【技术实现步骤摘要】
一种基于SP-CUnet的逆散射成像方法
本专利技术属于电磁场建模仿真
,具体涉及一种基于频谱池化下的复卷积U型网络(Spectralpooling-ComplexUnet,SP-CUnet)的逆散射成像方法。
技术介绍
逆散射问题由于存在不适定性和非线性,通常采用正则化的迭代优化方法求解,但该方法存在耗时,难于实时重建的缺点。近年来,基于卷积神经网络提取散射体几何及电磁特性的方法被提出,此类方法大多使用一些参数来表示散射体,例如散射体的位置、尺寸、形状和分段介电常数,具有准确高效的特征。基于卷积神经网络的设计方法需要大量的样本数据进行训练。训练成熟的神经网络能在短时间内重建成像区域内的散射体特性,进而替代传统的正则化迭代方法。文献“DeepConvolutionalNeuralnetworkforinverseprobleminimaging”首次提出利用卷积神经网络求解逆问题,达到图像重建的目的;文献“Solvingill-posedinverseproblemsusingiterativedeepneuralnetworks”提出了一种基于正则化理论求解不适定逆问题的部分学习方法;文献“Deeplearningschemesforfullwavenonlinearinversescatteringproblems”提出利用卷积神经网络解决全波逆散射问题。但目前求解逆散射问题的网络模型只能处理实数值的数据,而电磁散射数据通常为复数,这意味着必须丢弃相位信息。并且在多散射体分布以及噪声干扰的情况下,利 ...
【技术保护点】
1.一种基于SP-CUnet的逆散射成像方法,其特征在于,该方法包括以下步骤:/n步骤1:在电磁仿真软件中设置成像区域,收发天线的位置、个数,散射体的位置、尺寸、数量和分段介电常数分布,通过子空间优化法的正演过程求解散射电场ES,记录介电常数分布esponr,其中ES为[64,64,1]大小的矩阵,矩阵的每个元素均为复数;esponr为[64,64,1]大小的矩阵,矩阵的每个元素均为实数,即成像区域的每个点对应的介电常数值,不断修改散射体的位置、尺寸、数量和分段介电常数分布,得到525组不同的散射电场数据ES以及525组与之对应的介电常数分布数据esponr;/n步骤2:对步骤1中得到的525组散射电场数据ES添加高斯白噪声,模拟真实的散射数据,其中信噪比为百分之五,数据受噪声影响后可能出现幅值变小等问题,此时需要对数据进行预处理;得到的散射电场数据通常幅值较小且部分散射电场数据幅值近乎为0,需要对数据进行预处理;/n步骤3:制作训练集和测试集,训练集和测试集均包含输入数据和标记数据两个部分,从步骤2中预处理后的525组散射电场数据ES中随机选择500组数据作为训练集的输入数据,训练集 ...
【技术特征摘要】
1.一种基于SP-CUnet的逆散射成像方法,其特征在于,该方法包括以下步骤:
步骤1:在电磁仿真软件中设置成像区域,收发天线的位置、个数,散射体的位置、尺寸、数量和分段介电常数分布,通过子空间优化法的正演过程求解散射电场ES,记录介电常数分布esponr,其中ES为[64,64,1]大小的矩阵,矩阵的每个元素均为复数;esponr为[64,64,1]大小的矩阵,矩阵的每个元素均为实数,即成像区域的每个点对应的介电常数值,不断修改散射体的位置、尺寸、数量和分段介电常数分布,得到525组不同的散射电场数据ES以及525组与之对应的介电常数分布数据esponr;
步骤2:对步骤1中得到的525组散射电场数据ES添加高斯白噪声,模拟真实的散射数据,其中信噪比为百分之五,数据受噪声影响后可能出现幅值变小等问题,此时需要对数据进行预处理;得到的散射电场数据通常幅值较小且部分散射电场数据幅值近乎为0,需要对数据进行预处理;
步骤3:制作训练集和测试集,训练集和测试集均包含输入数据和标记数据两个部分,从步骤2中预处理后的525组散射电场数据ES中随机选择500组数据作为训练集的输入数据,训练集的标记数据即为与之对应的500组介电常数分布数据esponr,其余25组散射电场数据ES作为测试集的输入数据,测试集的标记数据即为与之对应的25组介电常数分布数据esponr;
步骤4.从所述训练集的500组数据中每次按顺序取出5组数据作为输入数据喂入神经网络进行训练,100次训练即可遍历训练集的所有数据,记100次训练为一轮,200轮后结束训练。每组输入数据进入网络进行学习后,会得到一个预测的介电常分布数据esponr_,计算所述神经网络预测的介电常数分布数据esponr_和每组输入数据对应的标记数据esponr之间的误差,进而通过Adam算法不断优化神经网络的参数,使得误差不断减小,直至训练结束,得到训练好的SP-CUnet神经网络;
