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： 逆设计方法   天线覆层   电磁逆散射   辐射方向图   雷达散射截面  

摘要： 随着无线通信技术在B5G/6G、卫星通信、物联网等领域的广泛应用,天线在通信系统中的作用愈加重要。天线的性能除受辐射源结构几何形状的影响以外,天线覆层在整体结构中也扮演着至关重要的角色。通过改变覆层的材料属性、结构形状等,可以显著提升天线的口径效率、扩大天线的工作带宽、调控天线的辐射方向图以及减小天线的雷达散射截面等。然而,基于传统正向设计方法的天线设计效率往往依赖于设计者对先验知识以及相关工程经验的熟练程度。当面临庞大的设计空间和当下多样化的性能需求时,此类方法往往会导致设计过程繁琐且效率较低,这给设计高性能天线带来了巨大挑战。针对这一挑战,本论文开展了针对天线覆层逆向设计的关键技术与方法研究,通过提出的逆设计方法(Inverse Design Methods,IDMs),根据期望的电性能求解满足预期的覆层结构。 论文的主要工作包括: 1.针对波束赋形问题,分别采用正设计方法与逆设计方法进行了设计与对比。在正设计中,提出了基于阵列的射线追踪模型(Array-based Ray Tracing Model,A-RTM)的平顶波束赋形方法;在逆设计中,提出了任意辐射方向图的逆设计方法(Arbitrary Radiation Pattern-IDM,ARP-IDM),实现了从辐射目标至覆层结构的逆设计。相比于正设计方法,逆设计方法无需大量先验知识,辐射目标被转化为期望场,从而作为已知信息参与设计。 2.提出了两种基于逐步线性近似的逆设计方法。首先,提出了多功能一体化逆设计方法(Multi Functional Integrated-IDM,MFI-IDM),并分别基于单覆层与多覆层技术方案实现了多个逆设计问题的并行求解,克服了传统分离设计方法中不同功能目标相互影响的缺点。然后,提出了相控阵的宽角扫描逆设计方法(Wide Angle Scanning-IDM,WAS-IDM),避免了组阵过程中耦合问题的处理,扫描角度和设计效率均得到了显著提升。 3.提出了两种基于目标函数最小化的逆设计方法。首先,提出了基于对比源反演的逆设计方法(Contrast Source Inversion based-IDM,CSI-IDM),研究了该方法在任意辐射方向图逆设计上的实现。由于该方法不需要在迭代过程中更新场数据与格林函数,相比于逐步线性近似的迭代类逆设计方法计算成本得到了大幅降低。然后,提出了基于子空间优化的金属表面型天线覆层逆设计方法(Metal-surface type Antenna Superstrate-IDM,MAS-IDM),设计了具有小口径、低剖面、易于加工且低成本的平面印刷电路型天线覆层。 4.为进一步拓展逆设计方法的工程应用范围,提出了三维逆设计方法(Three Dimensional-IDM,3D-IDM)。方法首先将波恩迭代算法(Born Iterative method,BIM)拓展至三维形式以解决介质型天线覆层的逆设计问题。然后,利用子空间优化方法(Subspace-based Optimization Method,SOM)并引入新的金属指示函数,通过最小化构建的等效金属状态目标函数得到了对应介质覆层的等效金属结构。方法有效克服了二维逆设计方法所面临的极化限制、阵元排布限制以及覆层形状限制,设计自由度与工程应用范围得到进一步提升。 为了验证所提出方法的准确性并展示其工程应用的潜力,本论文利用3D打印技术、金属蚀刻技术等加工了所提出的天线结构,并进行了测试与技术性能对比。结果表明,所提出的逆设计方法能够显著提升天线的整体性能,特别是在口径效率、波束宽度、频带稳定性、以及最大扫描角度等方面表出显著优势。与传统设计方法相比,本文提出的逆设计方法不仅缩短了设计周期,还大幅提高了设计精度与效率,在复杂电磁环境中展现出了更高的适应性与应用潜力。

