关键词： 电磁逆散射算法   子空间优化算法   分层逆散射算法   联合反演算法   迭代区域分解技术  

摘要： 电磁逆散射问题是通过入射电磁场和测量到的散射电磁场,重构散射目标的位置、形状和电特性等参数的反问题。电磁逆散射问题具有很强的非线性和病态性。由于多重散射效应,当散射目标具有较大的电尺寸或与背景有较强对比度时,其非线性会增大,增加了求解逆散射问题的难度,这一类散射目标被称为强散射目标。重构此类目标的电磁逆散射算法在生物医学工程、微波遥感和无损探测等方面具有广泛且重要的应用,在近些年一直受到研究者的关注。本文针对二维强散射介质目标,从电磁学基本理论出发,主要有以下几点创新:1.基于多频率散射场的强散射目标分层电磁逆散射算法逆散射问题的非线性和散射目标的电尺寸有关,若入射电磁波的频率较高,散射目标的电尺寸较大,则逆散射问题的非线性较强,难以重构散射目标。若降低入射电磁波频率,虽然减小了逆散射问题的非线性度,但是也降低了成像结果的分辨率。本文将子空间优化方法(Subspace-based Optimization Method,SOM)与分层跳频策略相结合,提出了一种分层子空间优化方法(Hierarchical SOM,HSOM)。HSOM以低频时的反演中提取出散射目标所在的区域,高频反演只在此散射目标区域内执行。与跳频子空间优化算法(Frequency Hopping SOM,FH-SOM)相比,该方法可以获得更高质量的重构图像,且计算量更小。2.基于电磁波与声波联合反演的强散射目标电磁逆散射算法散射目标在声场和电磁场中的特性不同,许多散射目标在电磁反演中对比度较大,非线性较强,但是其在声波反演中对比度不高,可以高分辨率成像。针对此类目标,本文首先提出了两种基于结构约束的声波与电磁波联合反演方法,以进行高对比度和高分辨率成像。这两种方法都是基于SOM的框架,在反演过程中,一种方法是利用交叉梯度函数将声场反演和电磁反演联系起来,重新构造目标函数,另一种方法是利用声学反演的重建结果作为电磁反演过程的空间结构约束。然后又结合两种联合反演的方法优点提出了混合结构约束方法。与单独的SOM相比,这三种方法都可以对电磁强散射体的结构和对比度进行更精细的重构。3.基于迭代区域分解技术的强散射目标电磁逆散射算法本文提出了一种基于SOM框架的迭代区域分解技术(Iterative Domain Decomposition Technique,IDDT)来重构强散射目标。IDDT-SOM利用了散射目标不同区域对散射场的影响不同这一特点。在反演过程中,首先将探测区域分解为散射目标区域和背景区域,然后根据对散射场的贡献将散射目标区域其划分为主导子域和从属子域。重新构建目标函数,优先重构主导子域的电参数分布,从而降低了求解域的维度,减小了逆散射问题的非线性。然后,将主导子域的电参数分布作为初始信息重构整个散射目标区域的电参数分布。这种区域分解技术可以重复使用,直到得到满意的重构结果。与SOM相比,该方法可以减小逆散射问题的非线性,重构更强的散射目标。本文针对强散射介质目标,从其数学模型和电磁理论出发,利用多频率或者多物理场的信息,以及迭代区域分解技术,提出了多种电磁逆散射算法,并利用数值实验验证算法的有效性,为进一步研究强散射介质目标反演提供了多种技术路径。

