输入层得到的特征图与一个卷积核卷积，然后经过激活函数，加上偏置，形成当前层特征数据的局部特征，并利用不同的卷积核，得到这一层不同的特征图。卷积层的形式为：

式中，

为当前卷积输出，j表示特征量的位置，其个数与输出总量有关。l代表层数，k代表卷积核，M_j是选择输入数据的集合，每个输出特征集均有一个额外的偏置b。对于一个特定的输入数据集，若卷积核不一样，则对应的输出特征不同。

②子采样层(简称为S层)：利用数据局部相关性的原理，对数据进行子抽样，达到减少数据处理量的同时保留有用信息的目的。具体过程为：相邻的四个神经元与一个值为1/4的2×2矩阵卷积，即每相邻的四个神经元取均值，之后每隔一个神经元取一个值，从而得到子采样层的特征图。子采样层的一般形式为：

其中，

为子采样层的输出，

为权重，

为偏置量，μ(·)表示子采样函数，一般是对输入数据集的不同块或者全部数据进行求和或取均值，这样输出数据的大小是输入大小的1/n×n。每一个输出的特征数据通通都对应着一个属于自己的权重β和一个偏置b。

在输出层，通常采用Softmax非线性逻辑回归分类器，实现对模型的监督训练，其计算形式为：

式中，p_i为当前测试样本属于第i类目标的概率，K为输出量总特征数目。

卷积神经网络的训练分为前向传播和后向传播两个阶段；在前向传播阶段，从样本集中抽取一个训练样本，将其输入给网络，信息从输入层经过逐级变换传送到输出层，计算相应的实际输出；在后向传播阶段，计算实际输出与理想输出的差异，并按最小化误差的方法调整权值矩阵。

对于面向数据融合的多模型深度置信网络(DBN)，具体包含：为了最大化复杂外形、材料、结构目标的特征提取，本发明拟采用图4所示的多模型DBN方法，首先通过多个隐含层分别从不同目标的散射特性数据中提取特征，获取非线性、互补性的神经网络参数，并进行离线存储，为复杂目标在线散射特性学习提供依据。

S3、电磁环境效应分析的神经网络模型参数与数据大小、复杂程度等密切相关，必须采用相应的技术手段防止神经网络参数过拟合现象的产生，形成稳定可靠的神经网络模型参数，所以采用DBN方法可有效解决该技术难点。

其中，深度置信网络(DBN)是由多个堆叠的限制性玻尔兹曼机(RBM)单元与一个反向传播(BP)网络构成的深度学习网络，在特征选择、分析和学习方面具有显著优势。该DBN模型的具体训练过程中分为预训练和微调两步，具体如下：

预训练阶段：随机选择观测样本(本发明中为CNN的目标散射特征映射集)，作为DBN的可视层输入，来训练第一层RBM；将第一层的输出作为新的观测样本，训练第二层RBM网络；依次类推训练完成所有层RBM网络；具体拟采用基于逐层贪婪学习的对比散度算法对多模型DBN参数进行快速求解。

微调阶段：将预训练得到的权重作为DBN网络的初始权重，然后结合逻辑回归分类，采用监督学习的方式进行网络的微调，即通过最小化顶层输出与预期输出的误差，将训练残差反向往前传，使用BP算法监督调整网络参数。

限制性玻尔兹曼机由可视层(v)和隐藏层(h)组成，同一层单元之间没有连接，v层与h层之间通过权重w全连接。假设隐藏层与可视层神经元为二值，RBM可用联合概率分布来表示，其联合组态能量函数为：

式中，θ＝{w_ij,a_j,b_i}是RBM参数，w_ij表示可视层与隐藏层之间的连接权重，a_j，b_i分别为隐藏层和可视层单元的偏置项。

由于可视层和隐藏层都满足Boltzmann分布，当输入可视层v时，可以由激活函数p(h|v)得到隐藏层h；然后可根据p(v|h)，由隐藏层h重建可视层单元v'。通过调节参数θ反复执行上述步骤，直至重构的可视层v'与原可视层v之间的误差最小，这时的隐藏层可作为可视层输入数据的有效表征。给定可视层或隐藏层神经元状态时，对应的激活概率可分别表示为：

DBN提取的第N层特征可表示为：

式中，v^batch为输入样本，

表示第N层权重的转置，sigm(·)为Sigmoid激活函数，如下：

DBN网络训练完成后，提取的N个层级特征之间存在关系，可以相互表征，其中最顶层特征可理解为底层各特征的融合形式。本发明通过基于支持向量机的分层目标散射特性神经网络训练，并进行离线存储。对于待求目标，根据外形、材料及结构开展在线学习，结合离线神经网络预估目标散射特性分布，建立高性能的仿真模型。

