[发明专利]基于深度学习模型的大尺度电磁散射与逆散射的预测方法

摘要

本发明公开了一种基于深度学习模型的大尺度电磁散射与逆散射的预测方法。本发明针对电磁散射和电磁逆散射问题分别提出了两种基于物理机制的卷积神经网络；将现有卷积神经网络框架从实数域推广到复数域，并赋予其相应的物理含义；本发明的散射和逆散射的预测方法适用于常用的各种雷达系统；本发明的卷积神经网络适用于目前所有的训练算法；网络均为卷积操作，因而具有极强的适用性，适用于任意大尺度电磁场景。本发明所提出利用基于物理机制的卷积神经网络在解决电磁散射和逆散射问题时具有计算效率高，时延低等特性，为实现大尺度电磁散射和逆散射问题的实时解决奠定了基础。

主权项

1.一种基于深度学习模型的大尺度电磁散射的预测方法，其特征在于，所述预测方法包括以下步骤：1)获取训练样本：电磁雷达系统包括T个发射机，M个接收机，发射机依次向目标区域发射信号，并由全部接收机接收目标区域的散射场，对比函数即目标区域的反射率以及对应的目标区域的散射场形成一组样本，多组样本数据被随机划分为两部分：其中第一部分样本被用于训练卷积神经网络作为训练样本；第二部分样本被用于测试卷积神经网络的泛化能力作为测试样本；2)构建卷积神经网络：基于物理机制以串联的方式构建卷积神经网络；3)训练基于物理机制的卷积神经网络：a)将步骤1)中获取的训练样本的目标区域的散射场作为卷积神经网络的输出，将训练样本的目标区域的反射率作为卷积神经网络的输入，训练卷积神经网络；b)将步骤1)中获取的测试样本的目标区域的散射场作为卷积神经网络的输出，将测试样本的目标区域的反射率作为卷积神经网络的输入，检验卷积神经网络，如果误差在标准范围内，则卷积神经网络训练完成，进入步骤4)，如果误差超过标准范围，则返回步骤a)重新训练网络，直至误差在标准范围内，训练网络结束，进入步骤4)；4)大尺度电磁场景的散射预测：将大尺度电磁场景的目标区域的反射率作为步骤3)中卷积神经网络的输入，则卷积神经网络的输出即为预测的对应大尺度电磁场景的目标区域的散射场。