一种基于深度学习的电磁散射计算方法技术

本发明专利技术公开了一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，包括：步骤1：输入散射体已知部分的电参数比如相对介电常数和磁导率、入射场、少量散射场(观测/测量)数据和待求散射场的位置坐标；步骤2：采用矩量法求解出仅散射体已知部分存在而未知部分不存在的情况下的内部总场；步骤3：将少量散射场(观测/测量)数据、仅散射体已知部分存在而未知部分不存在情况下的内部总场、以及散射体已知部分的电参数输入到深度学习神经网络，通过该网络得到散射体未知部分的电参数比如相对介电常数和磁导率；步骤4：将仅散射体已知部分存在而未知部分不存在情况下的内部总场、散射体未知部分的电参数、以及散射体已知部分的电参数输入到另一个神经网络，通过该网络得到完整散射体的内部总场；步骤5：根据矩量法计算出任意位置处的总场或散射场。本发明专利技术能够，在仅需极少量散射场(观测/测量)数据的条件下，完成散射体形状和电参数不完全已知的散射体的散射特性的预测。

【技术实现步骤摘要】

本专利技术涉及电磁散射，具体而言涉及一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法。

技术介绍

1、在电磁散射技术的研究中，通常假设散射体的几何形状和电参数比如相对介电常数和磁导率是完全已知的。针对此类情形，许多学者已经开发了相应方法来获得入射波照射下散射体发出的散射场。当前，求解电磁散射问题的方法有两类，一类是传统数值方法，另一类为人工智能方法。前者又可以分为两类：高频近似方法和全波数值方法。高频近似方法通常运用在电大目标散射的问题上。而全波数值方法常用于散射体电尺寸和波长相当的情形。常用全波数值方法包括时域有限差分方法，有限元方法和矩量法。除了上述传统数值方法外，人工智能方法，特别是深度学习技术，近年来也成为了求解电磁散射问题的新兴技术。在传统算法的框架下，深度学习可以利用神经网络拟合非线性的能力，将其用作传统求解器的加速器或组件。在深度学习的框架下，经过特殊设计的神经网络可以通过数据驱动的方式或者物理启发的方式或它们的组合来实现训练，从而拟合输入到输出的直接映射。但无一例外，这些方法都需要对散射体有精确的描述，即散射体的几何形本文档来自技高网...

【技术保护点】

1.一种基于深度学习的电磁散射计算方法，其特征在于：在散射体形状和电参数不完全已知情况下的求解入射波照射下散射体产生的散射场，所述方法包括：

2.根据权利要求1所述的一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，其特征在于：步骤S1中，将散射场引入到电磁正散射问题中，将散射和逆散射这两个问题的求解关联起来。

3.根据权利要求1所述的一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，其特征在于：步骤S2中，矩量法采用脉冲基函数以及点匹配使得散射体物理参量与阻抗矩阵相解耦，从而计算仅已知部分存在时的内部总场。

...

【技术特征摘要】

1.一种基于深度学习的电磁散射计算方法，其特征在于：在散射体形状和电参数不完全已知情况下的求解入射波照射下散射体产生的散射场，所述方法包括：

2.根据权利要求1所述的一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，其特征在于：步骤s1中，将散射场引入到电磁正散射问题中，将散射和逆散射这两个问题的求解关联起来。

3.根据权利要求1所述的一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，其特征在于：步骤s2中，矩量法采用脉冲基函数以及点匹配使得散射体物理参量与阻抗矩阵相解耦，从而计算仅已知部分存在时的内部总场。

4.根据权利要求1所述的一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，其特征在于：将步骤s3和步骤s4中的网络串联起来，从而有效进行损失函数的误差传递。

5.根据权利要求4所述的一种基于深度学习的散射体形状和电参数不完全已知情况下的电磁散射计算方法，其特征在于：s3所描述的网络将少量散射场(观测/测量)数据、仅散射体已知部分存在而未知部分不存在情况下的内部总场、以及散射已知部分体的...

【专利技术属性】
技术研发人员：王纪元，潘小敏，皮维超，张亮，娄歆悦，王春秋，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人