CN114741951A - 一种基于卷积神经网络的介质目标电磁探测方法 - Google Patents

一种基于卷积神经网络的介质目标电磁探测方法 Download PDF

Info

Publication number
CN114741951A
CN114741951A CN202210237417.4A CN202210237417A CN114741951A CN 114741951 A CN114741951 A CN 114741951A CN 202210237417 A CN202210237417 A CN 202210237417A CN 114741951 A CN114741951 A CN 114741951A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
electromagnetic
target
imaging area
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.)
Pending
Application number
CN202210237417.4A
Other languages
English (en)
Inventor
茅红伟
王达
杨春夏
金明
杨茜芮
张帅
魏爽
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.)
Shanghai Normal University
Original Assignee
Shanghai Normal 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 Shanghai Normal University filed Critical Shanghai Normal University
Priority to CN202210237417.4A priority Critical patent/CN114741951A/zh
Publication of CN114741951A publication Critical patent/CN114741951A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

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)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (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)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于卷积神经网络的介质目标电磁探测方法，具体包括以下步骤：S1、将目标成像区域划分成正方形的网格；S2、改变目标成像区域网格中介电常数的分布，得到成像区域介电常数分布矩阵，根据成像区域介电常数分布矩阵生成随机散射体；S3、根据积分算法计算得到每个散射体对应的散射场数据；S4、将散射场数据作为卷积神经网络的输入，对应的成像区域介电常数分布矩阵作为卷积神经网络的输出，训练卷积神经网络；S5、根据训练好的卷积神经网络对未知散射场进行预测，重构未知散射体。与现有技术相比，本发明具有避免传统方法中计算过程复杂的缺陷，提高未知散射体的电磁探测效率和准确性等优点。