关键词： 电磁逆散射   高斯牛顿反演   先验信息   微波成像  

摘要： 在医学成像、无损检测、穿墙及探地测量、人体安检等需求的推动下,微波成像已经得到了广泛应用,但是更高的成像分辨率以及更快的成像速度一直是该领域所追求的重点。微波成像起源于军事领域的合成孔径雷达(SAR)技术,其本质上是一类电磁逆散射问题,其通过散射电磁场逆向推演目标区域的电磁特性。微波成像领域的算法众多,如后向投影(BP)算法、距离偏移(RM)算法,其具有成像速度快、适用场景广的优点。但是,这些算法的成像分辨率会受到波长限制,难以进一步提高。高斯牛顿反演(GNI)方法可以高精度地重建目标区域的电磁特性,但反演算法的计算复杂度随着目标区域的增大和成像分辨率的提高而显著增加。研究表明,为反演算法提供目标区域的形状或材料先验信息可以有效提高成像分辨率和成像效率。目前,有一些研究使用了计算机断层扫描(CT)或磁共振成像(MRI)技术来为反演算法提供形状先验信息,以降低计算复杂度。然而,这些方法不能通过微波成像系统来实现,并且存在性价比低、灵活性差等缺点。本文以电磁逆问题求解为基础,提出了将SAR技术与GNI算法相结合的成像方法。首先采用BP算法快速预成像,获取目标区域的先验信息,从而缩小重建区域的大小并赋合适的初值,之后通过乘性正则化(MR)的GNI算法重建目标区域的相对介电常数空间分布。本方法在保留了 GNI算法超高分辨率的前提下,利用BP算法成像速度快的优势弥补GNI算法在运算速度和占用内存上的劣势。从整体的角度进行设计,将整个体系建立在微波系统上,其现有技术成熟、设备性价比高、操作要求低,只需使用同一套微波测量设备就能同时满足BP算法和GNI算法的测量需求,使先验信息的获取不需要额外的测量仪器和操作环节,工程可行性高。本文结合常见的医学成像、无损检测和地质探测的情形建立了仿真模型,按照所设计的流程进行了 MATLAB编程仿真,对比了在有无先验信息的两种情形下,MR-GNI算法的成像分辨率和成像速度的区别,证明了先验信息的使用提高了成像的实时性和准确性。并进行了关于天线位置误差和散射体初值影响的仿真,结果显示本文所提出的方法的成像分辨率和成像效率依赖于正确的定位和接近实际值的初值。但是这些误差没有隐蔽性,容易发现和纠错。

关键词： 电磁逆散射   多尺度迭代方法   子空间类优化方法   迭代展开网络  

摘要： 针对电磁逆散射问题的非线性和病态性,通常使用含正则化的非线性迭代优化算法进行求解。传统的非线性迭代方法不仅计算复杂度高,而且需要人工选择正则化方案,无法很好地利用有限的先验信息。多尺度迭代方法可以通过自适应多分辨率策略来弥补这一短板,考虑到其优化目标函数仍依赖于传统迭代算法,本文将传统的多尺度迭代方法与近年来兴起的深度网络有机融合,设计出一种具有多分辨率机制的模型驱动网络,在一定程度上平衡了成像质量和计算复杂度。本文研究内容按如下三个方面展开:首先,从电磁场前向散射模型和积分方程出发,推导出解决逆散射问题的基本思路,根据多重散射效应的强度针对性地介绍了三种解决方案,随后过渡到通用的非线性迭代优化算法。由于子空间类方法可以比对比源类方法提供更好的成像效果,且可以做到更快收敛,为了与后文相呼应,本文着重介绍了三种子空间类优化方法。其次,针对传统框架下多尺度迭代方法成像效果不佳、容易陷入局部极小值等缺陷,本文借鉴前面介绍的相关算法,使用新的框架进行多尺度迭代,提出了两种基于子空间框架下的多尺度迭代方法。此外,本文还提出了使用多频数据进行反演的策略,这样可以进一步缓解逆问题的非线性和病态性。最后,本文通过综合传统多尺度迭代方法和深度网络的优势,提出了融合物理模型的多尺度迭代展开网络成像方案。根据使用数据频率的不同,设计了两种不同的多尺度迭代展开网络。与单频方法相比,提出的多频多尺度迭代展开网络不仅考虑了多频数据,而且创新性地使用了渐进学习策略,在原来的基础上进一步增强了成像效果。

