CN111723521A - 基于gan网络的有限口径数据恢复为全口径数据的方法 - Google Patents
基于gan网络的有限口径数据恢复为全口径数据的方法 Download PDFInfo
- Publication number
- CN111723521A CN111723521A CN202010535232.2A CN202010535232A CN111723521A CN 111723521 A CN111723521 A CN 111723521A CN 202010535232 A CN202010535232 A CN 202010535232A CN 111723521 A CN111723521 A CN 111723521A
- Authority
- CN
- China
- Prior art keywords
- data
- aperture
- training
- scattered field
- gan network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000035699 permeability Effects 0.000 claims description 3
- 238000004613 tight binding model Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
技术领域
本发明涉及神经网络及电磁学技术领域,尤其是涉及了基于GAN网络的有限口径数据恢复为全口径数据的方法。
背景技术
逆问题是指通过散射场数据确定未知散射体的性质,譬如大小、形状、介电常数等信息,传统方法是通过全口径的天线来获取散射场数据,即接收和入射天线均匀的放置在散射体周围,然而,全口径数据的获得,不仅需要耗费较多的收发天线,增加了硬件成本,在工业探测、安检成像等领域,全口径天线的放置也不易实现,即不易直接得到全口径的数据。
发明内容
为解决现有技术的不足,实现保证数据准确性的同时,降低成本,提升可用性的目的,本发明采用如下的技术方案:
基于GAN网络的有限口径数据恢复为全口径数据的方法,包括如下步骤:
步骤一,准备数据集模拟散射体;
步骤四,构建GAN网络;
rp表示发射天线位置,rq表示接收天线的位置,表示位于rp处的发射天线入射时,在rq处的接收天线接收到的单个天线的散射场数据,i是复数标志,w是角频率,μ0是磁导率,G(rq,r′)表示并矢格林函数,表示感应电流,N是目标区域被剖分后的网格总数,r′是每个网格,d是积分的符号,所述的是单个天线的散射场数据的集合。
所述的步骤三通过天线位置与散射场数据之间的映射关系从所述的数据中获取部分数据,得到所述的所述的天线位置与散射场数据之间的映射关系为Ni根入射天线与Nr根接收天线均匀放置在散射体周围,入射天线产生电磁波照射散射体,接收天线测量到散射场数据,可得到大小为Nr*Ni的散射场数据矩阵,即的矩阵形式,从所述的矩阵中取出部分数据,放入新矩阵,其余数据用0补齐,即得到矩阵形式的
所述的步骤五,根据所述的损失值构成的损失曲线,调节GAN网络参数,来优化所述的权重参数。
调整GAN网络的参数,优化权重参数,以减小误差值,再次训练和优化,直至达到预设条件。
本发明的优势和有益效果在于:
利用GAN网络来生成有限口径数据相对于全口径数据缺失的部分,在保证数据准确性的同时,能够减少全口径数据获取中收发天线的数量,易于实际应用中的具体实现,同时降低了成本。
附图说明
图1是本发明的方法流程图。
图2a是本发明中全口径天线示意图。
图2b是本发明中有限口径天线示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
神经网络在各个领域开始被广泛应用,其中生成对抗网络(GAN,GenerativeAdversarial Networks)是一种无监督学习的方法,分为鉴别器和生成器两部分,生成器旨在生成鉴别器无法判断真伪的数据,鉴别器旨在判断出输入的数据是真实的数据还是生成器生成的数据,二者相互博弈,利用GAN网络来生成有限口径数据相对于全口径数据缺失的部分。
基于GAN网络的有限口径数据恢复为全口径数据的方法,如图1所示,包括以下步骤:
步骤1:准备若干数据集模拟散射体,例如MNIST、Austria、Circle等数据集,数据集中样本的形状应分布多样,介电常数随机分布在一定范围内,例如1-1.5;
rp表示发射天线位置,rq表示接收天线的位置,表示位于rp处的发射天线入射时,在rq处的接收天线接收到的散射场,i是复数标志,w是角频率,μ0是磁导率,G(rq,r′)表示并矢格林函数,表示感应电流,N是目标区域被剖分后的网格总数,r′是每个网格,d是积分的符号,所述的是单个天线的散射场数据的集合。
步骤3:由于天线位置与散射场数据之间存在着一定的映射关系,根据需要的天线角度,利用该关系从MOM生成的中取出部分数据,由于是矩阵形式,从该矩阵中取出部分数据,如矩阵的行、列,放入新矩阵的对应位置,其余位置用0补齐,即可得到部分口径的散射场数据它的尺寸大小和全口径的数据保证一致。将所得到的数据按照训练:测试=8:2的比例划分,带入GAN网络中。