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： 电磁散射问题   电磁逆散射问题   分层介质格林函数   多层格林函数插值方法   矩量法   收缩积分方程  

摘要： 基于平面分层介质的电磁散射和电磁逆散射算法在集成电路仿真、微波成像、医学成像、探地勘测和地震学等领域有着广泛的应用。电磁逆散射问题的求解过程是通过测量得到的散射场数据来反演成像出未知目标物体的形状、位置和本构参数,其求解基础是处理好电磁散射问题。然而当目标物体处于分层介质中,比如多层电路板里的杂质、墙体里的缝隙等,对整个物体做散射求解,计算量就非常大。分层介质格林函数(layered medium Green’s function,LMGF)的积分方程法可以有效减少计算未知数,从而降低计算量。为了进一步加速计算并解决非线性/病态性逆散射面临的成像效果差、反演迭代效率较低以及强散射体成像效果差等问题,本文基于LMGF来研究加速矩阵求解的多层格林函数插值方法(Multilevel Green’s function interpolation method,MLGFIM)和基于一种新的收缩积分方程(Contraction Integral Equations for Inversion,CIE-I)的高效反演算法,本文的主要工作内容和创新点如下: 首先,本文采用传输线等效理论将分层介质格林函数问题转化为传输线问题,并推导出电场型格林函数的表达式。通过直接数值积分结合加速尾部积分计算的方法进行计算,能够精确得到LMGF的计算结果。为了减少LMGF的计算量,采用了插值方法来插值出不同场-源z高度上的LMGF,并且通过与直接数值积分方法的对比,验证了该方法的准确性。 然后,本文研究了基于LMGF这类复杂核函数的MLGFIM高效算法。针对在分层介质中由于LMGF在z轴方向不对称等特性导致传统的MLGFIM计算精度较低的问题,提出了一种应用于分层介质中电磁散射问题的MLGFIM高效算法。并且通过一个处在四层介质模型中的数值算例实验,对比了在使用传统矩量法(Method of Moments,MoM)和这种高效算法的计算精度和效率,验证了该算法的准确性和高效性。 最后,本文首次将基于CIE-I模型的反演算法引入到分层介质中的三维电磁成像问题,并且结合了MLGFIM来进行加速计算,形成了一套在分层介质中高效三维物体成像的算法。该算法不仅能够准确地重建出处在分层介质中的目标物体的形状、位置和介电常数,而且面对大介电常数的散射体也能够有效成像。结合前述的MLGFIM快速散射计算,大大提高了分层问题中的反演效率,并减少了计算开销。

