关键词： 电磁逆散射   子空间优化法   随机方差缩减梯度法   M2Net  

摘要： 针对提升现有逆散射成像算法精度的需求和抗噪声性能具有局限性的问题，本文提出了一种基于随机方差缩减的子空间优化法与M2Net深度网络融合的逆散射成像方法。该方法在优化的SOM框架下引入随机方差缩减梯度法，通过使用两层循环结构，在每次迭代中随机抽取少量样本进行更新，以修正项来减少方差并提升计算效率。在此基础上，构建了包含多尺度层的M型残差块的U形嵌套模型M2Net网络结构，并将初始重构结果作为输入数据用于M2Net的训练，实现对散射体结构的进一步高精度重构。该方法与传统方法相比，在结构相似性方面提升10%-30%，在均方根误差方面降低5%-15%，表明所提出方法在抗噪性能方面表现优异，并能够实现高精度的图像重建。

关键词： 电磁逆散射   压缩感知   半监督学习   生成对抗网络  

摘要： 电磁逆散射成像作为一种重要的非接触式探测技术,广泛应用于医学成像、安全检查和地质勘探等领域。然而,逆散射问题的非线性和病态性导致传统方法在复杂场景下成像精度不足,同时标记数据的稀缺限制了深度学习技术的实际应用。为此,本文提出了一种结合压缩感知(Compressed Sensing,CS)与Born迭代法(Born Iterative Method,BIM)的成像算法,以及基于生成对抗网络(Generative Adversarial Network,GAN)的半监督学习方法,旨在解决高对比度目标重构和数据依赖问题。 首先,针对高对比度成像,本文提出了结合全变分(Total Variation,TV)压缩感知与Born迭代的方法(TVCS-BIM),通过TV正则化约束目标梯度稀疏性作为先验信息,有效抑制噪声并增强边缘细节恢复能力。实验结果表明,TVCS-BIM在方形散射体重构中均方误差降至0.0011,显著优于衍射层析成像(Diffraction Tomography,DT)的0.0041和子空间优化算法(Subspace-based Optimization Method,SOM)的0.0021;结构相似性达到0.976,高于DT的0.3555和SOM的0.8684。此外,TVCS-BIM在12×12天线配置下成像质量与SOM在32×32天线配置下的成像质量相当甚至更优。另外,结合非均匀背景下的逆散射算法变形Born迭代法(Distorted Born Iterative Method,DBIM),提出的TVCS-DBIM方法在有障碍干扰下的电磁成像(穿墙成像)问题中也表现优异。 其次,针对标记数据稀缺问题,本文设计了一种基于残差注意力生成对抗网络(Residual Attention Generative Adversarial Network,RAGAN)的半监督学习框架,并提出DT-RAGAN和TVCS-BIM-RAGAN混合重构方法。该框架通过残差注意力U-Net(Residual Attention U-Net,RAUNet)增强特征提取能力,利用无标签数据生成伪标签,从而有效缓解标记数据稀缺带来的限制。首先,实验通过DT-RAGAN混合重构方法,验证了模型在不同标签数据比例下的有效性。结果表明,随着无标签数据量的增加,模型的泛化能力和重构精度显著提升,尤其在标记数据有限的情况下,半监督学习框架能够有效弥补数据不足带来的重构缺陷。然后,对比三种重构方法——RAGAN直接重构方法、DT-RAGAN混合重构方法和TVCS-BIM-RAGAN混合重构方法,进一步证明TVCS-BIM-RAGAN混合重构方法在重构精度和边缘细节恢复方面的优越性。复杂“Austria”轮廓实验结果进一步验证了该模型在稀缺数据场景下的泛化能力和鲁棒性。