全口径天线放置与有限口径天线放置如图2所示,天线位置与散射场数据之间的映射关系为Ni根入射天线与Nr根接收天线均匀放置在散射体周围,入射天线产生电磁波照射散射体,接收天线测量到散射场数据,可得到大小为Nr*Ni的散射场数据矩阵,矩阵的行代表接收天线,列代表入射天线,每个网格唯一代表了每根入射和接收天线之间的关系,网格是矩阵中的一个元素,例如32根接收天线和16根入射天线通过MOM方法,会得到大小为32*16的矩阵A,A(1,1)代表了第一根入射天线发射信号时,第一根接收天线接收到的散射场。
步骤4:构建GAN网络,包括生成器和鉴别器的网络结构,激活函数以及训练时需要用到的优化器、损失函数等。构建的GAN网络是Pix2Pix网络,该网络是GAN网络的变体,更适用于成对的数据,这里有限口径的散射场数据与全口径的散射场数据是成对存在的。其中生成器是UNET网络,鉴别器是CNN网络。
步骤5:训练GAN网络,将训练有限口径的数据带入构建好的GAN网络的生成器中,得到恢复出来的训练全口径数据将该数据与通过MOM计算得到的训练全口径散射场数据同时带入鉴别器中对比,得到一个介于0和1之间的鉴别器的损失值,值越大,表明恢复出来的训练全口径数据与全口径散射场数据越接近,将其反馈给生成器,更新生成器的权重参数,同时,通过损失函数计算得到的损失值也会对GAN网络的一些权重参数进行调节,不断优化,直至目标函数收敛,即目标函数达到最优。例如根据训练过程中生成的损失值构成的损失曲线,观察损失值是一直下降还是下降之后上升,来调节迭代次数、学习率等参数,从而优化权重参数。损失值是在训练过程中生成的图像与目标图像的差值,损失值是通过损失函数计算得到的,权重参数指的是网络层与层之间相连接的参数。
步骤6:测试GAN网络,把步骤3划分好的有限口径的数据带入网络进行测试,得到恢复出来的测试全口径数据将恢复出来的测试全口径数据与MOM生成的测试全口径数据进行对比,计算二者的相对误差值,根据误差值,可再次对GAN网络的一些参数进行调节,再次进行训练,不断优化网络的权重参数,不断增强网络的恢复能力,从而减小恢复出来的测试全口径散射场数据与通过MOM计算得到的测试全口径散射场数据之间的误差值。误差值计算公式为:
调整GAN网络的参数,优化权重参数,以减小误差值,再次训练和优化,直至达到预设条件。这里的GAN网络参数包括网络层数、损失函数等,预设条件可以是损失值的一个阈值,当损失值到达该阈值时,就停止训练,也可以设置迭代次数,当到达初始设置的次数就停止训练,然后观察损失曲线以及误差值,是否达到理想程度,再次去调节迭代次数,提前停止的值等。
最后,在实际应用中,只需将从有限口径天线设备中获取的有限口径散射场数据输入训练、测试好的GAN网络,便可得到全口径散射场数据,利用GAN网络的特性补全缺失的数据,节约了硬件成本与时间。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (8)
4.如权利要求1所述的基于GAN网络的有限口径数据恢复为全口径数据的方法,其特征在于所述的步骤四构建的GAN网络是Pix2Pix网络。
7.如权利要求5所述的基于GAN网络的有限口径数据恢复为全口径数据的方法,其特征在于所述的步骤五,根据所述的损失值构成的损失曲线,调节GAN网络参数,辅助优化所述的权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535232.2A CN111723521B (zh) | 2020-06-12 | 2020-06-12 | 基于gan网络的有限口径数据恢复为全口径数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535232.2A CN111723521B (zh) | 2020-06-12 | 2020-06-12 | 基于gan网络的有限口径数据恢复为全口径数据的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723521A true CN111723521A (zh) | 2020-09-29 |
CN111723521B CN111723521B (zh) | 2023-12-08 |
Family
ID=72566497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535232.2A Active CN111723521B (zh) | 2020-06-12 | 2020-06-12 | 基于gan网络的有限口径数据恢复为全口径数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723521B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115548679A (zh) * | 2022-11-29 | 2022-12-30 | 广东工业大学 | 一种用于通信系统的双频共口径天线 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544656A (zh) * | 2018-11-23 | 2019-03-29 | 南京信息工程大学 | 一种基于生成对抗网络的压缩感知图像重建方法及系统 |