关键词： 电磁逆散射问题   变分玻恩迭代方法   分层范围限制策略   高斯混合模型   自适应阻尼安德森加速方法  

摘要： 电磁逆散射问题通过接收器接收的电磁场信号来反演未知目标区域内的散射体位置、形状以及相对介电常数、电导率等信息,也称为电磁成像问题,电磁逆问题,电磁反演问题等。由于其无损、轻量化等特性,该问题为电磁学领域近三四十年来的一个热门研究课题。电磁逆散射问题具有广泛的应用前景的同时,由于其非线性与病态性,求解的准确性与稳定性也面临着极大的挑战。本文聚焦电磁逆散射问题中的介质反演问题,主要在场型反演方法玻恩迭代方法及变分玻恩迭代方法的框架下,为提高其反演的准确性与稳定性,针对几个应用场景,提出了几项改进算法。改进算法表现在对反演算法的目标函数解空间的降维、压缩、以及对迭代解的修正上,使得改进后迭代反演过程更加稳定快速。本文的主要创新内容包括: 1.基于分层范围限制策略的反演方法 待反演目标通常不占据初始划分的整个反演区域。因此,本文提出了分层范围限制策略(Hierarchical Domain Constraint,HDC),该策略将整个反演过程分为若干层,每层包含若干次迭代。HDC在层首迭代反演后通过蒙特卡洛方法及点估计,将整个反演区域的网格分类为散射体网格与背景网格,每层层中迭代反演限制在散射体网格区域内。此举减少了反演中未知数的数目,加快了计算速度,同时因为减少了解的维度,降低了逆散射问题的病态性,从而提高反演精度。HDC的分层策略使得散射体区域的判断是可逆的,避免了因误判将真实待反演散射体所在的网格排除在散射体区域之外而导致的迭代发散问题。同时,HDC引入虚拟背景,在高对比度目标与低对比度目标共存时,增强了对低对比度目标所在网格的识别能力,减少了传统范围限制方法在不同场景下对经验依赖的分类阈值选择。 2.基于高斯混合模型与假设检验的上下限先验融合方法 当已知待反演目标的电磁参数上下限先验知识时,为将此先验知识稳定地融入反演过程中以提升反演精度,本文提出了二次规划-变分玻恩迭代方法-高斯混合模型-分层范围限制(Quadratic Programming-Variational Born Iterative Method-Gaussian Mixture Model-Hierarchical Domain C onstraint,QP-VBIM-GMM-HDC)。首先,QP-VBIM通过二次规划的不等式约束,在反演过程中将待反演参数限制在上下限内,以提升反演结果的精度。然而,直接强制约束待反演参数在其真实上下限内,具有潜在的迭代反演过程发散风险。因此,本文通过基于HDC的GMM-HDC分层自适应地缩放上限解决这一稳定性问题。GMM-HDC同样将反演过程分为多层,在每层反演时,通过GMM聚类及假设检验方法自适应确定反演参数上限及反演范围,Q P-VBIM则在给定的动态参数上限及反演范围内进行反演。由于GMM-HDC对反演参数上限的动态调整,有效规避了因固定上限引发的难以察觉的迭代发散风险。此外,基于GMM的聚类方法能够更精准地识别未知待反演目标所在网格,且无需人为设定阈值。借助假设检验方法,即便在缺乏待反演目标电磁参数上下限先验知识的情况下,GMM-HDC所给出的上限依然能够依概率收敛至真实上限。 3.基于自适应阻尼安德森加速方法的反演 为在无先验知识及外源数据的情况下提升逆散射方法的收敛速度及稳定性,本文基于计算数学中加速不动点迭代的安德森加速方法,提出了应用于逆散射问题的自适应阻尼安德森加速(Adaptive Damping Anderson Acceleration,ADAA)方法,并将其与场型迭代方法变分玻恩迭代方法(Born Iterative Method,BIM)及玻恩迭代方法(Born Iterative Method,BIM)结合验证,形成 VBIM-ADAA 与 BIM-ADAA方法。由于逆散射问题的病态性,数据方程的求解需在正则化条件下进行,这导致所求迭代解无法精确满足数据方程。因此,ADAA在每次迭代后通过计算前几次迭代历史解及当前解在当前数据方程下的最小残差线性组合系数,并以此系数组合历史解以获取更精确满足当前数据方程的解。从而使得VBIM-ADAA及BIM-ADAA实现了更高的迭代稳定性与更快的收敛速度,且无需外源信息及先验知识。同时,本文借助QR分解方法进一步说明了 ADAA在不同正则化参数下性能变化的原因。ADAA可在当前迭代发散时回溯至前几次迭代的解以保证迭代稳定性,这使得ADAA允许VBIM及BIM在更大范围内选择正则化参数。理论分析及数值实验表明,ADAA方法具有极小的计算负担。并且作为一种通用的数学方法,ADAA可与其他逆散射方法结合使用。 本文针对电磁逆散射问题中介质反演问题的不同场景,分析了现有方法的局限性,并提出了几种提升反演精度与稳定性的改进策略。本文将这些策略嵌入到传统场型

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.