[发明专利]一种基于卷积神经网络的介质目标电磁探测方法

说明书

本发明涉及一种基于卷积神经网络的介质目标电磁探测方法，具体包括以下步骤：S1、将目标成像区域划分成正方形的网格；S2、改变目标成像区域网格中介电常数的分布，得到成像区域介电常数分布矩阵，根据成像区域介电常数分布矩阵生成随机散射体；S3、根据积分算法计算得到每个散射体对应的散射场数据；S4、将散射场数据作为卷积神经网络的输入，对应的成像区域介电常数分布矩阵作为卷积神经网络的输出，训练卷积神经网络；S5、根据训练好的卷积神经网络对未知散射场进行预测，重构未知散射体。与现有技术相比，本发明具有避免传统方法中计算过程复杂的缺陷，提高未知散射体的电磁探测效率和准确性等优点。

技术领域

本发明涉及电磁技术领域，尤其是涉及一种基于卷积神经网络的介质目标电磁探测方法。

背景技术

随着科技的进步和发展，电磁散射技术在民用和军事方面有着越来越广泛的应用，对电磁散射问题的研究也吸引了很多学者的关注。电磁理论的起源可以追溯麦克斯韦方程组的提出，当时英国科学家麦克斯韦根据前人的经验，创建了麦克斯韦方程组，它反映了宏观电磁现象的普遍规律，奠定了电磁理论的基础。研究和分析电磁场和电磁波有非常重要的理论意义和实际意义。电磁散射问题包含电磁正散射问题和电磁逆散射问题，其中正散射问题是指已知目标区域的电磁特性，目的是确定目标区域被电磁波照射后产生的散射场；逆散射问题是正散射问题的反向操作，根据已知的目标区域的散射场来确定目标区域的电磁特性。目前对于电磁正散射问题的求解，大多都是用积分公式或者矩量法。对应电磁逆散射问题的求解，目前主要分为线性方法和非线性方法，其中线性方法求解速度快，但是精度较低；非线性方法求解精度较高，但是需要多次迭代，求解过程比较复杂。

与电磁正散射问题相比，电磁逆散射问题更加复杂，这是因为电磁逆散射问题是一个非线性、不适定的问题，无法直接求解。求解电磁逆散射问题的线性方法主要是通过线性近似的方式，将原始的非线性问题转换为线性问题，再进行求解。目前常用的近似手段有Born近似和Rytov近似。线性近似方法的计算速度比较快，适用于实时成像，但是这类方法精度较低。并且这两种线性近似方法都有使用条件限制，它们都只能在散射体是弱散射体的情况下才能使用。所谓的弱散射体，是指散射体的对比度与背景介质的对比度的差距很小。电磁逆散射求解方法中的非线性方法是通过构建成本函数的方式，将问题转化成优化问题，再通过多次迭代求解。常见的非线性求解方法有Born迭代法(BIM)、变形Born迭代法(DBIM)、对比源反演法(CSIM)等。与线性近似方法相比，非线性方法拥有更高的计算精度，但是该类方法求解非常耗时，求解过程比较复杂。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的介质目标电磁探测方法，避免了传统方法中计算过程复杂的缺陷，提高了未知散射体的电磁探测效率和准确性。

本发明的目的可以通过以下技术方案来实现：

一种基于卷积神经网络的介质目标电磁探测方法，具体包括以下步骤：

S1、将目标成像区域划分成正方形的网格；

S2、改变目标成像区域网格中介电常数的分布，得到成像区域介电常数分布矩阵，根据成像区域介电常数分布矩阵生成随机散射体；

S3、根据积分算法计算得到每个散射体对应的散射场数据；

S4、将散射场数据作为卷积神经网络的输入，对应的成像区域介电常数分布矩阵作为卷积神经网络的输出，训练卷积神经网络；

S5、根据训练好的卷积神经网络对未知散射场进行预测，重构未知散射体。

所述步骤S3中计算散射体对应的散射场数据的积分算法包括正向电磁积分算法和逆向电磁积分算法。

进一步地，所述正向电磁积分算法的公式具体如下所示：