基于多层感知神经网络与超材料的电磁目标识别成像方法技术

本发明专利技术公开了一种基于多层感知神经网络与超材料的电磁目标识别成像方法，该电磁成像系统由激励源天线、信息超材料、观测目标与接收天线组成；信息超材料由N

【技术实现步骤摘要】
基于多层感知神经网络与超材料的电磁目标识别成像方法


[0001]本专利技术涉及一种电磁目标识别成像方法，尤其涉及基于多层感知神经网络与信息超材料的电磁目标识别成像方法。

技术介绍

[0002]传统光学成像系统受限与光学频段电磁波特性，在光学仪器制造、视径干扰、全天候成像方面展现出一定的局限性。作为与光学成像互补的微波成像与探测系统，具有高穿透性、抗伪装色、结构简单等优点，目前已广泛应用于安检、卫星成像等领域。然而，由于微波波段波长相比光学频段高出若干数量级，成像结果的分辨率受限于观测口径的等效波长尺寸。目前已提出多种方式克服这一缺陷。首要方法是提高波束频率，目前探测频率已可达到THz，但是较高频率带来了较高的器件成本。相控阵技术也被用于波束赋形与扫描，但同样的阵列每路通道均需要独立的射频与数据处理链路，在便携成像系统缺乏实用性。另外合成孔径技术(SAR)也被利用在卫星天基成像中，但此方法需要物理移动的馈源与探测天线，这一方法不适用于地面固定目标成像。
[0003]电磁超材料为电磁成像领域提出了全新的思路。电磁超材料(Metamaterials)，是将具有特定几何形状的宏观基本单元周期/非周期性地排列所构成的一种人工材料。借助基本单元在亚波长空间内对电磁波的相位或幅度调控，整个阵列/结构展现出宏观调控。基于此，人们可以设计人工表面结构来人为控制这种幅度或相位不连续性，进而可以利用二维超表面调控空间传播波。达到任意控制反射波和折射波的目的。目前电磁超材料已广泛用于波束赋形，高性能透镜，波束合成领域。其中，信息超材料的概念于2014年由崔铁军团队提出。通过将有源可调节单元的状态等价为量化数字信息，将数字处理领域中信息熵等重要概念引入电磁超材料系统中，连接了数字世界与物理世界，并大大扩展了超材料的理论基础域应用领域。
[0004]与此同时，机器学习在近年来获得了蓬勃发展。特征识别技术使得仅需要极少数即可重构图像信息或对图像目标识别成为可能。基于数据集驱动的训练方法能够自主挖掘目标抽象特征而无需先验知识或人为指导。
[0005]传统基于超材料的电磁成像识别系统采用无源超材料作为电磁波调控单元。为获得高维度测量数据信息，常采用频率分集方法，即采集观测目标在一个宽波段下对电磁波的反射信息。但受限无源超材料，电磁空间域的等效波束可被认为是杂散随机信号。在此方式下，机器学习方法仅限于在解码领域，特别的，算法性能受噪声影响较为严重，系统不具有鲁棒性。