关键词： 电磁逆散射   非线性   压缩感知   玻恩迭代   高斯混合先验  

摘要： 电磁逆散射成像是一种基于电磁感应的新型成像技术,其通过向探测区域发射入射电磁波,并使用反演算法处理探测区域内目标散射的电磁回波信号,从而获得该目标电磁参数分布。电磁逆散射问题本质上是反演问题,其存在非线性和病态性,传统的信号处理算法难以有效地对高对比度目标进行重建。针对该问题,本文结合贝叶斯理论,研究具有更好适应性、更强抗噪性、以及更高成像精度的非线性电磁反演算法。主要研究内容如下:1、首先从物理角度出发,建立描述电磁散射过程的数学模型,表示为矩形方程形式;为解决非线性问题,引入玻恩近似(Born Approximation,BA)方法,将非线性方程转化为线性方程;同时,采用基于压缩感知(Compressed Sensing,CS)的正则化方法解决病态性问题,具体包括:正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)、贝叶斯压缩感知算法(Bayesian Compressed Sensing,BCS)以及总变分贝叶斯压缩感知算法(Total Variation Bayesian Compressed Sensing,TVCS);最后通过数值仿真实验,分别实现稀疏及块状目标的反演,对上述几种算法的可行性进行验证。2、针对高对比度稀疏目标的反演,本文提出了一种具有强鲁棒性和良好反演精度的多任务(Multi-Task,MT)电磁反演算法。为解决非线性问题,引入对比源方法,通过反演对比源分布进而重建对象的位置特征及对比度;为解决病态性问题,采用基于贝叶斯理论的正则化方法,具体为:构建适用于多任务反演的聚类结构稀疏(Cluster Structured Sparsity,Clu SS)先验模型,通过在并行反演任务中共用隐藏控制变量以提高重建准确度,然后采用变分贝叶斯估计(Variational Bayesian,VB)得到未知量的估计值;通过设置仿真实验,将所提MTClu SS-VB方法与其他重构算法的成像结果进行对比,并从定量的角度分析了不同信噪比、不同采样率情况下的反演效果,进而验证所提算法成像性能和抗噪能力。3、针对高对比度块状目标的反演,本文提出了一种适用于非均匀分块对象的电磁反演算法。首先,采用新型玻恩迭代(Born Iteration,BI)方法解决非线性问题,通过循环更新总场和目标对比度使其不断接近真实值,在总场的更新中使用矩阵运算代替全波仿真,从而获得比传统玻恩迭代方法更快的计算速度;接着,采用贝叶斯估计理论解决病态性问题,具体为:构建高斯混合分布模型(Gaussian Mixture Model,GMM)来描述分块目标先验信息,采用广义近似消息传递(Generalized Approximate Message Passing,GAMP)算法解耦似然函数以提高后验概率计算速度,并在此基础上通过变分贝叶斯估计得到目标对比度的估计值;最后通过数值仿真实验,对所提BI-GMM-GAMP算法和其他反演算法在不同目标场景下的结果作对比,结果表明本文所提算法可以更有效地重构高对比度分块目标的形状和电参数分布。

关键词： 电磁逆散射   实时反演   卷积神经网络   监督学习   强化学习  

摘要： 电磁逆散射问题在无损探测、微波遥感和生物医学等领域拥有广泛的工程应用前景。逆问题所求解的目标电磁特性参数与实测散射场之间存在固有的非线性关系,同时求解逆散射问题的方程存在病态特性,对于强散射目标尤为如此。目前主要采用近似方法或迭代优化方法求解。然而近似方法和迭代方法在实际工程应用中有着诸多限制:近似方法只适用于求解弱散射目标,对强散射目标反演精度低;迭代方法计算复杂度高,难以满足实时反演的要求等。此外,噪声对反演结果影响也很大。本文从提高反演精度、保障反演实时性和提高算法适用范围的角度出发,使用深度学习算法拟合逆问题中的非线性关系。主要研究内容如下:1.监督学习直接求解网络采用了一种降采样-上采样模型对二维电磁逆散射问题进行求解。此模型包含特征提取、图像增强与图像识别模块,经过学习后输入散射场数据可快速反演目标物体的电磁参数。数值计算结果表明该方法成像精度较高。采用改进的混合空洞卷积神经网络(HDCNN)求解电磁逆散射问题。HDCNN融合了空洞卷积运算和降采样-上采样算法的优点。一方面,与传统卷积相比,空洞卷积运算可以在保持计算量相同的情况下,有效地扩展感受野尺寸和降低神经网络的深度。另一方面,降采样-上采样算法为HDCNN网络模型增添了平移不变性和旋转不变性。HDCNN在保障快速反演的同时可以实现更高的求解精度。2.基于反向传播算法的监督学习求解网络反向传播(BP)算法是在计算格林算子的基础上,对位移电流进行近似而得到预成像结果。将BP预成像结果作为深度网络的数据集,可以有效地减少深度学习需要拟合的物理量,减小神经网络的负担。此外,由于需要拟合的物理量减少,使得神经网络的预测精度得到了明显的提升。3.深度强化学习网络DQN求解电磁逆散射问题通过深度强化学习DQN制定策略,经过选取和组合不同规模的小尺度卷积网络形成动态链路来实现不同复杂度下的逆问题求解。设计了一系列基于小型CNN的电磁逆散射问题求解模块,并根据深度强化学习算法来学习协同使用不同模块求解电磁逆散射问题。相较于现有求解电磁逆散射问题的CNN模型,动态组成的CNN链性能更优、适用范围更广。

