[发明专利]一种基于深度学习的电磁散射计算方法

说明书

本发明公开一种基于深度学习的电磁散射计算方法。计算得到样本电流数据，并采用深度学习网络来训练学习对比度入射波到感应电流之间的非线性关系，包括样本设计和网络设计，样本设计：网络输入采用两种方案作为输入，并计算得到前向电流数据作为深度学习网络真实样本；网络设计：本发明设计采用深度学习网络作为模型来完成训练预测过程，从而表征输入信息，也就是散射体，入射场，到感应电流的关系。实验证明，入射波的入射角度和强度固定时，在相同网格划分下，应用此方法求解散射场时，不仅在时间上比现有技术快，而且在精度上也有不小的提升，仿真测试验证了该方法的有效性。

技术领域

本发明属于电磁散射领域，具体涉及一种基于深度学习的电磁散射计算方法。

背景技术

自麦克斯韦方程组提出至今，已经有100多年的历史了。在这期间。电磁技术与理论发展迅速，并且得到了广泛的应用，如无线电通信，雷达与天线，地质勘测，生物医学成像等等。电磁波在实际环境中传播十分复杂，因此，研究电磁波特性具有重要的意义，实验和理论分析计算是相辅相成的重要手段。

在理论分析计算中，大多数求解电磁学问题都无法直接通过麦克斯韦方程组解析形式来实现，只能依靠数值方法。如发展迅速的计算电磁学方法(CEM)，总体可以分为两类：1.积分方程求解；2.偏微分方程求解。基于偏微分方程求解的方法包括有限差分法(FDM)，有限元法(FEM)，边界元法(BEM)。同时，基于积分方程的电磁计算方法由矩量法(MoM)以及由其衍生的计算方法组成。

虽然以上提到的前向电磁散射问题快速求解已经取得了很大的进步，但是对于大多数全波问题来说，这依然需要大量的时间和内存空间计算成本。

近年来，深度神经网络(DNNs)在实际应用中非常广泛。计算机视觉、图像处理(分类、分割、恢复)、大数据处理和学习等。虽然基于深度神经网络的电磁技术发展才刚刚开始，但最近已经有很多研究将其应用在逆散射问题，微波成像，雷达和遥感，合成孔径重建(SAR)，多输入/多输出(MIMO)系统等等。由于其强大的非线性逼近能力和快速的预测能力，深度学习也逐渐成为一种强大的框架，为计算电磁学领域提供了前所未有的低计算时间消耗和高精度性能。特别是在电磁反演问题中，已有一些结合深度学习技术的优秀成果被报道。DNNs采用卷积神经网络(CNNs)来解决逆散射问题，能够快速生成良好的定量结果。结果表明，基于深度学习的反演方法在图像质量和计算时间上都明显优于传统的迭代反演方法。

受到以上工作的启发，我们设计发明了一种基于深度学习的前向电流学习方法(FICLM)来解决电磁散射问题。利用深度学习网络得到已知信息(对比度入射场)到感应电流的映射关系。训练所用的感应电流可用传统算法计算得到，如MoM，FEM，时域有限差分法(FDTD)等。深度学习网络可采用可采用普通CNN，U-net网络，GAN等框架。本发明的FICLM中，并没有通过网络直接去获取散射场信息，而是以入射场以及与散射体相关的信息作为输入，通过深度学习网络来学习得到前向电流，之后才根据电流信息来计算得到散射场。

发明内容

本发明的目的是针对传统算法在求解散射场的过程中，计算前向电流时需要大量的时间成本和计算空间成本，提出了一种在入射天线的入射角度和照射强度固定时，以对比度对比度和入射场的乘积，即两种作为输入，用深度学习网络学习预测前向电流，最后计算得到散射场的方法。

一种基于深度学习的电磁散射计算方法，计算得到样本电流数据，并采用深度学习网络来训练学习对比度入射波到感应电流之间的非线性关系，包括样本设计和网络设计，所述样本设计：为了引入已知信息，网络输入采用两种方案作为输入，并计算得到前向电流数据作为深度学习网络真实样本；所述网络设计：本发明设计采用深度学习网络作为模型来完成训练预测过程，从而表征输入信息，也就是散射体，入射场，到感应电流的关系。

进一步的，所述的感应电流计算方法采用矩量法MoM，边界元法FEM，时域有限差分法FDTD。

进一步的，所述的感应电流计算方法采用矩量法，计算步骤如下：