一种基于DeepU-Net模型的电磁逆散射成像方法技术

本发明专利技术公开了一种基于DeepU

【技术实现步骤摘要】
Inversion,CSI)、子空间优化法(Subspace
‑
based Optimization Method,SOM)等为电大尺寸或强散射体扩展目标的反演计算提供了可靠的途径。其中，波恩迭代和变形波恩迭代是采用修正梯度的思想对波恩近似进行多次迭代，虽然其应用范围相较波恩近似有了大幅提高，但受限于近似运算，其仍无法处理所有反演情况。共轭梯度的迭代方法则是将逆散射看作一个优化问题，这些方法与近似法的最大区别是不再用入射场来代替目标区域的总场，而是通过多次的迭代，使得计算值逐渐逼近真实情况，进而求得更加准确的解。这一类方法包括对比源反演法和子空间优化法。由于计算过程不涉及近似，理论上可以求解所有的逆散射情况，但这一类方法非常依赖初始值，不适当的初值可能会使运算结果陷入局部最优陷阱。此外，相较于非迭代方法，几乎所有迭代方法都存在计算复杂度高、计算空间需求大、耗时长的问题，这也使得其很难满足实际应用中对实时反演的要求。
[0006]机器学习方法在经过大量数据集的针对性训练后可以对反演问题进行实时求解，由于其在求解电磁逆散射问题时的高效性和高精度的优点，近年来受到研究人员的广泛关注。陈旭东教授等人在文献“Wei Z,Chen X.Deep
‑
learning schemes for full
‑
wave nonlinear inverse scattering problems[J].IEEE Transactions on Geoscience And Remote Sensing,2019；57(4):1849
‑
1859”应用语义分割网络U
‑
Net来求解非线性电磁逆散射问题，通过对比U
‑
Net直接反演算法、BP近似+U
‑
Net算法以及SOM+U
‑
Net算法等的结果，充分说明了U
‑
Net神经网络在求解电磁逆散射问题时的有效性；李廉林教授等人在文献“Li L,Wang L G,Teixeira F L,et al.DeepNIS:deep neural network for nonlinear electromagnetic inverse scattering[J].IEEE Transactions on Antennas and Propagation,2019，67(3):1819
‑
1825.”面对目前常用的深度神经网络仅采用实数域数据，对于复数域问题则无法直接应用的问题，提出了DeepNIS网络。DeepNIS由多个复数卷积神经网络模块串联而成，其结构类似于迭代求解非线性电磁逆散射问题，但不同的是DeepNIS网络一旦训练完成，则求解速度远快于现有的非线性电磁逆散射迭代求解算法；刘彻等人在文献“C.Liu,H.Zhang,L.Li and T.J.Cui.Towards intelligent electromagnetic inverse scattering using deep learning techniques and information metasurfaces[J].IEEE Journal of Microwaves,2023(1):509
‑
522”通过生成对抗网络(Generative Adversarial Network，GAN)对典型的对比源反演(Contrast Source Inversion，CSI)算法进行了扩展，提出了一种新的基于物理信息的求解逆散射的无监督深度学习方法，简称CSI
‑
GAN，该方法依赖于物理规律的监督，而不是有标签的训练数据集。得益于机器学习的高度非线性拟合能力，基于神经网络的电磁逆散射问题求解展现出超越传统算法的潜力。
[0007]而上述方法在使用时，仍存在以下问题需要进一步解决：
[0008]1.上述方法在实现时需要大量训练数据对模型进行训练，训练时间长，数据集制备困难；
[0009]2.现有的电磁逆散射求解方法处理强散射体的逆散射成像时成像效果差，存在较大的“伪影”；
[0010]3.现有的电磁逆散射求解方法在处理高噪声数据时成像效果较差；
[0011]因此亟需设计一种新的电磁逆散射成像方法，以解决上述现有方法随机数存在的需要大量数据并且在处理高噪声，强散射体情况下的局限性的问题。

