关键词： 逆散射问题   无相位数据   电磁前向过程   电磁反向过程   模型驱动   深度学习  

摘要： 无相位电磁反演技术主要分为电磁前向过程和电磁反向过程,电磁前向过程主要是利用目标散射体的电性能参数和入射波场等信息来预测测量域处因散射体受到入射波的照射而产生的反射波信息。电磁反向过程是根据测量的反射波信息来检索目标区域内散射体的电性能参数。与传统基于全波数据的逆散射问题相比,无相位逆散射问题中仅利用接收天线处反射波场的强度信息来解决逆散射问题,因此具有更高的非线性和病态性。对于无相位数据的电磁前向过程的求解,一般是通过传统的数值解析方法,但是传统数值方法会面临计算复杂度高以及计算代价大等问题。对于无相位数据的电磁反向过程的求解,一般是利用传统迭代优化方法进行求解,主要是通过建立优化成本函数,然后利用迭代算法最小化优化成本函数,最后得到最优解。然而,传统迭代优化方法虽然能够很好的融入物理领域知识,但是存在收敛速度慢、依赖初值以及无法实现实时重构等问题。最近,深度学习技术广泛应用于电磁领域,它强大的学习和非线性拟合能力能够为解决无相位逆散射问题提供新的解决方案,同时弥补传统方法的缺陷。因此如何把深度学习技术应用于无相位数据的电磁前向过程和电磁反向过程也是本文的主要研究内容。 首先,根据Lippmann-Schwinger积分方程推导出逆散射反演的一般模型,然后在此基础上利用Mo M数值方法求解无相位数据的电磁前向过程,为了改善Mo M前向数值计算方法性能,提出了基于神经网络的快速求解方法,并通过数值实验对这两种方法进行性能对比分析。 其次,设计并实现了一种基于深度学习的全波数据的电磁逆散射反演方法,该方法是使用散射场作为测量数据来进行目标反演的。此外,提出了基于深度学习的三种无相位数据的电磁逆散射反演方法,都是利用测量域处总场强度信息进行散射体的电性能重建。同时通过数值实验对这四种方法进行性能比较,可以得出利用无相位数据可实现散射体的电性能重建,但性能还是稍微差于全波数据的重构性能。 最后,为了进一步改善应用在无相位数据中的深度学习方法,提出了将逆散射领域的物理模型融入神经网络的内部架构中,形成深度神经网络框架,进一步提高深度学习方法解决基于无相位数据的逆散射问题的反演效果以及模型的泛化能力。通过数值实验和实测实验,表明了提出的模型驱动方法对于解决基于无相位数据的逆散射问题有着良好效果。

关键词： 电磁散射   电磁逆散射   M-Net   粒子群优化算法   伯恩近似  

摘要： 电磁散射问题是指当电磁波与物体相互作用时,波的传播方向发生改变,导致散射现象的发生。散射波场强的空间分布与散射体的材料电磁特性及其尺寸大小、形状和结构有关。逆散射问题则是在观测到的电磁散射场的基础上,通过逆向分析还原目标物体的形状、介电常数等相关性质。由于逆问题具有非线性和不适定性,使其求解过程更加复杂,面临着在计算效率与成像精度之间进行权衡的难题。 精细化电磁成像不仅要求高度的准确性,还需满足实时性的严苛标准。大规模电磁成像问题因此变得尤为复杂,其难点主要体现在两大方面。首先,随着成像规模的扩大,计算复杂度急剧上升,这要求在保证成像精度的同时,还需实现高效的数据处理,以满足实时成像的需求。其次,噪点问题在大规模成像中愈发显著,尤其是多重散射效应的加重,使得成像结果容易受到干扰和失真,进一步加大了实时成像的难度。因此,如何在保证成像质量的同时,实现快速且稳定的实时成像,成为当前电磁成像技术研究的重要挑战。 为了解决上述困难,本研究深入探索了深度学习在电磁散射与逆散射问题中的创新应用,成功提出了一种基于M-Net网络的解决方案,该方案在保证成像精度的同时,也充分考虑了成像时间的要求,实现了高效且准确的电磁散射与逆散射处理,主要创新如下:(1)提出了一种基于M-Net的电磁散射算法。M-Net模型通过其多尺度输入端、多尺度均值输出端和U型主体结构,结合加权均方差损失函数,实现了高效且准确的电磁散射问题求解,为后续逆散射问题的求解提供了坚实的基础。(2)构建了一种结合粒子群优化算法的重构优化算法。将M-Net与粒子群优化算法创新性地结合。相较于与矩量法结合,M-Net的高效计算能力显著提高了散射场数据的生成速度,进而提升了粒子群算法的计算速度和性能,实现了在不同尺度的逆散射问题中的精准定位和散射体特征的准确识别。(3)针对大规模电磁成像问题,本研究提出了一种基于M-Net的电磁混合重构算法。该算法利用神经网络直接处理散射场数据,实现对散射体分布的高效且准确重构。为了进一步提升成像精度,该算法引入了基于伯恩近似的层析衍射图像,通过融合物理先验信息,降低了神经网络的学习难度,将大规模散射体的重构误差控制在0.0001170%。与相同维度的U-Net网络相比,M-Net展现出了更优越的目标还原能力。在泛化性测试的仿真实验中,该混合重构方法对于不同数量和形状的散射体均表现出良好的成像效果。

