【技术实现步骤摘要】
本专利技术涉及逆散射应用，尤其是一种基于深度学习网络模型的电磁逆散射成像方法。
技术介绍
1、电磁逆散射方法建立在全波电磁计算的基础上，因此逆散射的物理模型具有更高的准确性与更加广泛的适应性。同时，逆散射具有非接触和可穿透等优点，因此逆散射成像具有十分广泛的应用前景。目前，逆散射成像方法的应用场景有石油勘探、生物医学成像、工业无损检测和安检门等。在实际应用中，感兴趣区域内往往存在多种散射体，这对重建算法的鲁棒性有很大的考验；在航空航天领域，色散介质在航天器载入通信以及“黑障”现象具有重要的应用前景。对色散介质与普通介质混合物体电磁逆散射的研究，是研究等离子体技术应用需要解决的一个重要问题。这一研究方向的深入探讨不仅有助于提升逆散射方法的适用性，还为解决复杂场景下的电磁逆散射问题提供了重要的理论支持。
2、深度学习展现了强大的特征提取和学习能力。在深度学习网络中引入残差结构，有助于解决随着神经网络层数增加而导致性能下降的问题。尤其在数据尺寸较小时，增加网络层数，既能提升模型的表示能力，又不至于降低性能。这为解决深度学习在逆散射...
【技术保护点】
1.一种基于深度学习网络模型的电磁逆散射成像方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的电磁逆散射成像方法，其特征在于，根据在感兴趣区域外部圆上的天线分布和所述感兴趣区域的区域分割模式生成基于电场数据和相对介电常数数据的初始数据的步骤包括，
3.根据权利要求2所述的电磁逆散射成像方法，其特征在于，将所述电场数据和所述相对介电常数数据进行预处理后分别生成由电场数据实虚部构成的第一实数矩阵和由所述相对介电常数数据实虚部构成的第二实数矩阵的步骤包括，将复数矩阵形式的电场数据以及复数矩阵形式的相对介电常数数据进行分解后分别生成由电场数据实...
【技术特征摘要】
1.一种基于深度学习网络模型的电磁逆散射成像方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的电磁逆散射成像方法，其特征在于，根据在感兴趣区域外部圆上的天线分布和所述感兴趣区域的区域分割模式生成基于电场数据和相对介电常数数据的初始数据的步骤包括，
3.根据权利要求2所述的电磁逆散射成像方法，其特征在于，将所述电场数据和所述相对介电常数数据进行预处理后分别生成由电场数据实虚部构成的第一实数矩阵和由所述相对介电常数数据实虚部构成的第二实数矩阵的步骤包括，将复数矩阵形式的电场数据以及复数矩阵形式的相对介电常数数据进行分解后分别生成由电场数据实虚部构成的第一实数矩阵、由所述相对介电常数数据实虚部构成的第二实数矩阵，其中，所述第一实数矩阵包括基于电场数据实部的实数矩阵和基于电场数据虚部的实数矩阵，所述第二实数矩阵包括基于相对介电常数数据实部的实数矩阵和基于相对介电常数数据虚部的实数矩阵，所述第一实数矩阵的大小为，所述第二实数矩阵的大小为。
...【专利技术属性】
技术研发人员：薄勇，李智，杨利霞，马玥彤，王佳辰，秦帝，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
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。