关键词： 双输入反演   BP   改进U-Net   主成分分析   去噪  

摘要： 电磁逆散射问题是指通过接收天线接收到的散射场去反推散射体的形状、大小、物理特性等信息,是电磁成像领域中的重要研究分支。该问题的核心挑战在于其非线性、病态性以及对噪声的敏感性,传统的线性求解方法虽然计算速度快,但是受限较多,只能处理弱散射体,并且精度有限;非线性求解方法能够提供更高精度的解决方案,但是计算代价较大。因此,如何提高求解精度、加速计算过程,并且有效应对噪声干扰,是目前电磁逆散射问题需要解决的问题。本文也将从这几个问题出发进行探讨解决。 首先,本文借助电磁反向传播算法(Back-propagation scheme,BP),提出一种基于深度学习的双输入反演方案来提升电磁成像的精度。该方法结合改进后的U-Net网络残差注意力U-Net(Residual Attention U-Net,RAU),构建BP-RAU模型,实现对散射体的重建。与其他深度学习反演方法不同,本文将BP成像的散射体分布数据和天线所接收到的散射场数据同时输入神经网络学习,使其更精准地预测出散射体。相较于仅输入散射场预测散射体,在输入端加入BP成像结果后,神经网络获得的信息更多,学习难度大大降低,可以减小误差,提高成像质量。为解决网络训练过程中可能出现的梯度消失和空间信息丢失问题,本文在基础U-Net网络上加入注意力机制和残差模块,前者帮助网络在不同对比度下提取重要相关信息,后者重点解决梯度消失和爆炸问题。仿真结果表明,BP-RAU误差比RAU低31.9%。本文验证另一种双输入策略,仅输入散射场的级联网络U-RAU,通过标准U-Net对散射体进行初步预测,再与散射场共同输入双输入模型进行预测,从而减少输入数据。仿真结果表明,BP-RAU误差仍比U-RAU低21.3%。 其次,在提出的BP-RAU反演方法中,考虑噪声对逆散射成像精度的影响,提出一种有效的噪声抑制方案。利用主成分分析(Principal Components Analysis,PCA)对接收到的散射场进行预处理,旨在去除散射场中的噪声成分并保留主要信息。PCA作为一种常用的降维和去噪技术,能够通过线性变换将数据投影到一个新的低维空间,在此过程中去除数据的冗余和噪声成分,提高数据质量。处理过的散射场放入BP中成像,再将去噪后的散射场数据和BP成像结果共同作为输入,放到BP-RAU进行学习。实验结果表明,经过PCA处理后的散射场和BP成像结果可以更好地还原出目标散射体,即使是在噪声干扰较强的情况下。经过PCA处理后的数据预测的结果比直接预测的误差减小了6.4%。

关键词： 微波成像   脑卒中   医学检测   电磁逆散射  

摘要： 脑卒中是我国居民生命健康的首要威胁之一,现有的检测手段如CT和MRI等存在检测中无法移动患者、设备体积庞大、检测时间长等问题,常常导致患者在关键的“黄金三小时”内无法得到及时救治。针对这一问题,本研究利用微波成像技术开发了一款便携式脑卒中检测仪,硬件部分包括用于采集患者头部电磁信号的前端头围天线阵列,以及包含控制模块、信道切换模块和数据采集模块的后端设备。为了提升可用性,本项目开发了相应的控制程序以及功能全面的用户交互界面,结合收发电磁信号的采集利用逆散射成像算法实现脑部成像。在实验验证部分,本研究分别就仪器本身的稳定性以及成像能力进行了测试,对颅脑填充模型和人体标本进行了成像。结果表明该检测仪在检测效率、系统稳定性、成像速度以及精确度等方面性能良好,具有无电离辐射、便携性强、检测速度快和成本较低等优点,可准确快速识别脑内出血等异常区域,实现即时即地的脑卒中成像检测。

关键词： 电磁逆散射   多尺度   深度学习   Lenet   SmaAt-UNet  

摘要： 利用神经网络将电磁逆散射问题与多尺度方法相结合,通过将散射场的场强数值输入多尺度融合模型中进行不断训练,实现目标的定位与重构.对于目标区域内的手写数字散射体,首先利用Lenet网络模型定位目标散射体所在的区域;然后将散射体所在的区域进一步通过SmaAt-UNet神经网络学习,训练重构散射体的形状,进而确定该数字,不同的模型负责提取不同的特征;最后将特征融合在一起,以增强最终结果的表征能力.

