一种基于人工智能的电磁环境效应分析方法技术

本发明专利技术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。本发明专利技术适应性强，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。

An Artificial Intelligence-based Analysis Method for Electromagnetic Environmental Effects

The invention discloses an artificial intelligence-based electromagnetic environment effect analysis method. Under the finite-difference time-domain system, the electromagnetic environment effect analysis of complex targets with low frequency and medium electric size is carried out, the off-line model learning of typical targets is carried out by combining artificial intelligence means, and then the online learning is carried out by using Maxwell forward modeling, and the spatial characteristics of electromagnetic fields are analyzed. The invention has strong adaptability and novel method, greatly improves the calculation efficiency of electromagnetic environment effect, and provides an effective technical means for studying electromagnetic scattering characteristics of complex structure/material targets.

【技术实现步骤摘要】
一种基于人工智能的电磁环境效应分析方法
本专利技术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。
技术介绍
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JinGongWei、JinFaLee等发表在IEEEURSI上的非专利文献“AnintegralEquationDiscontinuousGalerkinMethodforWide-bandandMulti-scaleProblems”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NicolasMarsic，CaledoniaWaltz等发表在IEEETransactionsonMagnetics上的非专利文献“DomainDecompositionMethodsforTime-HarmonicEletromagneticWavesWithHigh-OrderWhitneyForms”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。
技术实现思路
本专利技术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，本专利技术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法是求解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；ρm为磁荷密度；J为电流密度；Jm为磁流密度；电磁场在线性介质中的本构关系可表示为：D＝εEB＝μHJ＝σEJm＝σmH式中，ε为介电常数；μ为磁导系数；σ和σm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法的离散单元为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，Mj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，pi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＝{wij,aj,bi}是限制性玻尔兹曼机参数，wij表示可视层与隐藏层之间的连接权重，aj、bi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，，vbatch为输入样本，表示第N层权重的转置，sigm(·)为Sigmoid激活函数，如下：与现有技术相比本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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法是求解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；ρm为磁荷密度；J为电流密度；Jm为磁流密度；电磁场在线性介质中的本构关系可表示为：D＝εEB＝μHJ＝σEJm＝σmH式中，ε为介电常数；μ为磁导系数；σ和σm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法的离散单元为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6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...

【专利技术属性】
技术研发人员：郭良帅，廖意，张慧媛，贾洁姝，
申请(专利权)人：上海无线电设备研究所，
类型：发明
国别省市：上海,31