关键词： 植被组件   圆柱体散射   物理知识   T矩阵   深度学习   电磁逆散射  

摘要： 植被作为整个生态系统中的重要一环,对于地球环境治理、气候变化和人类社会活动等方面影响深远。对于植被组件（如主干或支干）的电磁散射研究,常用有限长圆柱体进行建模,并在物理上提供关于柱体散射特性的解析解。然而,当电磁环境或植被参数分布愈发复杂时,传统物理方案如基于虚拟分割的T矩阵方法面临计算效率问题,此时引入一种更加高效的散射模型便显得愈发重要。深度学习方法借助神经网络的表达能力在学习非线性关系方面表现优异,效率极高。同时,T矩阵及相关算法在求解圆柱体电磁散射特性时只涉及单次计算,无需针对每种入射情况重复整个计算过程,在柱体朝向随机和入射场景复杂时具有独特优势,物理机理清晰且高效,目前尚无文献将此物理知识和深度学习结合进行圆柱体散射特性研究。本文借助神经网络对散射模型的T矩阵部分展开学习,相比先前纯粹物理或深度学习方案进行扩展,数值结果提供了高精度的散射幅度函数幅值和相位,同时降低了对入射和散射方向的依赖性及二者引入的数据量要求,具有较高的计算效率和物理解释性。一种高效的、包含物理知识的散射幅度函数计算方案不仅表征了电磁波在植被中的传播行为,同时也具有非常丰富的应用场景。例如,对于观测到的散射回波信号可以通过反演模型,对介电常数、散射体尺寸等自身参数进行重构。在该问题中反演数据集的快速生成和多样性尤为重要。另一方面,在极化分解的体散射研究中,往往涉及多参数空间下对散射特性的多重计算,对单次前向计算的效率同样提出更高的要求。本文基于训练后的高效散射模型,对电磁反演问题和极化体散射课题进行探讨。在反演问题中,通过正散射模型生成反演网络所需的数据集,建立逆散射模型,数值结果表明该反演模型对参数具有较高的重构精度,同时在引入噪声表现出良好的抗噪性能。同时,借助正散射模型对散射幅度函数的快速计算,本文进一步探究了极化体散射分析中协方差矩阵在柱体取向、直径和高度等多个参数分布下的输出,为生成该情形下的数据集和后续的反演算法提供了可能。

