[发明专利]基于深度学习模型的大尺度电磁散射与逆散射的预测方法

说明书

本发明公开了一种基于深度学习模型的大尺度电磁散射与逆散射的预测方法。本发明针对电磁散射和电磁逆散射问题分别提出了两种基于物理机制的卷积神经网络；将现有卷积神经网络框架从实数域推广到复数域，并赋予其相应的物理含义；本发明的散射和逆散射的预测方法适用于常用的各种雷达系统；本发明的卷积神经网络适用于目前所有的训练算法；网络均为卷积操作，因而具有极强的适用性，适用于任意大尺度电磁场景。本发明所提出利用基于物理机制的卷积神经网络在解决电磁散射和逆散射问题时具有计算效率高，时延低等特性，为实现大尺度电磁散射和逆散射问题的实时解决奠定了基础。

技术领域

本发明涉及电磁散射与逆散射技术，具体涉及一种基于深度学习模型的大尺度电磁散射与逆散射的预测方法。

背景技术

随着经济社会的飞速发展，大尺度电磁散射与逆散射已经成为遥感、电磁隐身和医疗等众多领域的关键性、基础性问题。

超视距作战能力被认为是一个国家能否赢得现代化战争的关键性因素。由于目前军队列装的雷达多具有作用距离远、侦测精度高、全天候工作等特点，因而如何设计高机动性，高隐身性飞行器俨然成为国防工业研究的重要课题。在高速隐身飞行器设计过程中，如何快速获取目标散射数据成为研究进程的重要因素。在学术界和工业界通常采用传统的计算电磁方法(如时域有限差分法，矩量法等数值方法)或采用基于计算电磁方法的商业仿真软件来获取目标散射数据。这些方法虽然具有技术成熟，精度高等优点，但当目标区域较大时，则传统计算电磁方法需要消耗大量计算资源，计算时间过长等缺点，严重拖累了飞行器设计的进度。为提高计算效率，科研工作者也提出了各种近似数值方法(如玻恩近似方法，高频近似方法等)，这些方法多忽略目标内部和目标之间的电磁耦合作用，导致计算精度较低。

另一方面，电磁逆散射问题(如雷达成像等)如今已被广泛应用于地理科学、医学及其它各种军事与民用场景。在过去几十年当中，电磁逆散射问题也是各个国家科研工作者研究的重点领域。由于电磁逆散射问题具有不适定，非线性和病态性等极具挑战性特点，尽管科学家已经提出了众多算法(如：后向投影算法，玻恩迭代法，变形玻恩迭代法，基因算法等)，但是依然无法有效满足工程应用的需要。当计算场景增大时，传统方法均会遭遇计算量大，无法满足实时性应用要求的问题。

近年来，深度学习已经成为人工智能领域的重要研究方向，被广泛应用于模式识别，分类，检测等领域，并取得了空前的成功。然而，目前深度学习网络多应用于实数域，而电磁散射问题和电磁逆散射问题均属于复数域问题，且目前深度学习框架并未有准确的物理意义支撑，造成现有深度学习框架很难直接应用于电磁散射和电磁逆散射问题。

如何在现有硬件体制条件下，提出精度高，计算快的求解电磁散射和逆散射问题的算法已经成为本领域技术人员所急需解决的极具挑战性的关键技术难题。

发明内容

为了解决上述关键技术难题，本发明分别提出了基于物理机制的深度学习模型的大尺度电磁散射的预测方法和基于物理机制的深度学习模型的大尺度电磁逆散射的预测方法；本发明通过训练小尺度电磁散射和逆散射数据，进而将该网络直接应用于预测大尺度电磁散射和逆散射问题。

本发明的一个目的在于提出一种基于深度学习模型的大尺度电磁散射的预测方法。

本发明的基于深度学习模型的大尺度电磁散射的预测方法，包括以下步骤：

1)获取训练样本：

电磁雷达系统包括T个发射机，M个接收机，发射机依次向目标区域发射信号，并由全部接收机接收目标区域的散射场，对比函数即目标区域的反射率以及对应的目标区域的散射场形成一组样本，多组样本数据被随机划分为两部分：其中第一部分样本被用于训练卷积神经网络作为训练样本；第二部分样本被用于测试卷积神经网络的泛化能力作为测试样本；

2)构建卷积神经网络：

基于物理机制以串联的方式构建卷积神经网络；