电磁散射边界元计算方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种电磁散射边界元计算方法、装置、电子设备及存储介质，该方法涉及人工智能技术领域，包括：获取几何模型，几何模型用于求解电磁散射特性；获取几何模型对应的多组高斯积分点集；每组高斯积分点集包括第一高斯积分点集和第二高斯积分点集；将多组高斯积分点集输入至第一目标神经网络模型，得到第一目标神经网络模型输出的电场边界积分系数矩阵；将各第二高斯积分点集输入至第二目标神经网络模型，得到第二目标神经网络模型输出的电场边值向量；基于电场边界积分系数矩阵和电场边值向量，确定几何模型对应的电磁散射特性，降低了电场边界积分系数矩阵和电场边值向量的计算复杂度，进而降低了存储空间，提升了计算效率。率。率。

【技术实现步骤摘要】
电磁散射边界元计算方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种电磁散射边界元计算方法、装置、电子设备及存储介质。

技术介绍

[0002]电磁技术在军事和民用领域都有着广泛应用，特别是随着近年来我国综合国力的大幅提升，无论是在资源勘探、灾情预警和地球遥感等民用业务，还是在电磁隐身、网电攻防、侦察探测和导航通信等军事业务中，对电磁场计算特别是电磁散射特性的计算都有着愈发迫切的能力需求。早期由于计算机运算能力的限制，只能通过实验手段采集实际目标雷达回波信号，以计算目标散射特性，存在成本高、周期长、限制多、复用性差等问题，随着计算能力的不断提升，数值计算方法在各类电磁特性分析中得到广泛应用。
[0003]过去很长一段时间，求解电磁散射有关边值问题主要建立在解析法基础上，但由于电磁问题的复杂性，解析法只对少数特殊情况适用，而在大量实际工程问题中难以获得有效分析结果。上世纪中期，以有限元法为代表的一系列数值计算方法的出现，使得求解各种超越解析范畴的复杂问题成为可能。但在处理开放域电磁散射问题时，由于有限元法的空间离散特性，使其必须人为设置截断边界条件，导致计算误差不可控，而离散边界上未知量激增进一步提高了方程的求解难度，因此有限元法无论是从计算精度还是计算效率上均无法令人满意。
[0004]相较于有限元法，边界元法的表面积分方程在建立时已自然满足电磁场无限远处辐射条件，因此只需离散问题表面边界，无需增加多余未知量，有效控制了开放域电磁问题计算规模，使其成为计算目标电磁特性的主要手段。但从应用角度而言，尽管边界元法具有较高的计算精度和较为简洁的建模方式，但受限于格林方程特性，无论在积分或求解时，往往需要较大的存储空间和较长的计算时间，导致占用的存储空间大，计算效率低。