技术实现思路

[0012]针对上述存在的问题，本专利技术旨在提供一种基于Deep U
‑
Net模型的电磁逆散射成像方法，本方法通过在现有深度学习方法的基础上探究了将物理信息融入学习训练过程，即通过加入TV损失函数正则项在损失函数中，利用其对于物体轮廓的“描绘”能力辅助成像，实现对于强散射体，高噪声环境下的准确反演成像，改善现有方法成像能力，具有成像效果好、训练时间短和泛化能力强的特点。
[0013]为了实现上述目的，本专利技术所采用的技术方案如下：
[0014]一种基于Deep U
‑
Net模型的电磁逆散射成像方法，包括
[0015]步骤1：对散射场进行预处理，利用BP方法产生预成像结果，将结果随机分配为训练数据和测试数据；
[0016]步骤2：利用预成像结果计算求得加权系数初值；
[0017]步骤3：利用步骤1的训练数据和步骤2的预处理结果，训练融入TV损失函数的U
‑
Net电磁逆散射求解器；
[0018]步骤4：利用测试数据测试训练结果，判断是否权重值最优，非最优情况修改测试权重并重复步骤3和步骤4，得到最终的求解电磁逆散射问题的模型M
IPS
；
[0019]步骤5：利用训练好的模型输出成像结果，对电磁逆散射模型进行测试。
[0020]优选的，步骤1所述的对散射场进行预处理，利用BP方法产生预成像结果，将结果随机分配为训练数据和测试数据的具体过程包括
[0021]步骤1.1：对MNIST手写数字数据集进行处理，从中随机选取2000张图像，提取每张图像的灰度值，当灰度值小于最大值的1/3时将其相对介电常数赋值为1并作为背景部分，当灰度值大于最大值的1/3时，将其相对介电常数随机赋值为[1，5]并作为散射体部分；
[0022]步骤1.2：利用矩量法、脉冲基函数和delta检验函数，将尺寸为5.6λ0×
5.6λ0的目标区域离散为64
×
64个像素；
[0023]步骤1.3：采用公式
[0024][0025]其中，为散射场，k为波数，为自由空间二维标量格林函数，可进一步表示为其中为0阶第二类汉克函数，χ(r')为散射体的散射强度，由相对介电常数计算得来，为目标区域内的总场；
[0026]借助矩量法求解得到散射场数据，完成数值模拟；
[0027]步骤1.4：以概率为0.15，添加均值为0，方差服从(0，0.1)均匀分布的高斯噪声，得到具有特定信噪比的散射场；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DeepU
‑
Net模型的电磁逆散射成像方法，其特征在于：包括步骤1：对散射场进行预处理，利用BP方法产生预成像结果，将结果随机分配为训练数据和测试数据；步骤2：利用预成像结果计算求得加权系数初值；步骤3：利用步骤1的训练数据和步骤2的预处理结果，训练融入TV损失函数的U
‑
Net电磁逆散射求解器；步骤4：利用测试数据测试训练结果，判断是否权重值最优，非最优情况修改测试权重并重复步骤3和步骤4，得到最终的求解电磁逆散射问题的模型M
IPS
；步骤5：利用训练好的模型输出成像结果，对电磁逆散射模型进行测试。2.根据权利要求1所述的一种基于DeepU
‑
Net模型的电磁逆散射成像方法，其特征在于：步骤1所述的对散射场进行预处理，利用BP方法产生预成像结果，将结果随机分配为训练数据和测试数据的具体过程包括步骤1.1：对MNIST手写数字数据集进行处理，从中随机选取2000张图像，提取每张图像的灰度值，当灰度值小于最大值的1/3时将其相对介电常数赋值为1并作为背景部分，当灰度值大于最大值的1/3时，将其相对介电常数随机赋值为[1，5]并作为散射体部分；步骤1.2：利用矩量法、脉冲基函数和delta检验函数，将尺寸为5.6λ0×
5.6λ0的目标区域离散为64
×
64个像素；步骤1.3：采用公式其中，为散射场，k为波数，为自由空间二维标量格林函数，可进一步表示为其中为0阶第二类汉克函数，χ(r')为散射体的散射强度，由相对介电常数计算得来，为目标区域内的总场；借助矩量法求解得到散射场数据，完成数值模拟；步骤1.4：以概率为0.15，添加均值为0，方差服从(0，0.1)均匀分布的高斯噪声，得到具有特定信噪比的散射场；步骤1.5：利用BP方法对步骤1.5得到的散射场数据进行预处理；步骤1.6：将预处理结果随机分为1000张训练数据集和1000张测试数据集，完成对训练数据的准备。3.根据权利要求1所述的一种基于DeepU
‑
Net模型的电磁逆散射成像方法，其特征在于：步骤2所述的利用预成像结果计算求得加权系数初值的具体过程包括利用步骤1中所得的预处理结果，通过公式计算正则项的权重初值；其中，x为数据集的像素矩阵，x
i,j
‑1,x

【专利技术属性】
技术研发人员：刘自成，马杰，程曦，肖瑞杰，王士龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：