关键词： 电磁逆散射   压缩感知(CS)   Born迭代   全变分(TV)算法  

摘要： 基于电磁成像模型,针对逆散射问题的病态性和非线性性质,引入压缩感知(CS)中的全变分(TV)算法,旨在减少所需天线数量,并提高电磁成像的图像质量.在玻恩(Born)迭代的基础上,引入全变分压缩感知算法(TV-CS).仿真结果显示:即使目标被障碍物遮挡,该算法也能够在配置较少探测天线的情况下,对目标位置和形状进行准确的重构.

关键词： 传输结构   电磁逆散射   FDTD   PINN   多频点算法  

摘要： 电磁逆散射是指通过散射场或散射数据来推断散射体的几何形状、电磁特性或其他相关参数的问题。它在电磁波领域中具有广泛的应用,例如雷达成像、无损检测和地质勘探等。电磁逆散射问题的求解技术也可应用于传输结构的设计研究中,基于逆问题的传输结构设计可通过逆向建模和优化方法,从所需的性能指标出发,确定适合特定应用的结构参数,相关研究与正向设计不同,因此具有良好的应用价值。 本文回顾了基于逆问题的传输结构设计研究进展。首先介绍了逆问题的基本概念和数学模型,包括正演模型和反演过程。然后讨论了常用的逆问题求解算法,包括Tikhonov正则化和基于优化算法的迭代算法等。 接着,探讨了逆问题求解算法在传输结构设计中的应用,提出了基于多频点信息的波恩迭代算法(Born Iterative Method Based on Multi-Frequency Information,MFI-BIM),利用这个方法求解了二维平行板传输结构的电磁逆散射问题,并在二维算例的基础上将算法拓展到三维矩形波导情形。 然后,基于融合物理知识的神经网络(Physics-informed Neural Networks,PINNs)求解了三维传输结构的逆散射问题。以亥姆霍兹方程作为所需要的物理约束条件加入损失函数,点坐标作为输入,电场信息作为输出,最后通过训练得到符合评估结果的矩形波导介质介电常数分布。 最后,总结了当前的研究趋势和挑战,并提出了未来的发展方向。基于逆问题的传输结构设计研究为实现高性能和定制化的传输结构提供了有力的工具和方法,对于推动相关领域的技术发展具有重要意义。