技术实现思路

[0006]技术问题：为克服这一问题，本专利技术提供一种基于多层感知神经网络与超材料的电磁目标识别成像方法，采用信息超材料装置，凭借其可编程能力，可实现电磁空间域的任意波束赋形。而多层感知神经网络MLP作为机器学习神经网络中的经典算法，可自主提取数
据集中特征信息。因此，通过信息超材料下融合电磁空间域图像的特征压缩技术，可实现高可靠性、高速的成像目标识别或图像重构任务。
[0007]技术方案：本专利技术公开的一种基于多层感知神经网络与超材料的电磁目标识别成像方法，包括如下步骤：
[0008]步骤101：基于成像目标潜在样本集数据，构建多层感知神经网络MLP并在选定样本集上训练，其后从训练完成的多层感知神经网络种提取图案特征空间；
[0009]步骤102：基于特征空间，逐一对特征向量或图样进行全息投影逆重构，使得由馈源经信息超表面后反射成的初级反射波阵面具有特征图样场强分布，由此计算生成一组信息超表面的编码组合；
[0010]步骤103：建立由馈源天线、信息超材料、观测物体平台与接收天线等器件组成的成像系统，并对观测目标进行识别成像数据采集；
[0011]步骤104：基于电磁场电磁波空间传播理论建立描述步骤103中构建的成像系统中目标电磁信息与接收端信号内在联系的数值模型；
[0012]步骤105：基于步骤104中推导的数值模型中接收电磁波信号与观测目标电磁信息内在关系，设计低复杂度的图像重构线性算法。
[0013]其中，
[0014]步骤101中所述的成像目标潜在样本集基于多层感知神经网络MLP的特征空间提取；MLP网络模型中，第i层神经元与第i+1层神经元关系为
[0015]a
i+1
＝F(W
i
·
a
i
) i＝1,2,
…
,M
‑1ꢀꢀ
(1)
[0016]其中M为MLP网络层数，a
i
，a
i+1
分别为第i层与第i+1层神经元输出，W
i
为第i层与第i+1层间权重矩阵，F()为非线性激活函数；
[0017]所建立的用于成像目标潜在样本集数据特征提取的MLP网络，输入神经元数同成像目标像素点数，输出神经元数由网络具体类型决定；无论何种情况，网络初始各层神经元数均应逐层下降以实现特征压缩；
[0018]经过最优化算法训练后的网络中，权重矩阵W
i
均已得到优化，反应样本集的特征空间。
[0019]所述输出神经元数由网络具体类型决定，当成像系统最终目的为识别目标，输出神经元数即为对应的标签类别数；当成像系统最终目的为目标成像，输出神经元数应同为成像目标像素点数。
[0020]所述权重矩阵W
i
，第一层与第二层间权重矩阵W1即为选定的主特征空间矩阵。主特征空间矩阵W1可表示为
[0021]W1＝[w
1 w2ꢀ…ꢀ
w
N
]T
ꢀꢀ
(2)
[0022]其中N为正整数，代表矩阵W1的行数，也即特征空间维数；T表示转置符号；w1至w
N
为N组特征列向量；列向量长度均为K，K为正整数，代表成像目标像素点数。
[0023]步骤102中所述逐一对特征向量或图样进行全息投影逆重构；
[0024]将步骤101中构建的每组特征向量w
i
转换为与观测目标尺寸相同的图像矩阵形式，基于其数值强度数据，采用全息投影逆重构修正Gerchberg
‑
Saxton(GS)算法计算信息超表面编码，使得由馈源经信息超表面后反射成的初级反射波阵面具有特征向量w
i
转换成的特征图样场的分布，计算结果得出的N组编码存入FPGA，以待后续调用。
[0025]步骤103中所述的建立由馈源天线、信息超材料、观测物体平台与接收天线等器件组成的成像系统，具体步骤包括：
[0026]基于观测目标(303)位置，将超材料装置(302)安置在观测目标前方，
[0027]基于观测目标位置与超材料装置相对位置，安装激励源天线(301)位置，保证激励源中心与观测目标关于超材料装置镜像对称，同时激励源天线辐射主向对准超材料装置中心，同时波束能够覆盖超材料装置；
[0028]基于观测目标尺寸与位置，安装接收天线(305)，保证接收天线辐射主向对准观测目标，同时接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层感知神经网络与超材料的电磁目标识别成像方法，其特征在于：包括如下步骤：步骤101：基于成像目标潜在样本集数据，构建多层感知神经网络MLP并在选定样本集上训练，其后从训练完成的多层感知神经网络种提取图案特征空间；步骤102：基于特征空间，逐一对特征向量或图样进行全息投影逆重构，使得由馈源经信息超表面后反射成的初级反射波阵面具有特征图样场强分布，由此计算生成一组信息超表面的编码组合；步骤103：建立由馈源天线、信息超材料、观测物体平台与接收天线等器件组成的成像系统，并对观测目标进行识别成像数据采集；步骤104：基于电磁场电磁波空间传播理论建立描述步骤103中构建的成像系统中目标电磁信息与接收端信号内在联系的数值模型；步骤105：基于步骤104中推导的数值模型中接收电磁波信号与观测目标电磁信息内在关系，设计低复杂度的图像重构线性算法。2.根据权利要求1所述的基于多层感知神经网络与超材料的电磁目标识别成像方法，其特征在于：步骤101中所述的成像目标潜在样本集基于多层感知神经网络MLP的特征空间提取；MLP网络模型中，第i层神经元与第i+1层神经元关系为a
i+1
＝F(W
i
·
a
i
)i＝1,2,
…
,M
‑1ꢀꢀꢀꢀ
(1)其中M为MLP网络层数，a
i
，a
i+1
分别为第i层与第i+1层神经元输出，W
i
为第i层与第i+1层间权重矩阵，F()为非线性激活函数；所建立的用于成像目标潜在样本集数据特征提取的MLP网络，输入神经元数同成像目标像素点数，输出神经元数由网络具体类型决定；无论何种情况，网络初始各层神经元数均应逐层下降以实现特征压缩；经过最优化算法训练后的网络中，权重矩阵W
i
均已得到优化，反应样本集的特征空间。3.根据权利要求2所述的基于多层感知神经网络与超材料的电磁目标识别成像方法，其特征在于所述输出神经元数由网络具体类型决定，当成像系统最终目的为识别目标，输出神经元数即为对应的标签类别数；当成像系统最终目的为目标成像，输出神经元数应同为成像目标像素点数。4.根据权利要求2所述的基于多层感知神经网络与超材料的电磁目标识别成像方法，其特征在于所述权重矩阵W
i
，第一层与第二层间权重矩阵W1即为选定的主特征空间矩阵。主特征空间矩阵W1可表示为W1＝[w
1 w2ꢀ…ꢀ
w
N
]
T
ꢀꢀꢀꢀ
(2)其中N为正整数，代表矩阵W1的行数，也即特征空间维数；T表示转置符号；w1至w
N
为N组特征列向量；列向量长度均为K，K为正整数，代表成像目标像素点数。5.根据权利要求1所述的基于多层感知神经网络与超材料的电磁目标识别成像方法，其特征在于：步骤102中所述逐一对特征向量或图样进行全息投影逆重构；将步骤101中构建的每组特征向量w
i
转换为与观测目标尺寸相同的图像矩阵形式，基于其数值强度数据，采用全息投影逆重构修正Gerchberg
‑
Saxton算法计算信息超表面编码，使得由馈源经信息超表面后反射成的初级反射波阵面具有特征向量w
i
转换成的特征图样场的分布，计算结果得出的N组编码存入FPGA，以待后续调用。6.根据权利要求1所述的基于多层感知神经网络与超材料的电磁目标识别成像方法，
其特征在于：步骤103中所述的建立由馈源天线、信息超材料、观测物体平台与接收天线等器件组成的成像系统，具体步骤包括：基于观测目标(303)位置，将超材料装置(302)安置在观测目标前方，基于观测目标位置与超材料装置相对位置，安装激励源天线(301)位置，保证激励源中心与观测目标关于超材料装置镜像对称，同时激励源天线辐射主向对准超材料装置中心，同时波束能够覆盖超材料装置；基于观测目标尺寸与位置，安装接收天线(305)，保证接收天线辐射主向对准观测目标，同时接收天线位...

【专利技术属性】
技术研发人员：崔铁军，顾泽，马骞，
申请(专利权)人：东南大学，
类型：发明
国别省市：