关键词： 电磁逆散射   超分辨率   Born近似   Sparrow准则   卡尔曼滤波  

摘要： 当电磁波照射到物体上时,物体会对电磁波进行散射。电磁逆散射问题就是根据散射数据来对未知的物体进行反演计算,获得其大小、位置、形状和电磁参数等信息。由于非接触性、安全性及轻量化等显著优势,电磁逆散射在医学成像领域展现出巨大的应用前景。然而,当前的逆散射算法应用还并不尽如人意,仍面临一些挑战。现阶段的逆散射问题面临的主要困难是逆散射算法的计算结果的准确程度还不够高,具体来说,就是其分辨率还不能达到实际问题的需要,这是由于逆散射问题本身的非线性和不适定性导致的。尽管存在数学上的挑战,研究者们仍致力于提升逆散射算法的分辨率。虽然现有的电磁逆散射成像算法在某些情况下能够实现超分辨率成像,但其原理尚未明晰。甚至对现有算法分辨率的评估也缺乏统一标准,这阻碍了逆散射成像在实际应用中的进一步发展。针对逆散射成像算法的分辨率这一核心科学问题,本文的主要工作和创新点包含如下几个方面: 1.在分辨率分析问题上,本文借鉴了傅里叶光学的分辨率计算方法,将其应用于电磁逆散射问题中。通过确定逆散射问题的点扩散函数和光学传递函数,并结合Sparrow准则,定量地评估了基于Born近似的逆散射算法的分辨率,并通过数值算例验证了该方法的有效性。在此基础上,将电磁逆散射问题能够实现超分辨率的原因归结于以下三点,第一是散射体会影响到分辨率的计算,当散射体的尺寸变大时,其分辨率会随之提高,从而实现了超分辨率。第二是Born迭代类方法中的迭代计算并不能视为对多重散射效应的解耦。迭代方法能够提高分辨率的实际原因是:在迭代过程中,逆散射成像算法的光学传递函数高频分量的系数变大,由于反切趾效应,点扩散函数会变得更加陡峭,从而导致其在Sparrow准则下计算的分辨率提高。第三是在迭代过程中,通过将上一步的结果作为下一步的初始值,由该值计算得出的总场会扩展逆散射问题的光学传递函数,进而获得Ewald球以外的信息,以此提升了算法的分辨率。本文的分析解释了逆散射算法能够实现超分辨率的原因,为后续进一步优化逆散射算法提供了理论基础。 2.针对逆散射问题中的工作参数,包括成像算法的工作频率和天线数量,本文提出了一种基于分辨率分析的计算方法。其中,对于工作频率的确定,本文将其分为上限和下限两部分进行计算。上限的设定取决于入射场与总场之间的误差情况,而下限则通过问题所需要实现的最低分辨率来确定。至于天线数量,则是根据天线测量散射场的本质是空间谱域上采样的理论,通过目标成像的大小,结合奈奎斯特采样定理来计算得出。本文的分析给出了对于不同问题的逆散射成像算法的工作频率和天线数量计算方法,为逆散射成像算法是否能够成功应用提供了合理的评判依据。 3.本文还提出了两种利用先验知识来提高逆散射成像算法分辨率的方法。一种方法是通过结合雷达成像方法来提升电磁逆散射算法的分辨率。在适当的工作频率下,雷达成像与逆散射成像在硬件层面展现出了良好的兼容性。尽管雷达算法生成的图像不包含介电常数信息,但其对异常区域的高度敏感性,可以在逆散射成像算法中作为先验信息使用,从而改善后者的分辨率。另一种方法是通过结合卡尔曼滤波方法来提升动态电磁逆散射算法的分辨率。具体而言,本文将卡尔曼滤波引入到动态逆散射成像问题中。通过利用不同时刻介电常数之间的内在联系,提升了迭代过程中先验知识的准确性,从而提高了成像算法的分辨率。数值结果表明,本文提出的两种混合算法可以有效的提高逆散射问题的分辨率。 通过上述研究,本文为电磁逆散射成像算法的分辨率提升提供了新的思路和方法,有望推动逆散射算法在实际应用中的进一步发展。