Description

一种基于卷积神经网络的介质目标电磁探测方法
技术领域
本发明涉及电磁技术领域，尤其是涉及一种基于卷积神经网络的介质目标电磁探测方法。
背景技术
随着科技的进步和发展，电磁散射技术在民用和军事方面有着越来越广泛的应用，对电磁散射问题的研究也吸引了很多学者的关注。电磁理论的起源可以追溯麦克斯韦方程组的提出，当时英国科学家麦克斯韦根据前人的经验，创建了麦克斯韦方程组，它反映了宏观电磁现象的普遍规律，奠定了电磁理论的基础。研究和分析电磁场和电磁波有非常重要的理论意义和实际意义。电磁散射问题包含电磁正散射问题和电磁逆散射问题，其中正散射问题是指已知目标区域的电磁特性，目的是确定目标区域被电磁波照射后产生的散射场；逆散射问题是正散射问题的反向操作，根据已知的目标区域的散射场来确定目标区域的电磁特性。目前对于电磁正散射问题的求解，大多都是用积分公式或者矩量法。对应电磁逆散射问题的求解，目前主要分为线性方法和非线性方法，其中线性方法求解速度快，但是精度较低；非线性方法求解精度较高，但是需要多次迭代，求解过程比较复杂。
与电磁正散射问题相比，电磁逆散射问题更加复杂，这是因为电磁逆散射问题是一个非线性、不适定的问题，无法直接求解。求解电磁逆散射问题的线性方法主要是通过线性近似的方式，将原始的非线性问题转换为线性问题，再进行求解。目前常用的近似手段有Born近似和Rytov近似。线性近似方法的计算速度比较快，适用于实时成像，但是这类方法精度较低。并且这两种线性近似方法都有使用条件限制，它们都只能在散射体是弱散射体的情况下才能使用。所谓的弱散射体，是指散射体的对比度与背景介质的对比度的差距很小。电磁逆散射求解方法中的非线性方法是通过构建成本函数的方式，将问题转化成优化问题，再通过多次迭代求解。常见的非线性求解方法有Born迭代法(BIM)、变形Born迭代法(DBIM)、对比源反演法(CSIM)等。与线性近似方法相比，非线性方法拥有更高的计算精度，但是该类方法求解非常耗时，求解过程比较复杂。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的介质目标电磁探测方法，避免了传统方法中计算过程复杂的缺陷，提高了未知散射体的电磁探测效率和准确性。
本发明的目的可以通过以下技术方案来实现：
一种基于卷积神经网络的介质目标电磁探测方法，具体包括以下步骤：
S1、将目标成像区域划分成正方形的网格；
S2、改变目标成像区域网格中介电常数的分布，得到成像区域介电常数分布矩阵，根据成像区域介电常数分布矩阵生成随机散射体；
S3、根据积分算法计算得到每个散射体对应的散射场数据；
S4、将散射场数据作为卷积神经网络的输入，对应的成像区域介电常数分布矩阵作为卷积神经网络的输出，训练卷积神经网络；
S5、根据训练好的卷积神经网络对未知散射场进行预测，重构未知散射体。
所述步骤S3中计算散射体对应的散射场数据的积分算法包括正向电磁积分算法和逆向电磁积分算法。
进一步地，所述正向电磁积分算法的公式具体如下所示：
Figure BDA0003542845330000021
其中，Et是总电场，Ei是发射天线发射的入射电场，(x,y)∈D，D为成像区域，g(x,y；x',y')是自由空间中的二维格林函数，k0是背景波数，O(x,y)＝ε(x,y)-1是对比度，相应的值是相对介电常数值减1，坐标(x,y)表示观察点的位置，坐标(x′,y′)表示求解区域内任意一点的位置。
进一步地，所述逆向电磁积分算法的公式具体如下所示：
Figure BDA0003542845330000022
其中，Es是在观察区域S上的点(x,y)处的散射场，(x,y)∈S。
所述步骤S3中散射场数据和对应的成像区域介电常数分布矩阵作为一个数据集进行保存。
所述卷积神经网络包括依次连接的3层卷积层、2层全连接层和1层输出层，所述卷积层的卷积方式为same卷积。
进一步地，所述卷积层后均设有一层池化层，所述池化层采用最大池化方式，所述卷积层中采用3*3的卷积核。
进一步地，所述2层全连接层的长度分别为4096和2048。
进一步地，所述输出层的激活函数为sigmoid函数。
所述卷积神经网络在步骤S4中训练时的学习率为0.0001，采用均方误差(MSE)作为损失函数。
与现有技术相比，本发明具有以下有益效果：
本发明将散射场数据和对应的成像区域介电常数分布矩阵作为一个数据集，并且通过卷积神经网络进行训练并重构未知散射体，卷积神经网络求解电磁逆散射问题方案拥有比线性近似方法更快的求解速度，并且有效提高了未知散射体的电磁探测精度，并且卷积神经网络模型的搭建较为方便，可以避免非线性方法中复杂的求解过程，有效提高了未知散射体的电磁探测效率。
附图说明
图1为本发明的流程示意图；
图2为本发明卷积神经网络的网络模型示意图；
图3为本发明卷积神经网络的卷积过程示意图；
图4为本发明卷积神经网络的池化过程示意图；
图5为本发明成像区域模型示意图；
图6为本发明使用数据集训练卷积神经网络的流程图；
图7(a)为本发明实施例一中散射场的实例结果，图7(b)为图7(a)中实例的真实成像区域介电常数分布矩阵结果；
图8(a)为本发明实施例二中散射场的实例结果，图8(b)为图8(a)中实例的真实成像区域介电常数分布矩阵结果；
图9(a)为本发明实施例三中散射场的实例结果，图9(b)为图9(a)中实例的真实成像区域介电常数分布矩阵结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种基于卷积神经网络的介质目标电磁探测方法，具体包括以下步骤：
S1、将目标成像区域划分成正方形的网格；
S2、改变目标成像区域网格中介电常数的分布，得到成像区域介电常数分布矩阵，根据成像区域介电常数分布矩阵生成随机散射体；
S3、根据积分算法计算得到每个散射体对应的散射场数据；
S4、将散射场数据作为卷积神经网络的输入，对应的成像区域介电常数分布矩阵作为卷积神经网络的输出，训练卷积神经网络，如图6所示；
S5、根据训练好的卷积神经网络对未知散射场进行预测，重构未知散射体。
步骤S3中计算散射体对应的散射场数据的积分算法包括正向电磁积分算法和逆向电磁积分算法。
正向电磁积分算法的公式具体如下所示：
Figure BDA0003542845330000041
其中，Et是总电场，Ei是发射天线发射的入射电场，(x,y)∈D，D为成像区域，g(x,y；x',y')是自由空间中的二维格林函数，k0是背景波数，O(x,y)＝ε(x,y)-1是对比度，相应的值是相对介电常数值减1，坐标(x,y)表示观察点的位置，坐标(x′,y′)表示求解区域内任意一点的位置。
