[发明专利]一种基于人工智能的电磁环境效应分析方法

权利要求书

1.一种基于人工智能的电磁环境效应分析方法，其特征在于，包含以下步骤：

S1、在有限空间开展目标空间网格离散，结合Maxwell方程组开展电磁流空间描述；

S2、对不同目标的数据开展电磁效应网络参数模型学习，利用卷积神经网络模型对所述电磁效应网络参数模型进行优化，得到电磁场神经网络参数；

S3、采用深度置信网络模型进行训练，最大化各个目标的特征提取，获取非线性、互补性的电磁场神经网络模型参数，并进行离线存储，结合离线电磁场神经网络参数预估目标散射特性，建立仿真模型，用于电磁散射特性预估；

S4、选用时域有限差分方程开展电磁场的物理离散，得到不同结点的电磁场描述，确保神经网络的泛化能力；结合步骤S2中的离线模型开展在线学习，获取电磁场特性数据，开展电磁环境效应分析。

2.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述步骤S1中进一步包含：依据电磁波频率和极化特性在有限空间开展目标空间网格离散。

3.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述不同目标的数据包含几何外形、结构、材料的RSC数据、ISAR图像数据。

4.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述时域有限差分方程是求解Maxwell微分方程的直接时域方法，Maxwell微分方程为：

式中：H为磁场强度；E为电场强度；B为磁通量密度；D为电同量密度；ρ为电荷密度；ρ_m为磁荷密度；J为电流密度；J_m为磁流密度；

电磁场在线性介质中的本构关系可表示为：

D＝εE

B＝μH

J＝σE

J_m＝σ_mH

式中，ε为介电常数；μ为磁导系数；σ和σ_m分别为介质的电导率和磁导率。

5.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述时域有限差分方程的离散单元为Yee元胞，对有限空间内的任意所述不同目标的数据进行模拟。

6.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述卷积神经网络包含输入层、隐藏层和输出层，所述卷积神经网络的训练分为前向传播和后向传播两个阶段；

当在前向传播阶段时，从样本集中抽取一个训练样本，将该训练样本输入给所述卷积神经网络，并从输入层经过逐级变换传送到所述输出层，计算相应的实际输出；

当在后向传播阶段时，计算实际输出与理想输出的差异，并按最小化误差的方法调整权值矩阵。

7.如权利要求1所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述深度置信网络是由多个堆叠的限制性玻尔兹曼机单元与一个反向传播网络构成的深度学习网络，所述深度置信网络的模型具体训练过程包含预训练阶段和微调阶段；

所述预训练阶段中进一步包含：

随机选择观测样本作为深度置信网络的可视层输入来训练第一层限制性玻尔兹曼机；将第一层限制性玻尔兹曼机的输出作为新的观测样本，训练第二层限制性玻尔兹曼机，依次类推训练，完成所有层限制性玻尔兹曼机；所述微调阶段中进一步包含：

将所述预训练阶段得到的权重作为深度置信网络的初始权重，结合逻辑回归分类，通过最小化顶层输出与预期输出的误差，将训练残差反向往前传，使用反向传播算法监督调整网络参数。

8.如权利要求7所述的基于人工智能的电磁环境效应分析方法，其特征在于，

所述限制性玻尔兹曼机包含可视层v和隐藏层h，同一层单元之间没有连接，可视层v层与隐藏层h层之间通过权重w全连接；

假设隐藏层与可视层神经元为二值，所述限制性玻尔兹曼机可用联合概率分布来表示，联合组态能量函数为：

式中，θ＝{w_ij,a_j,b_i}是限制性玻尔兹曼机参数，w_ij表示可视层与隐藏层之间的连接权重，a_j、b_i分别为隐藏层和可视层单元的偏置项；

其中，当输入可视层v时由激活函数p(h|v)得到隐藏层h，然后根据p(v|h)，由隐藏层h重建可视层单元v'，通过调节参数θ反复执行上述步骤，直至重构的可视层v'与原可视层v之间的误差最小，此时的隐藏层可作为可视层输入数据的有效表征；

当给定可视层或隐藏层神经元状态时，对应的激活概率可分别表示为：

深度置信网络提取的第N层特征可表示为：

式中，v^batch为输入样本，表示第N层权重的转置，sigm(·)为Sigmoid激活函数，如下：