技术实现思路

[0005]本专利技术提供一种电磁散射边界元计算方法、装置、电子设备及存储介质，用以解决现有技术中占用的存储空间大，计算效率低的问题。
[0006]本专利技术提供一种电磁散射边界元计算方法，包括：
[0007]获取几何模型，所述几何模型用于求解电磁散射特性；
[0008]获取所述几何模型对应的多组高斯积分点集；每组高斯积分点集包括第一高斯积分点集和第二高斯积分点集；
[0009]将所述多组高斯积分点集输入至第一目标神经网络模型，得到所述第一目标神经网络模型输出的电场边界积分系数矩阵；所述第一目标神经网络模型是基于第一样本高斯积分点集、第一标签数据、第二样本高斯积分点集和第二标签数据进行训练得到，用于对所述几何模型对应的电场边界积分系数矩阵进行预测；
[0010]将各所述第一高斯积分点集输入至第二目标神经网络模型，得到所述第二目标神
经网络模型输出的电场边值向量；所述第二目标神经网络模型是基于所述第一样本高斯积分点集和所述第一标签数据进行训练得到，用于对所述几何模型对应的电场边值向量进行预测；
[0011]基于所述电场边界积分系数矩阵和所述电场边值向量，确定所述几何模型对应的所述电磁散射特性。
[0012]根据本专利技术提供的一种电磁散射边界元计算方法，所述基于所述电场边界积分系数矩阵和所述电场边值向量，确定所述几何模型对应的所述电磁散射特性，包括：
[0013]基于所述电场边界积分系数矩阵和所述电场边值向量，确定第一增广矩阵；
[0014]将所述第一增广矩阵输入至第三目标神经网络模型，得到所述第三目标神经网络模型输出的所述电磁散射特性；所述第三目标神经网络模型是基于样本增广矩阵和第三标签数据进行训练得到，用于对所述几何模型对应的所述电磁散射特性进行预测。
[0015]根据本专利技术提供的一种电磁散射边界元计算方法，所述获取所述几何模型对应的多组高斯积分点集，包括：
[0016]将所述几何模型的表面进行网格剖分，得到至少一个离散单元；
[0017]根据所述几何模型的尺寸，构造可包络所述几何模型的包络空间；
[0018]基于各所述离散单元，在所述包络空间内随机生成各所述离散单元分别对应的目标单元；
[0019]在各所述目标单元中生成至少一个高斯积分点；
[0020]从各所述目标单元中随机多次选择第一单元和第二单元；
[0021]基于各所述第一单元和各所述第二单元，确定多组所述第一高斯积分点集和多组所述第二高斯积分点集。
[0022]根据本专利技术提供的一种电磁散射边界元计算方法，所述第一目标神经网络模型和所述第二目标神经网络模型是基于以下步骤训练得到的：
[0023]获取第一训练数据集；所述第一训练数据集包括至少一组样本高斯积分点集和至少一组样本高斯积分点集对应的标签数据；每组样本高斯积分点集包括第一样本高斯积分点集和第二样本高斯积分点集；每组样本高斯积分点集对应的标签数据包括第一样本高斯积分点集对应的第一标签数据和第二样本高斯积分点集对应的第二标签数据；
[0024]基于所述第一训练数据集，对第一初始神经网络模型进行训练，得到第一目标神经网络模型；
[0025]基于各所述第一样本高斯积分点集和各所述第一标签数据，对第二初始神经网络模型进行训练，得到第二目标神经网络模型。
[0026]根据本专利技术提供的一种电磁散射边界元计算方法，所述第三目标神经网络模型是基于以下步骤训练得到的：
[0027]获取第二训练数据集；所述第二训练数据集包括至少一个所述样本增广矩阵和至少一个所述第三标签数据；
[0028]在所述第二训练数据集包括一个所述样本增广矩阵，且所述样本增广矩阵为所述第一增广矩阵的情况下，基于所述第一增广矩阵，对第三初始神经网络模型进行训练，得到所述第三目标神经网络模型；
[0029]在所述第二训练数据集包括多个所述样本增广矩阵和多个所述第三标签数据的
情况下，基于各所述样本增广矩阵和各所述第三标签数据，对第三初始神经网络模型进行训练，得到所述第三目标神经网络模型。
[0030]根据本专利技术提供的一种电磁散射边界元计算方法，所述获取第二训练数据集，包括：
[0031]将所述第一增广矩阵作为样本增广矩阵；或者，
[0032]在所述第一增广矩阵的取值范围内，随机生成至少一个样本增广矩阵；基于各所述样本增广矩阵，确定至少一个第三标签数据。
[0033]本专利技术还提供一种电磁散射边界元计算装置，包括：
[0034]第一获取模块，用于获取几何模型，所述几何模型用于求解电磁散射特性；
[0035]第二获取模块，用于获取所述几何模型对应的多组高斯积分点集；每组高斯积分点集包括第一高斯积分点集和第二高斯积分点集；
[0036]第一预测模块，用于将所述多组高斯积分点集输入至第一目标神经网络模型，得到所述第一目标神经网络模型输出的电场边界积分系数矩阵；所述第一目标神经网络模型是基于第一样本高斯积分点集、第一标签数据、第二样本高斯积分点集和第二标签数据进行训练得到，用于对所述几何模型对应的电场边界积分系数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁散射边界元计算方法，其特征在于，包括：获取几何模型，所述几何模型用于求解电磁散射特性；获取所述几何模型对应的多组高斯积分点集；每组高斯积分点集包括第一高斯积分点集和第二高斯积分点集；将所述多组高斯积分点集输入至第一目标神经网络模型，得到所述第一目标神经网络模型输出的电场边界积分系数矩阵；所述第一目标神经网络模型是基于第一样本高斯积分点集、第一标签数据、第二样本高斯积分点集和第二标签数据进行训练得到，用于对所述几何模型对应的电场边界积分系数矩阵进行预测；将各所述第一高斯积分点集输入至第二目标神经网络模型，得到所述第二目标神经网络模型输出的电场边值向量；所述第二目标神经网络模型是基于所述第一样本高斯积分点集和所述第一标签数据进行训练得到，用于对所述几何模型对应的电场边值向量进行预测；基于所述电场边界积分系数矩阵和所述电场边值向量，确定所述几何模型对应的所述电磁散射特性。2.根据权利要求1所述的电磁散射边界元计算方法，其特征在于，所述基于所述电场边界积分系数矩阵和所述电场边值向量，确定所述几何模型对应的所述电磁散射特性，包括：基于所述电场边界积分系数矩阵和所述电场边值向量，确定第一增广矩阵；将所述第一增广矩阵输入至第三目标神经网络模型，得到所述第三目标神经网络模型输出的所述电磁散射特性；所述第三目标神经网络模型是基于样本增广矩阵和第三标签数据进行训练得到，用于对所述几何模型对应的所述电磁散射特性进行预测。3.根据权利要求1所述的电磁散射边界元计算方法，其特征在于，所述获取所述几何模型对应的多组高斯积分点集，包括：将所述几何模型的表面进行网格剖分，得到至少一个离散单元；根据所述几何模型的尺寸，构造可包络所述几何模型的包络空间；基于各所述离散单元，在所述包络空间内随机生成各所述离散单元分别对应的目标单元；在各所述目标单元中生成至少一个高斯积分点；从各所述目标单元中随机多次选择第一单元和第二单元；基于各所述第一单元和各所述第二单元，确定多组所述第一高斯积分点集和多组所述第二高斯积分点集。4.根据权利要求1或2所述的电磁散射边界元计算方法，其特征在于，所述第一目标神经网络模型和所述第二目标神经网络模型是基于以下步骤训练得到的：获取第一训练数据集；所述第一训练数据集包括至少一组样本高斯积分点集和至少一组样本高斯积分点集对应的标签数据；每组样本高斯积分点集包括第一样本高斯积分点集和第二样本高斯积分点集；每组样本高斯积分点集对应的标签数据包括第一样本高斯积分点集对应的第一标签数据和第二样本高斯积分点集对应的第二标签数据；基于所述第一训练数据集，对第一初始神经网络模型进行训练，得到第一目标神经网络模型；基于各所述第一样本高斯积分...

【专利技术属性】
技术研发人员：孟竹喧，李晟泽，白敬培，张峰，章杰元，李渊，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：