逆向电磁积分算法的公式具体如下所示：
Figure BDA0003542845330000042
其中，Es是在观察区域S上的点(x,y)处的散射场，(x,y)∈S。
步骤S3中散射场数据和对应的成像区域介电常数分布矩阵作为一个数据集进行保存，具体实施时，数据集的数量为500组，训练时使用数据集中的前400组数据进行训练，后100组数据用于测试验证卷积神经网络预测结果的准确性。
如图2所示，卷积神经网络包括依次连接的3层卷积层、2层全连接层和1层输出层，卷积层的卷积方式为same卷积。
如图3和图4所示，卷积层后均设有一层池化层，池化层采用最大池化方式，卷积层中采用3*3的卷积核。
2层全连接层的长度分别为4096和2048。
输出层的激活函数为sigmoid函数。
卷积神经网络在步骤S4中训练时的学习率为0.0001，采用均方误差作为损失函数。
具体实施时，如图5所示，本实施例中的成像区域D为一个介质均匀的正方形，其大小为1.42m x 1.42m，成像区域的中心设置为坐标系的原点。发射天线和接收天线分布在成像区域D周围的观察区域S中，等间隔地排列在一个半径为的10m圆上，发射天线和接收天线的数目都为28个。成像区域被划分成28x28的网格，通过改变网格中的介电常数值来表示散射体。
实施例一
如图7(a)和图7(b)所示为对单个散射体的重构实例，其中散射体的半径为0.30m，圆心位于(0.15,0.15)，散射体介电常数为1.2。图中的7(a)是本发明方法通过散射场重构的散射体，图7(b)是真实散射体。在本实施例中，步骤S3中产生的数据集中的散射体全部都是单个圆，并且介电常数都固定为1.2。
实施例二
如图8(a)和图8(b)所示为对两个散射体的重构实例，其中两个散射体的半径都是0.30m，圆心分别位于(0.25,0.25)和(-0.25,-0.25)，散射体介电常数都为1.2。图8(a)是本发明方法通过散射场重构的散射体，图8(b)是真实散射体。在本实施例中，步骤S3中产生的数据集中的散射体全部都是两个圆，并且介电常数都固定为1.2。
实施例三
如图9(a)和图9(b)所示为对单个散射体的重构实例，其中散射体的半径为0.30m，圆心位于(-0.15,-0.20)，散射体介电常数为3。图9(a)是本发明方法通过散射场重构的散射体，图9(b)是真实散射体。在本实施例中，步骤S3中产生的数据集中的散射体全部都是单个圆，并且介电常数都固定为3。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，具体包括以下步骤：
S1、将目标成像区域划分成正方形的网格；
S2、改变目标成像区域网格中介电常数的分布，得到成像区域介电常数分布矩阵，根据成像区域介电常数分布矩阵生成随机散射体；
S3、根据积分算法计算得到每个散射体对应的散射场数据；
S4、将散射场数据作为卷积神经网络的输入，对应的成像区域介电常数分布矩阵作为卷积神经网络的输出，训练卷积神经网络；
S5、根据训练好的卷积神经网络对未知散射场进行预测，重构未知散射体。
2.根据权利要求1所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述步骤S3中计算散射体对应的散射场数据的积分算法包括正向电磁积分算法和逆向电磁积分算法。
3.根据权利要求2所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述正向电磁积分算法的公式具体如下所示：
Figure FDA0003542845320000011
其中，Et是总电场，Ei是发射天线发射的入射电场，(x,y)∈D，D为成像区域，g(x,y；x',y')是自由空间中的二维格林函数，k0是背景波数，O(x,y)＝ε(x,y)-1是对比度，相应的值是相对介电常数值减1，坐标(x,y)表示观察点的位置，坐标(x′,y′)表示求解区域内任意一点的位置。
4.根据权利要求3所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述逆向电磁积分算法的公式具体如下所示：
Figure FDA0003542845320000012
其中，Es是在观察区域S上的点(x,y)处的散射场，(x,y)∈S。
5.根据权利要求1所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述步骤S3中散射场数据和对应的成像区域介电常数分布矩阵作为一个数据集进行保存。
6.根据权利要求1所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述卷积神经网络包括依次连接的3层卷积层、2层全连接层和1层输出层。
7.根据权利要求6所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述卷积层后均设有一层池化层，所述卷积层中采用3*3的卷积核。
8.根据权利要求6所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述2层全连接层的长度分别为4096和2048。
9.根据权利要求6所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述输出层的激活函数为sigmoid函数。
10.根据权利要求1所述的一种基于卷积神经网络的介质目标电磁探测方法，其特征在于，所述卷积神经网络在步骤S4中训练时的学习率为0.0001，采用均方误差作为损失函数。
CN202210237417.4A 2022-03-11 2022-03-11 一种基于卷积神经网络的介质目标电磁探测方法 Pending CN114741951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237417.4A CN114741951A (zh) 2022-03-11 2022-03-11 一种基于卷积神经网络的介质目标电磁探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237417.4A CN114741951A (zh) 2022-03-11 2022-03-11 一种基于卷积神经网络的介质目标电磁探测方法