CN110660025A (zh) * | 2019-08-02 | 2020-01-07 | 西安理工大学 | 一种基于gan网络的工业监控视频图像清晰化方法 |
-
2020
- 2020-06-12 CN CN202010535232.2A patent/CN111723521B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544656A (zh) * | 2018-11-23 | 2019-03-29 | 南京信息工程大学 | 一种基于生成对抗网络的压缩感知图像重建方法及系统 |
CN110660025A (zh) * | 2019-08-02 | 2020-01-07 | 西安理工大学 | 一种基于gan网络的工业监控视频图像清晰化方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115548679A (zh) * | 2022-11-29 | 2022-12-30 | 广东工业大学 | 一种用于通信系统的双频共口径天线 |
CN115548679B (zh) * | 2022-11-29 | 2023-03-28 | 广东工业大学 | 一种用于通信系统的双频共口径天线 |
Also Published As
Publication number | Publication date |
---|---|
CN111723521B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110074813B (zh) | 一种超声图像重建方法及系统 | |
CN106355151A (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN108535675A (zh) | 一种基于深度学习和数据自洽的磁共振多通道重建方法 | |
CN105046067A (zh) | 基于证据相似度的多传感器信息融合方法 | |
CN114488140A (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
CN114338301B (zh) | 一种基于压缩感知的ris辅助毫米波系统的信道估计方法 | |
CN115438571B (zh) | 一种基于机器学习的地波雷达波浪场计算方法及装置 | |
CN109490861A (zh) | 一种高炉料线提取方法 | |
CN111723521A (zh) | 基于gan网络的有限口径数据恢复为全口径数据的方法 | |
CN112801332A (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN106556877A (zh) | 一种地磁通化方法及装置 | |
CN113472415B (zh) | 信号到达角估计方法、装置、电子设备及存储介质 | |
CN109813969A (zh) | 一种阵列天线的诊断方法、设备、系统以及计算机可读存储介质 | |
CN109544652B (zh) | 基于深度生成对抗神经网络的核磁共振多加权成像方法 | |
CN107682822B (zh) | 一种基于电磁场强度的压缩感知室外定位方法 | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
CN107085705A (zh) | 一种高效特征选择的森林参数遥感估测方法 | |
CN107809253A (zh) | 基于随机Kaczmarz迭代的压缩感知数据重构方法 | |
CN110766308B (zh) | 一种基于集合同化策略的区域农作物估产方法 | |
CN113722951A (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN113886992A (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
CN113487507A (zh) | 一种基于多模块特征聚合的双域递归网络mr重建方法 | |
CN113156363B (zh) | 阵元互耦和幅相误差下的近场源智能定位方法 | |
CN112882022A (zh) | 一种探地雷达数据时频组合全波形反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |