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 PDF

Info

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
Application number
CN202010535232.2A
Other languages
English (en)
Other versions
CN111723521B (zh
Inventor
徐魁文
张晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010535232.2A priority Critical patent/CN111723521B/zh
Publication of CN111723521A publication Critical patent/CN111723521A/zh
Application granted granted Critical
Publication of CN111723521B publication Critical patent/CN111723521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明公开了基于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；步骤二，获取数据集对应的全口径散射场数据
Figure DDA0002536761770000011
步骤三，通过获取
Figure DDA0002536761770000012
中的部分散射场数据，得到有限口径散射场数据
Figure DDA0002536761770000013
将多个成对的
Figure DDA0002536761770000014
和
Figure DDA0002536761770000015
分为训练数据和测试数据；步骤四，构建GAN网络；步骤五，训练GAN网络；步骤六，测试GAN网络；最后，利用训练、测试好的GAN网络的特性补全缺失的数据，便可通过有限口径散射场数据得到全口径散射场数据，节约了硬件成本与时间。

Description

基于GAN网络的有限口径数据恢复为全口径数据的方法
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；
步骤二，获取数据集对应的全口径散射场数据
Figure BDA0002536761750000011
步骤三，通过获取
Figure BDA0002536761750000012
中的部分散射场数据，得到有限口径散射场数据
Figure BDA0002536761750000013
将多个成对的
Figure BDA0002536761750000014
和
Figure BDA0002536761750000015
分为训练数据和测试数据；
步骤四，构建GAN网络；
步骤五，训练GAN网络，将训练
Figure BDA0002536761750000016
带入构建好的GAN网络得到恢复出来的训练全口径散射场数据
Figure BDA0002536761750000017
通过比较训练
Figure BDA0002536761750000018
与训练
Figure BDA0002536761750000019
调整GAN网络的参数，优化权重参数；
步骤六，测试GAN网络，将测试
Figure BDA00025367617500000110
带入训练后的GAN网络得到恢复出来的测试全口径散射场数据
Figure BDA00025367617500000111
通过比较测试
Figure BDA00025367617500000112
与测试
Figure BDA00025367617500000113
调整GAN网络的参数，优化权重参数。
所述的步骤二采用MOM方法计算得到所述的
Figure BDA00025367617500000114
包括如下公式：
Figure BDA00025367617500000115
rp表示发射天线位置，rq表示接收天线的位置，
Figure BDA00025367617500000116
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，
Figure BDA00025367617500000117
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
Figure BDA0002536761750000021
是单个天线的散射场数据
Figure BDA0002536761750000022
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
Figure BDA0002536761750000023
数据中获取部分数据，得到所述的
Figure BDA0002536761750000024
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
Figure BDA0002536761750000025
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
Figure BDA0002536761750000026
所述的步骤四构建的GAN网络是Pix2Pix网络。由于有限口径的散射场数据
Figure BDA0002536761750000027
与全口径的散射场数据
Figure BDA0002536761750000028
是成对存在的，而Pix2Pix网络更适用于成对的数据。
所述的步骤五中比较训练
Figure BDA0002536761750000029
与训练
Figure BDA00025367617500000210
是通过损失函数计算出的损失值来优化GAN网络的权重参数，再次训练和优化直至目标函数收敛。
所述的GAN网络包括鉴别器和生成器，将所述的训练
Figure BDA00025367617500000211
与所述的训练
Figure BDA00025367617500000212
同时带入鉴别器中对比得到鉴别器的损失值，将所述的鉴别器的损失值反馈至生成器，更新生成器中层与层之间的权重参数。
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。
所述的步骤六中比较测试
Figure BDA00025367617500000213
与测试
Figure BDA00025367617500000214
是计算二者的相对误差值，误差值计算公式：
Figure BDA00025367617500000215
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；
步骤2：通过MOM方法计算得到各个数据集对应的全口径散射场数据
Figure BDA0002536761750000031
MOM方法，是一种计算积分方程的方法，可以将积分方程转换成线性系统，而散射场的数据是通过积分方程算出，如下式所示：
Figure BDA0002536761750000032
rp表示发射天线位置，rq表示接收天线的位置，
Figure BDA0002536761750000033
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，
Figure BDA0002536761750000034
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
Figure BDA0002536761750000035
是单个天线的散射场数据
Figure BDA0002536761750000036
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
Figure BDA0002536761750000037
中取出部分数据，由于
Figure BDA0002536761750000038
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
Figure BDA0002536761750000039
它的尺寸大小和全口径的数据
Figure BDA00025367617500000310
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
Figure BDA0002536761750000041
与全口径的散射场数据
Figure BDA0002536761750000042
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
Figure BDA0002536761750000043
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
Figure BDA0002536761750000044
将该数据与通过MOM计算得到的训练全口径散射场数据
Figure BDA0002536761750000045
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
Figure BDA0002536761750000046
与全口径散射场数据
Figure BDA0002536761750000047
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
Figure BDA0002536761750000048
将恢复出来的测试全口径数据
Figure BDA0002536761750000049
与MOM生成的测试全口径数据
Figure BDA00025367617500000410
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
Figure BDA00025367617500000411
与通过MOM计算得到的测试全口径散射场数据
Figure BDA00025367617500000412
之间的误差值。误差值计算公式为：
Figure BDA00025367617500000413
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)

1.基于GAN网络的有限口径数据恢复为全口径数据的方法，其特征在于包括如下步骤：
步骤一，准备数据集模拟散射体；
步骤二，获取数据集对应的全口径散射场数据
Figure FDA0002536761740000011
步骤三，通过获取
Figure FDA0002536761740000012
中的部分散射场数据，得到有限口径散射场数据
Figure FDA0002536761740000013
将多个成对的
Figure FDA0002536761740000014
和
Figure FDA0002536761740000015
分为训练数据和测试数据；
步骤四，构建GAN网络；
步骤五，训练GAN网络，将训练
Figure FDA0002536761740000016
带入构建好的GAN网络得到恢复出来的训练全口径散射场数据
Figure FDA0002536761740000017
通过比较训练
Figure FDA0002536761740000018
与训练
Figure FDA0002536761740000019
调整GAN网络的参数，优化权重参数；
步骤六，测试GAN网络，将测试
Figure FDA00025367617400000110
带入训练后的GAN网络得到恢复出来的测试全口径散射场数据
Figure FDA00025367617400000111
通过比较测试
Figure FDA00025367617400000112
与测试
Figure FDA00025367617400000113
调整GAN网络的参数，优化权重参数。
2.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二采用MOM方法计算得到所述的
Figure FDA00025367617400000114
包括如下公式：
Figure FDA00025367617400000115
rp表示发射天线位置，rq表示接收天线的位置，
Figure FDA00025367617400000116
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，
Figure FDA00025367617400000117
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
Figure FDA00025367617400000118
是单个天线的散射场数据
Figure FDA00025367617400000119
的集合。
3.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三通过天线位置与散射场数据之间的映射关系从所述的
Figure FDA00025367617400000120
数据中获取部分数据，得到所述的
Figure FDA00025367617400000121
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
Figure FDA00025367617400000122
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
Figure FDA00025367617400000123
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。
5.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五中比较训练
Figure FDA00025367617400000124
与训练
Figure FDA00025367617400000125
是通过损失函数计算出的损失值来优化GAN网络的权重参数，再次训练和优化直至目标函数收敛。
6.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GAN网络包括鉴别器和生成器，将所述的训练
Figure FDA0002536761740000021
与所述的训练
Figure FDA0002536761740000022
同时带入鉴别器中对比得到鉴别器的损失值，将所述的鉴别器的损失值反馈至生成器，更新生成器中层与层之间的权重参数。
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。
8.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六中比较测试
Figure FDA0002536761740000023
与测试
Figure FDA0002536761740000024
是计算二者的相对误差值，误差值计算公式：
Figure FDA0002536761740000025
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。
CN202010535232.2A 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 Active CN111723521B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
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
CN114488140B (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
CN105046067A (zh) 基于证据相似度的多传感器信息融合方法
CN108303433B (zh) 时变环境下结构损伤的高斯混合模型-路径累积成像方法
CN102279358A (zh) 一种基于mcskpca的神经网络模拟电路故障诊断方法
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
CN113238227B (zh) 一种结合深度学习的改进最小二乘相位解缠方法及系统
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
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
CN113472415A (zh) 信号到达角估计方法、装置、电子设备及存储介质
CN116976227A (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN107085705A (zh) 一种高效特征选择的森林参数遥感估测方法
CN114994674A (zh) 智能微波凝视关联成像方法、设备及存储介质
CN107809253A (zh) 基于随机Kaczmarz迭代的压缩感知数据重构方法
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
CN113156363B (zh) 阵元互耦和幅相误差下的近场源智能定位方法

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