[发明专利]一种基于蝙蝠算法的介质目标电磁探测方法

说明书

本发明涉及一种基于蝙蝠算法的介质目标电磁探测方法，包括：S1、构建微波成像模型，设定目标散射体和成像区域D；对成像区域D建立X‑Y坐标系，划分矩形网格；根据正向和逆向电磁散射积分方程推导出散射场公式；S2、根据散射场公式计算目标散射体的散射数据作为基准数据M；将逆散射问题转化成优化问题计算，根据其基准数据M与目标散射体的实验散射数据的差值构建成本函数，所述成本函数中设有正则化项；S3、根据成像区域D的大小，设定粒子的速度和位置范围；初始化随机粒子，基于蝙蝠算法对随机粒子进行迭代更新，根据最终得到的最优粒子重构出目标散射体。与现有技术相比，本发明具有提高二维电介质的图像重构准确度和精度等优点。

技术领域

本发明涉及电磁技术领域，尤其是涉及一种基于蝙蝠算法的介质目标电磁探测方法。

背景技术

电磁反演方法的过程是在成像区域外发射电磁波，并通过接收的回波信号探测未知目标的大小、位置和轮廓信息。逆散射作为一种非接触式成像或者探测技术，已广泛应用于地下探测、雷达、医学成像等诸多领域。不断增长的应用需求推动了电磁学的基础研究。经典电磁逆散射算法基于实际测量数据与目标物体的成像预测分布对应的散射数据之间的差异，通过添加合适的正则化项来确定成本函数。由于逆问题具有非线性和不适定性，是电磁散射问题中最困难和关键的一步，前人提出了一些确定性技术和随机技术来解决逆散射问题。

在良好的观测环境、丰富的激励光源和简单的散射目标结构条件下，确定性的算法如牛顿法，共轭梯度法可以有效地融合到最佳解决方案中，并且计算效率高。但是，在实际应用方案中，噪音和激发波的限制等因素不容忽视。完全依赖梯度信息的确定性算法可能落入局部最优，无法获得理想结果。

不同于确定性算法，在未知环境下，我们提出将随机优化算法与微波成像算法相结合来解决电磁逆散射问题，如遗传算法(Genetic Algorithm，GA)和粒子群算法(Particle Swarm Optimization，PSO)等。随机因素的引入扩大了求解空间的搜索范围，使得随机优化算法可以跳出局部最优，解决上述问题。

群智能优化算法来源于生物进化，模拟了生物的行为，如觅食，探索，并且优化过程被随机因素所影响。种群中的个体通过随机搜索和信息交换逐渐接近最佳位置。研究人员通过将电磁逆散射问题转化为非线性优化问题，定义适当的成本函数，使用粒子群优化算法去解决。蝙蝠算法(Bat Algorithm，BA)是2010年提出的一种新兴的群智能算法。它模仿了蝙蝠利用回声定位能力的觅食过程。它结构简单，参数少，易于理解和实现。BA算法的应用广泛，包括能源管理、路径规划、旅行推销员问题等。

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蝙蝠算法的介质目标电磁探测方法，将目标散射体的形状作为先验信息，大大提高了图像重建的准确度。

本发明的目的可以通过以下技术方案来实现：

一种基于蝙蝠算法的介质目标电磁探测方法，具体包括以下步骤：

S1、构建微波成像模型，设定目标散射体和成像区域D；对成像区域D建立X-Y坐标系，划分矩形网格以便数值计算；根据正向和逆向电磁散射积分方程推导出散射场公式；

S2、根据散射场公式计算目标散射体的散射数据作为基准数据M；将逆散射问题转化成优化问题计算，根据其基准数据M与目标散射体的实验散射数据的差值构建成本函数，所述成本函数中设有正则化项；

S3、根据成像区域D的大小，设定粒子的速度和位置范围；初始化随机粒子，基于蝙蝠算法对随机粒子进行迭代更新，根据最终得到的最优粒子重构出目标散射体。

所述步骤S1中向电磁散射积分方程和逆向电磁散射积分方程根据麦克斯韦方程组与本构方程推导得出。

所述步骤S1中正向电磁散射积分方程的公式如下所示：