【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问题中应用时，尤其是电场数据尺寸较小的情况下所面临的挑战提供了有效的解决方案。因此，将深度学习算法与电磁逆散射成像结合，以提升传统反演方法中成像的准确性、可靠性以及实时性具有非常大的意义。
技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种基于深度学习网络模型的电磁逆散射成像方法，结合电磁逆散射数据的特点，提出适用于电磁逆散射的深度学习网络
2、为了实现上述目的，本专利技术提供了如下方案：
3、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：
4、步骤s1. 获取初始数据，并进行预处理后生成样本数据集：
5、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，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，由所述第一实数矩阵和所述第二实数矩阵构成样本数据集，并将所述样本数据集随机划分训练样本和测试样本；
6、步骤s2. 构建深度学习网络模型：
7、构建基于特征提取的第一层结构和基于信息恢复的第二层结构的深度学习网络模型；
8、步骤s3. 训练并测试所述深度学习网络模型：
9、将所训练样本输入至所述深度学习网络模型，先进入基于特征提取的第一层结构并生成中间变量矩阵，将所述中间变量矩阵输入至基于信息恢复的第二层结构进行处理，重复多次直至恢复所需大小的图像后完成所述深度学习网络模型的一次训练过程，训练次数达到设置的最大训练次数时停止训练，将所述测试样本输入至训练后的深度学习网络模型进行测试，输出待分析的表示相对介电常数实部与虚部的矩阵，以图像形式展示相对介电常数实部与虚部以实现所述电磁逆散射成像。
10、进一步的，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，
11、步骤s11. 将n个发射天线和n个接收天线均匀地分布在感兴趣区域外部的圆上，生成大小的电场数据；
12、步骤s12. 将所述感兴趣区域分割成个小区域，此时所述感兴趣区域可看作像素大小为的图片，每个小区域代表图片中的一个像素点，所述每个小区域中心位置的相对介电常数表示每个像素点的像素值，生成大小的相对介电常数数据；
13、其中，所述电场数据和所述相对介电常数数据均由复数矩阵形式构成。
14、进一步的，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。
15、进一步的，所述基于特征提取的第一层结构由残差结构组成，所述残差结构由跳跃连接和主路径组成，其中，所述跳跃连接为一个卷积核大小为的卷积层，所述主路径为两个卷积核大小为的卷积层。
16、进一步的，所述基于信息恢复的第二层结构包括上采样组件、卷积组件和批归一化组件。
17、进一步的，以图像形式展示待分析的表示相对介电常数实部与虚部的矩阵以实现所述电磁逆散射成像的步骤还包括，将待分析的表示相对介电常数实部与虚部的矩阵以图像的方式展示，得到待分析的表示相对介电常数矩阵的实部图像和虚部图像，通过所述实部图像得到色散介质与普通介质的形状与位置信息，通过所述虚部图像对不同介质进行区分。
18、进一步的，所述深度学习网络模型还包括非线性激活函数，具体为leakyrelu函数。
19、本专利技术的有益效果为：
20、本专利技术提供了适用于电磁逆散射的深度学习网络模型eis-net。
21、本专利技术能够高精度的重构出色散介质与普通介质相对介电常数的实部与虚部。
22、本专利技术能够进行无损检测，在得到等离子体与普通介质位置与形状信息的同时还可以对二者进行有效区分。
本文档来自技高网...【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。
4.根据权利要求1所述的电磁逆散射成像方法，其特征在于，所述基于特征提取的第一层结构由残差结构排列组成，所述
5.根据权利要求1所述的电磁逆散射成像方法，其特征在于，所述基于信息恢复的第二层结构包括上采样组件、卷积组件和批归一化组件。
6.根据权利要求1所述的电磁逆散射成像方法，其特征在于，以图像形式展示待分析的表示相对介电常数实部与虚部的矩阵以实现所述电磁逆散射成像的步骤还包括，将待分析的表示相对介电常数实部与虚部的矩阵以图像的方式展示，得到待分析的表示相对介电常数矩阵的实部图像和虚部图像，通过所述实部图像得到色散介质与普通介质的形状与位置信息，通过所述虚部图像对不同介质进行区分。
7.根据权利要求1所述的电磁逆散射成像方法，其特征在于，所述深度学习网络模型还包括非线性激活函数，具体为LeakyReLU函数。
...【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。