Publications (1)

Publication Number Publication Date
CN114741951A true CN114741951A (zh) 2022-07-12

Family

ID=82275672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237417.4A Pending CN114741951A (zh) 2022-03-11 2022-03-11 一种基于卷积神经网络的介质目标电磁探测方法

Country Status (1)

Country Link
CN (1) CN114741951A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451584A (zh) * 2023-04-23 2023-07-18 广东云湃科技有限责任公司 一种基于神经网络的热应力预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607942A (zh) * 2017-08-31 2018-01-19 北京大学 基于深度学习模型的大尺度电磁散射与逆散射的预测方法
JP2020031714A (ja) * 2018-08-27 2020-03-05 国立大学法人静岡大学 診断装置、診断方法、診断プログラム
CN111610374A (zh) * 2020-05-28 2020-09-01 杭州电子科技大学 一种基于卷积神经网络的散射场相位恢复方法
CN111609787A (zh) * 2020-05-28 2020-09-01 杭州电子科技大学 基于神经网络解决电磁逆散射问题的两步无相位成像法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107607942A (zh) * 2017-08-31 2018-01-19 北京大学 基于深度学习模型的大尺度电磁散射与逆散射的预测方法
JP2020031714A (ja) * 2018-08-27 2020-03-05 国立大学法人静岡大学 診断装置、診断方法、診断プログラム
CN111610374A (zh) * 2020-05-28 2020-09-01 杭州电子科技大学 一种基于卷积神经网络的散射场相位恢复方法
CN111609787A (zh) * 2020-05-28 2020-09-01 杭州电子科技大学 基于神经网络解决电磁逆散射问题的两步无相位成像法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张清河;: "基于BP神经网络的介质圆柱体逆散射方法研究", 电波科学学报, no. 02, 15 April 2010 (2010-04-15) *
王达: "基于卷积神经网络的电磁逆散射重构算法研究", 硕士电子期刊出版, no. 10, 15 October 2022 (2022-10-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451584A (zh) * 2023-04-23 2023-07-18 广东云湃科技有限责任公司 一种基于神经网络的热应力预测方法及系统
CN116451584B (zh) * 2023-04-23 2023-11-03 广东云湃科技有限责任公司 一种基于神经网络的热应力预测方法及系统

Similar Documents

Publication Publication Date Title
CN108008385B (zh) 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法
CN105654483B (zh) 三维点云全自动配准方法
CN102156764B (zh) 一种分析天线辐射和电磁散射的多分辨预条件方法
CN106405548A (zh) 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法
Xiao et al. Dual-module NMM-IEM machine learning for fast electromagnetic inversion of inhomogeneous scatterers with high contrasts and large electrical dimensions
CN101856219A (zh) 基于频域近红外光测量的光学参数重构方法
CN110051387A (zh) 一种基于射线理论的超声ct图像重建方法及系统
Yao et al. Enhanced supervised descent learning technique for electromagnetic inverse scattering problems by the deep convolutional neural networks
CN112147571B (zh) 基于正则正交匹配追踪和蝙蝠算法的声源方位角估计方法
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
CN106199524B (zh) 基于基追踪去噪的远场宽带rcs数据采集与压缩方法
CN114741951A (zh) 一种基于卷积神经网络的介质目标电磁探测方法
CN107942326B (zh) 一种具有高通用性的二维主动毫米波成像方法
CN110954860B (zh) 一种doa和极化参数估计方法
Fedeli Microwave tomography with LSTM-based processing of the scattered field
CN111428407A (zh) 一种基于深度学习的电磁散射计算方法
CN111353391A (zh) 雷达干扰效果评估方法、装置、电子设备及其存储介质
Zhang et al. Ship HRRP target recognition based on CNN and ELM
CN115830462B (zh) 基于循环一致性对抗网络的sar图像重构方法及装置
CN108364326A (zh) 一种ct成像方法
CN112581626A (zh) 一种基于非参数化和多注意力机制的复杂曲面测量系统
Liang et al. Dynamic imaging for time-varying distribution using electrical/ultrasonic dual-modality tomography
CN114137000B (zh) 一种基于贝叶斯压缩感知与玻恩迭代的混合电磁成像算法
Lu et al. PUConv: Upsampling convolutional network for point cloud semantic segmentation
CN116243313A (zh) 一种基于距离分区的sar快速智能稀疏自聚焦技术

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