步骤5.在测试阶段,将测试集的数据作为输入数据依次喂入所述训练好的SP-CUnet神经网络中,从而得到对应的仿真结果。
2.根据权利要求1所述的基于SP-CUnet的逆散射成像方法,其特征在于,所述成像区域D为一个2m×2m大小的正方形区域,所述成像区域D中的背景介电常数为1,所述成像区域D的中心在(0,0)处,散射介质e的介电常数取值范围为[1.5,3],散射体的介电常数大于1,散射体的形状为球形或者矩形,且允许散射体重叠。
3.根据权利要求2所述的基于SP-CUnet的逆散射成像方法,其特征在于,所述散射体的具体形状为球形散射体,半径为1.5至2.5,收发天线均匀分布在以(0,0)处为圆心,半径为1.5米的圆上,收发天线的数量均为64。
4.根据权利要求3所述的基于SP-CUnet的逆散射成像方法,其特征在于,所述预处理的具体方法:设定阈值为0.001,剔除幅值小于阈值的散射电场数据,并且采用最大值归一化,最后扩充幅值,保证幅值范围在[0,255]。
5.根据权利要求1-4任意一项所述的基于SP-CUnet的逆散射成像方法,其特征在于,所述神经网络具体为:
(1)首先,输入数据依次通过Cconv1、Cconv2和Cconv3,其中,Cconv1、Cconv2和Cconv3均为复卷积层,分别从Cconv1、Cconv2和Cconv3输出的数据均进入各自的32层数据通道,复卷积计算的输入size为64×64,卷积size为3×3,采用边缘填充,步长为1,卷积核深度为32,输出size为64×64。复值归一化计算的动态均值的动量为0.99,动态浮点数设置为0.001。激活函数为CReLU;
(2)Cconv3之后的32层数据通道中的数据一路进入SP1,其中,SP1为频谱池化层,复卷积计算的输入size为64×64,输出size为32×32,从SP1输出的数据进入其对应的32层数据通道,然后SP1之后的32层数据通道中的数据依次通过Cconv4和Cconv5;
(3)Cconv4和Cconv5均为复卷积层,分别从Cconv4和Cconv5输出的数据均进入各自的64层数据通道,复卷积计算的输入size为32×32,卷积size为3×3,采用边缘填充,步长为1,卷积核深度为64,输出size为32×32,复值归一化计算的动态均值的动量为0.99,动态浮点数设置为0.001。激活函数为CReLU;
(4)Cconv5之后的64层数据通道中的数据一路进入SP2,其中,SP2为频谱池化层,复卷积计算的输入size为32×32,输出size为16×16,从SP2输出的数据进入其对应的64层数据通道,然后SP2之后的64层数据通道中的数据依次通过Cconv6和Cconv7;
(5)Cconv6和Cconv7为复卷积层,分别从Cconv6和Cconv7输出的数据均进入各自的128层数据通道,复卷积计算的输入size为8×8,卷积size为3×3,采用边缘填充,步长为1,卷积核深度为128,输出size为16×16,复值归一化计算的动态均值的动量为0.99,动态浮点数设置为0.001。激活函数为CReLU;
(6)Cconv7之后的128层数据通道中的数据进入DeConv1,DeConv1为反卷积层,复卷积计算的输入size为16×16,卷积size为2×2,步长为1,卷积核深度为64,输出size为32×32,然后Cconv5之后的64层数据通道中的数据另一路通过SkipConnection连接层在DeConv1之后的64层数据通道中的数据之前与其进行拼接,拼接后的数据依次通过Cconv8和Cconv9;
(7)Cconv8和Cconv9为复卷积层,分别从Cconv8和Cconv9输出的数据均进入各自的64层数据通道,复卷积计算的输入size为32×32,卷积size为3×3,采用边缘填充,步长为1,卷积核深度为64,输出size为32×32,复值归一化计算的动态均值的动量为0.99,动态浮点数设置为0.001,激活函数为CReLU;
(8)Cconv9之后的64层数据通道中的数据进入DeConv2,DeConv2为反卷积层,复卷积计算的输入size为32×32,卷积size为2×2,步长为1,卷积核深度为32,输出size为64×64,然后Cconv3之后的32层数据通道中的数据另一路通过SkipConnection连接层在DeConv2之后的32层数据通道中的数据之前与其进行拼接,拼接后的数据依次通过Cconv10和Cconv11;
(9)Cconv10和Cconv11为复卷积层,分别从Cconv10和Cconv11输出的数据均进入各自的32层数据通道,复卷积计算的输入size为64×64,卷积size为3×3,采用边缘填充,步长为1,卷积核深度为32,输出size为64×6...
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。