关键词： 深度学习   物理信息神经网络   电磁散射   电磁逆散射   透镜天线逆设计  

摘要： 电磁计算在现代科学和工程领域中占据了极其重要的地位,在无线通信、生物医疗成像、雷达探测等领域被广泛使用。随着电磁问题复杂度的提高,传统的电磁计算方法在数值稳定性、模型精度以及计算效率等方面面临巨大挑战。近年来,深度学习的飞速发展使多层神经网络具有强大的表征和学习能力,基于此类技术的科学计算方法正在成为新的电磁计算范式。其在电磁领域主要分为数据驱动和物理机理驱动两类,数据驱动深度学习方法依赖大量标签样本,当标签样本缺失或含有噪声时,模型的准确性差、泛化能力差,并缺乏可解释性。因此,本文针对实际电磁计算中难以获取大量标签样本的问题,系统地研究了一种物理机理驱动深度学习的电磁计算方法——物理信息神经网络(Physics Informed Neural Network,PINN)计算框架,在只有少量或没有标签样本的情况下,实现高效、高精度的电磁问题求解。围绕电磁散射、电磁逆散射、电磁器件逆向设计三个关键电磁计算问题,本文主要研究内容如下: 第一部分针对传统PINN方法在电磁散射问题计算中有效性和准确性不足的问题,分析并提出了一种适用于电磁散射问题求解的PINN方法。首先,设计了能表征电磁行为的激活函数,提高了神经网络方法求解电磁散射问题的精度和稳定性;其次,提出了一种适用于电磁问题的预训练技术,使PINN计算框架能够获得好的初始化权重网络参数,有效提升了PINN方法解决电磁散射问题的效率和稳定性;然后,对采样方法进行了改进,增强了PINN方法求解电磁散射问题的效率及解的准确性;最后,对典型目标电磁散射问题进行了验证计算,结果表明所提出的PINN方法能够有效提高电磁散射问题的计算效率和精度。 第二部分主要对用于电磁逆散射计算的PINN方法进行了深入研究。首先针对传统PINN方法无法高效稳定地求解电磁逆散射这一问题,基于第一部分提出的相关方法,提出了一种更通用的PINN方法,解决了传统逆散射方法无法有效求解电大尺寸、高介电常数目标的问题;然后,针对PINN方法在多频数据情况下损失函数项尺度差异无法准确求解的问题,提出了一种方程正则化技术。通过引入频率缩放因子,避免了PINN方法训练过程中尺度差异带来的梯度爆炸问题,且无额外计算成本的增加。案例计算结果表明,所提出的PINN方法即能灵活应对各种电磁逆散射场景,又能获得较好的反演成像精度。 第三部分针对PINN方法用于电磁逆散射问题时计算效率低的问题,提出了一种先验知识驱动PINN的融合方法。该方法模型首先通过传统逆散射方法模块快速生成粗网格精度的先验知识,然后将其融入到PINN计算框架中,以提高求解电磁逆散射问题的计算效率和精度。数值仿真和实验结果表明:利用传统逆散射方法生成先验知识作为PINN方法的驱动,不仅可以有效提高PINN方法对电磁逆散射问题的计算效率,还可以实现计算精度的提升。 第四部分对物理机理驱动深度学习方法在电磁器件逆向设计上的应用开展了研究。以透镜天线为研究对象,基于天线综合方法和PINN框架,提出了一种逆向设计方法。该方法首先根据天线孔径场理论建立了期望方向图与口径场之间的数学关系映射,有效地将透镜天线设计区域缩减到近场设计空间,实现了透镜天线逆向设计过程的简化;然后,以典型辐射特性透镜天线为例,采用所提出的PINN方法对透镜结构进行逆向设计,使得最终天线有效满足预设的高增益、平顶方向图等设计目标;最后,进行了加工测试验证,实测结果和理论结果吻合良好。该研究有效拓展了PINN方法在电磁计算领域的应用,并为高性能电磁器件的设计提供了新的思路。

关键词： 深度学习   探地雷达   卷积神经网络   反演成像  

摘要： 探地雷达反演是电磁逆散射的分支之一。探地雷达利用电磁波与地下结构相互作用的原理,通过发射电磁波并接收其反射信号来获取地下介质的信息。传统方法的反演方法通常依赖于物理模型的迭代算法,计算复杂且耗时很长,难以处理大规模数据。当场景复杂、地下介质多样性高时,无法准确地反演出地下结构的详细信息。目前,基于深度学习的探地雷达反演已经取得了一定的成果,但存在提取特征不完全,拟合能力差等问题,针对上述问题,进行基于深度学习的探地雷达B-scan图像反演研究。研究内容如下: (1)设计模拟场景,使用gpr Max仿真工具,在非均匀土壤介质的前提下,采集散射体的大小、位置和相对介电常数,建立反演散射体、反演背景介质样本数据库。 (2)基于深度学习技术,设计出反演网络模型EDMFEBs。在网络中,结合多尺度卷积特性,提升反演能力,通过特征提取器提取图像特征,结合SE注意力机制提出GCS注意力机制,用于提升网络模型性能。使用Py Torch深度学习框架构建EDMFEBs网络,对反演散射体、反演背景介质数据库,划分训练集、测试集和验证集,进行实验。实验结果表明,在反演散射体方面EDMFEBs反演效果优秀,能够精准的反演出散射体的位置、大小、形状和相对介电常数,反演结构相似性指数达到99.04%,均方误差损失降低为0.0002673,平均绝对误差降低为0.001051,相对误差降低为0.1074%。EDMFEBs是端到端的网络模型,相比于DMRF-UNet具有模型参数少,反演速度快,迁移性强等特点。能够反演出区域内大致背景介质的介电常数,能够预测出背景介质中散射体的位置及相对介电常数。证明了反演网络EDMFEBs的有效性。在实测数据中,对EDMFEBs网络模型进行迁移学习,能够反演出真实数据中预埋散射体的位置、大小、形状和相对介电常数。证明了EDMFEBs网络对实测数据的反演性能。