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技术
【技术实现步骤摘要】
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
本专利技术涉及电磁散射与逆散射技术，具体涉及一种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。
技术介绍
随着经济社会的飞速发展，大尺度电磁散射与逆散射已经成为遥感、电磁隐身和医疗等众多领域的关键性、基础性问题。超视距作战能力被认为是一个国家能否赢得现代化战争的关键性因素。由于目前军队列装的雷达多具有作用距离远、侦测精度高、全天候工作等特点，因而如何设计高机动性，高隐身性飞行器俨然成为国防工业研究的重要课题。在高速隐身飞行器设计过程中，如何快速获取目标散射数据成为研究进程的重要因素。在学术界和工业界通常采用传统的计算电磁方法(如时域有限差分法，矩量法等数值方法)或采用基于计算电磁方法的商业仿真软件来获取目标散射数据。这些方法虽然具有技术成熟，精度高等优点，但当目标区域较大时，则传统计算电磁方法需要消耗大量计算资源，计算时间过长等缺点，严重拖累了飞行器设计的进度。为提高计算效率，科研工作者也提出了各种近似数值方法(如玻恩近似方法，高频近似方法等)，这些方法多忽略目标内部和目标之间的电磁耦合作用，导致计算精度较...
【技术保护点】
一种基于深度学习模型的大尺度电磁散射的预测方法，其特征在于，所述预测方法包括以下步骤：1)获取训练样本：电磁雷达系统包括T个发射机，M个接收机，发射机依次向目标区域发射信号，并由全部接收机接收目标区域的散射场，对比函数即目标区域的反射率以及对应的目标区域的散射场形成一组样本，多组样本数据被随机划分为两部分：其中第一部分样本被用于训练卷积神经网络作为训练样本；第二部分样本被用于测试卷积神经网络的泛化能力作为测试样本；2)构建卷积神经网络：基于物理机制以串联的方式构建卷积神经网络；3)训练基于物理机制的卷积神经网络：a)将步骤1)中获取的训练样本的目标区域的散射场作为卷积神经网...
【技术特征摘要】
1.一种基于深度学习模型的大尺度电磁散射的预测方法，其特征在于，所述预测方法包括以下步骤：1)获取训练样本：电磁雷达系统包括T个发射机，M个接收机，发射机依次向目标区域发射信号，并由全部接收机接收目标区域的散射场，对比函数即目标区域的反射率以及对应的目标区域的散射场形成一组样本，多组样本数据被随机划分为两部分：其中第一部分样本被用于训练卷积神经网络作为训练样本；第二部分样本被用于测试卷积神经网络的泛化能力作为测试样本；2)构建卷积神经网络：基于物理机制以串联的方式构建卷积神经网络；3)训练基于物理机制的卷积神经网络：a)将步骤1)中获取的训练样本的目标区域的散射场作为卷积神经网络的输出，将训练样本的目标区域的反射率作为卷积神经网络的输入，训练卷积神经网络；b)将步骤1)中获取的测试样本的目标区域的散射场作为卷积神经网络的输出，将测试样本的目标区域的反射率作为卷积神经网络的输入，检验卷积神经网络，如果误差在标准范围内，则卷积神经网络训练完成，进入步骤4)，如果误差超过标准范围，则返回步骤a)重新训练网络，直至误差在标准范围内，训练网络结束，进入步骤4)；4)大尺度电磁场景的散射预测：将大尺度电磁场景的目标区域的反射率作为步骤3)中卷积神经网络的输入，则卷积神经网络的输出即为预测的对应大尺度电磁场景的目标区域的散射场。2.如权利要求1所述的预测方法，其特征在于，在步骤1)中，电磁雷达系统包括T个发射机，M个接收机，发射机依次向目标区域发射信号，并由全部接收机接收目标区域的散射场；当第t个发射机发射信号时，第m个接收机接收到的目标区域的散射场为：且其中，T和M分别为≥2的自然数，t＝1,2,…,T；m＝1,2,…,M；Dinv表示目标区域；r和r′∈Dinv分别表示场点和源点，rt为第t个发射机所在的位置，rm为第m个接收机所在的位置；E(t)(r′)表示第t个发射机发射信号时目标区域的总场；目标区域的反射率为其中k和k0＝ω/c分别表示目标和自由空间中的波数，ω表示中心频率，c表示光速；表示二维格林函数，表示第一类零阶汉克函数，i表示虚数单位。3.如权利要求1所述的预测方法，其特征在于，在步骤2)中，构建一个N层基于物理机制的卷积神经网络，其中第n层网络输出表示为：E(n)＝Ein+A(n)χ(E(n-1))其中，Ein表示生成训练样本时对应的入射场；E(n-1)表示第n-1层网络输出，且为第n层网络的输入，n为自然数且1≤n≤N-1；A(n)表示第n层网络的卷积核；χ表示训练样本的目标区域的反射率；E(n)表示第n层网络的输出；初始网络的输入为E(0)＝Ein；第N层网络输出表示为：E(...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。