关键词： 电磁逆散射问题   无损检测   电磁成像   病虫检测   卷积网络  

摘要： 为保护森林资源,降低森林病虫害对树木的侵害,提高树木的成材率,提高森林健康水平,保证林木资源有效利用对活立木树干内部进行无损检测至关重要。本文为有效提高活立木树干内部虫洞检测效率,实现活立木虫洞快速无损检测,提出基于电磁逆散射活立木虫洞缺陷检测方法。主要研究如下: 首先,从原理上对电磁逆散射检测活立木内部虫洞缺陷进行分析研究。基于电磁散射理论对活立木的前向传播过程进行建模推导,通过对玻恩近似反演算法、对比源反演算法、子空间优化算法和BP-SOM算法理论和计算过程的阐述,明确了模型驱动算法对逆散射问题的求解思路及优化思路。 其次,为了克服电磁逆散射的非线性和高病态的问题,采取模型驱动算法与数据驱动算法相结合方式,提出CSI-CNN算法。通过对对比源反演算法的研究,根据对比源算法的目标函数,对卷积神经网络的代价函数进行重构。该算法在不影响原本代价函数随机下降的机制下,让电磁参数参与神经网络的寻求最优解的过程,并基于数据规格对权重和偏置进行了优化。实验结果表明,引入模型驱动的反演算法要优于传统的模型驱动算法。 最后,为精确得对活立木复杂缺陷进行重建,提出了BP-CV-Net算法。该算法基于电磁散射理论基础,将电磁逆散射物理机制整合到卷积核内,换用复值卷积神经网络以保留更详细的散射场信息。并且为了进一步提高反演结果的精确性,以BP算法的结果作为网络的初始值,使用U型结构对目标散射体特征进行学习,以此提高网络的感知能力。试验结果表明,该算法成功克服成像质量会随着虫洞缺陷半径与活立木半径之比(IR)的减小下降的问题。 本文提出的基于电磁逆散射活立木虫洞缺陷检测方法,通过多虫洞缺陷模型、复杂虫洞缺陷模型和强介质的“Austria”环模型仿真实验,证明BP-CV-Net算法具有较强的泛化性和鲁棒性,可以实现对多种情况的下的活立木无损检测,为森林病虫的发掘和木材缺陷的检测提供依据。为减少森林资源的损失,提高木材利用率起到积极作用。

关键词： 电磁逆散射   对比源反演   微波成像   共轭梯度法  

摘要： 传统的对比源反演(Contrast Source Inversion,CSI)是一种非线性迭代类的电磁逆散射算法。该方法的核心思想是将散射场与未知的散射体中的源分布联系起来,将对比源视为一个独立的变量,使用共轭梯度(Conjugate Gradient,CG)法交替更新对比源和对比度。CG选择的共轭参数是Polak-Ribiére-Polyak(PRP),在优化含噪散射场数据时,迭代过程会出现收敛缓慢甚至不收敛的问题。为此,在研究CSI处理离散的频域源类积分方程的基础上,本文提出了基于混合共轭梯度的对比源反演方法,该方法通过凸组合的方式对原始PRP共轭参数进行修正,以保证每次迭代确定的梯度信息一致收敛。由合成数据和实验数据重建的结果表明,该方法不仅具有更好的抗噪性能,而且保留了目标的局部特征。

关键词： 电磁逆散射   非线性   不适定   卷积神经网络  

摘要： 电磁反演是一种典型的逆散射问题,该问题具有非线性以及不适定性。目前已有一些算法被提出用来解决该问题,但已有算法在效率和精度上无法同时兼顾。为了实时反演高质量图像,文中提出了一种结合玻恩迭代高斯混合广义近似消息传递(Born Iterative Gaussian Mixture Generalized Approximate Message Passing,BI⁃GM⁃GAMP)和卷积神经网络的混合算法,具体为:首先通过BI⁃GM⁃GAMP方法获得初步反演图像,随后利用这些图像训练U⁃Net网络,最后通过训练的U⁃Net网络实现新的电磁反演任务。仿真实验验证了该方法的有效性。

关键词： 电磁逆散射   U-Net   注意力机制   衍射层析成像(DT)算法  

摘要： 电磁逆散射问题是非线性和病态的,传统的求解方法无法兼顾成像精度和计算效率,而基于深度学习的直接重构方法缺失先验信息,导致学习过程较困难.采用结合衍射层析成像(DT)算法和融合注意力机制的U-Net混合电磁重构方案,求解电磁逆散射问题,将基于Born近似的DT算法重建的粗糙图像作为U-Net的输入,有效利用先验信息,提高逆散射问题求解的效率和精度.此外,在U-Net每次的下采样过程中加入注意力机制,进一步提高了目标散射体相对介电常数和位置的重建精度.实验结果表明,相比未引入注意力机制的方案,融合注意力机制的U-Net混合电磁重构方案重建误差较小,可实现相对介电常数分布的高精度重建.

关键词： 电磁逆散射   卷积神经网络(CNN)   U-Net模型   M-Net模型  

摘要： 提出了一种基于改进U-Net(M-Net)模型的电磁逆散射算法.M-Net模型主要由多尺度输入层、U型卷积神经网络(CNN)、多尺度均值输出层组成.将散射场数据作为网络输入,能够在保证计算精度与计算效率的同时,减少人工计算工作量.以二维电介质为重构目标的仿真实验表明:与U-Net模型对比,应用M-Net模型求解电磁逆散射问题较为高效,输出结果误差更小.