S4、对复杂电磁环境效应分析模型开展FDTD电磁场的物理离散，得到不同结点的电磁场描述，确保神经网络的泛化能力；然后结合步骤S2中的离线模型开展在线学习，获取电磁场特性数据，并开展电磁环境效应分析。目标带求解区域保证在一个固定的盒子节点上，如图5a和图5b所示。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种基于人工智能的电磁环境效应分析方法，其特征在于，包含以下步骤：

S1、在有限空间开展目标空间网格离散，结合Maxwell方程组开展电磁流空间描述；

S2、对不同目标的数据开展电磁效应网络参数模型学习，利用卷积神经网络模型对所述电磁效应网络参数模型进行优化，得到电磁场神经网络参数；

S3、采用深度置信网络模型进行训练，最大化各个目标的特征提取，获取非线性、互补性的电磁场神经网络模型参数，并进行离线存储，结合离线电磁场神经网络参数预估目标散射特性，建立仿真模型，用于电磁散射特性预估；

S4、选用时域有限差分方程开展电磁场的物理离散，得到不同结点的电磁场描述，确保神经网络的泛化能力；结合步骤S2中的离线模型开展在线学习，获取电磁场特性数据，开展电磁环境效应分析。

2.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述步骤S1中进一步包含：依据电磁波频率和极化特性在有限空间开展目标空间网格离散。

3.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述不同目标的数据包含几何外形、结构、材料的RSC数据、ISAR图像数据。

4.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述时域有限差分方程是求解Maxwell微分方程的直接时域方法，Maxwell微分方程为：

式中：H为磁场强度；E为电场强度；B为磁通量密度；D为电同量密度；ρ为电荷密度；ρ_m为磁荷密度；J为电流密度；J_m为磁流密度；

电磁场在线性介质中的本构关系可表示为：

D＝εE

B＝μH

J＝σE

J_m＝σ_mH

式中，ε为介电常数；μ为磁导系数；σ和σ_m分别为介质的电导率和磁导率。

5.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述时域有限差分方程的离散单元为Yee元胞，对有限空间内的任意所述不同目标的数据进行模拟。

6.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述卷积神经网络包含输入层、隐藏层和输出层，所述卷积神经网络的训练分为前向传播和后向传播两个阶段；

当在前向传播阶段时，从样本集中抽取一个训练样本，将该训练样本输入给所述卷积神经网络，并从输入层经过逐级变换传送到所述输出层，计算相应的实际输出；

当在后向传播阶段时，计算实际输出与理想输出的差异，并按最小化误差的方法调整权值矩阵。

7.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述深度置信网络是由多个堆叠的限制性玻尔兹曼机单元与一个反向传播网络构成的深度学习网络，所述深度置信网络的模型具体训练过程包含预训练阶段和微调阶段；

所述预训练阶段中进一步包含：

随机选择观测样本作为深度置信网络的可视层输入来训练第一层限制性玻尔兹曼机；将第一层限制性玻尔兹曼机的输出作为新的观测样本，训练第二层限制性玻尔兹曼机，依次类推训练，完成所有层限制性玻尔兹曼机；所述微调阶段中进一步包含：

将所述预训练阶段得到的权重作为深度置信网络的初始权重，结合逻辑回归分类，通过最小化顶层输出与预期输出的误差，将训练残差反向往前传，使用反向传播算法监督调整网络参数。

8.如权利要求7所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述限制性玻尔兹曼机包含可视层v和隐藏层h，同一层单元之间没有连接，可视层v层与隐藏层h层之间通过权重w全连接；

假设隐藏层与可视层神经元为二值，所述限制性玻尔兹曼机可用联合概率分布来表示，联合组态能量函数为：

式中，θ＝{w_ij,a_j,b_i}是限制性玻尔兹曼机参数，w_ij表示可视层与隐藏层之间的连接权重，a_j、b_i分别为隐藏层和可视层单元的偏置项；

其中，当输入可视层v时由激活函数p(h|v)得到隐藏层h，然后根据p(v|h)，由隐藏层h重建可视层单元v'，通过调节参数θ反复执行上述步骤，直至重构的可视层v'与原可视层v之间的误差最小，此时的隐藏层可作为可视层输入数据的有效表征；

当给定可视层或隐藏层神经元状态时，对应的激活概率可分别表示为：

深度置信网络提取的第N层特征可表示为：

式中，v^batch为输入样本，

表示第N层权重的转置，sigm(·)为Sigmoid激活函数，如下：

Images