关键词： 微波成像   深度学习   电磁逆散射   自编码器   卷积神经网络  

摘要： 近些年来,我国乳腺癌发病率的比例逐渐增加。统计数据表明,在女性癌症发病率榜单上,乳腺癌位居榜首。乳腺癌是影响女性身体健康最常见的浸润性癌症,也是全球女性死亡的主要原因。中国乳腺癌发病率的增长速度约为全球平均水平的二倍以上,中国一线城市原发性乳腺癌数量的增加也十分突出。临床医学调查已经证实,如果在早期介入对乳腺癌的治疗,患者的五年生存率将会超过百分之九十。乳腺癌诊断后的存活率取决于最初诊断时疾病所处的阶段,所以乳腺癌的早期筛查非常重要。目前临床上广泛使用的乳腺癌检查技术有不适性、检测费用高等弊端。由于正常乳腺组织和恶性肿瘤组织的电学参数不同,为乳腺肿瘤微波照射成像提供了理论原理。微波成像具有高分辨率,无辐射、低成本等优点,有望成为下一代乳腺癌筛查工具。针对以上问题,本论文主要完成了以下工作:首先,引入基于电磁场积分方程的前向问题,给出描述散射体相对介电常数和测量域的散射场之间波散射关系的数据方程和状态方程,使用矩量法(Method of Moment,MOM)对测量域中的散射场进行离散数值分析。对一阶波恩近似、迭代波恩方法和基于二次规划的迭代波恩方法的原理进行了详细介绍。其次,提出了复合自编码器网络的深度学习方法来求解电磁逆散射问题。包含两个网络:第一个是自编码器神经网络,包含一个编码器和一个解码器,获得高分辨率图像的压缩表示。获得的压缩表示作为标签训练将电磁信号转换为压缩表示,然后上采样到高分辨率相对介电常数图像的第二个神经网络。与基于后向传播(Back Propagation,BP)的U-Net网络进行对比,在圆柱形数据集上训练和测试,通过仿真实验验证对噪声的鲁棒性和对强散射体的相对介电常数图像重建能力。实验结果表明所提出的网络无论是在相对介电常数实部数值的重建准确性还是对噪声的鲁棒性等方面都明显超过了基于BP的U-Net神经网络。最后,利用复合自编码器神经网络对基于磁共振成像(Magnetic Resonance Imaging,MRI)开发解剖的真实乳房数值模型进行相对介电常数实部图像重建。通过单极德拜模型把三维数字乳房模型的像素值转换为相对介电常数,以2mm厚度进行断层切片,得到其冠状面、矢状面和横断面的二维相对介电常数数据集。数据集的获取分为两部分,一部分是二维乳腺相对介电常数实部图像,另一部分是乳腺二维相对介电常数图像置于数值电磁场中所获得的散射场矩阵。复合自编码器神经网络可以由散射场阵列重建二维乳腺相对介电常数实部图像,对乳腺内部组织进行定位,提供乳腺组织的形状和位置信息。本方法与基于二次规划(Quadratic Programming,QP)的波恩迭代方法(Born Iterative Method,BIM)相比,实现了实时成像。

关键词： 电磁逆散射   基于子空间优化算法   联合反演   交叉梯度   空间结构约束  

摘要： 电磁逆散射问题（或称为电磁反演、重构）是电磁理论研究中较为重要的研究领域,由于其突出的实用价值,其被广泛地应用到地球遥感、生物医学成像、地物勘探等诸多研究领域。而电磁逆散射问题本身的非线性和病态性成为阻碍其发展的重大挑战。随着计算电磁的迅速发展,其非线性和病态性有望得到改善,同时也对反演质量提出了新的要求。学者们不再只对单一的物理场散射进行研究,而将目光投向了多物理场的联合反演方法。联合反演是指利用多物理场实验数据间的相关性,通过合适的规则使之彼此相互约束,从而让最后测得的反演结果更接近实际模型。和独立的电磁反演结果比较起来,在保证反演速度的基础上,联合反演方法可减少反演过程中的多解问题,从而有效的解决电磁反演问题的非线性,并改善了反演质量。本文主要对二维电磁波和声波的联合反演方法进行了研究,其主要内容如下:首先,本文介绍了关于电磁散射、逆散射问题的基本理论,在此基础上,介绍了一种目前较为高效的反演方法——基于子空间优化算法,并给出了该算法的反演步骤。最后通过仿真数据分析了噪声和正则化参数对该算法的性能影响。其次,本文在SOM的基础上,通过加入交叉梯度函数实现了基于结构相似约束的联合反演——基于交叉梯度函数的联合反演方法,并利用算例分析了该算法的有效性。其思想即在目标函数中利用外积梯度函数使得声场反演中的声速和电磁反演中的相对介电常数两个参数相互约束,从而实现改善单一电磁反演成像质量的目的。同时,提出一种利用声场反演的结构先验信息约束电磁反演的方法——即基于空间结构约束的声场和电磁场的联合反演方法,并对该算法的可行性进行了仿真验证。空间结构约束的核心思想与基于交叉梯度函数的联合反演算法相同,都是利用不同物理场间物理参数的结构相似性。已知利用图像分割技术可快速且准确地从背景中确认目标的位置信息这一特点,因此,利用其来实现空间结构先验信息的提取是可行的,从而展现基于结构相似约束的联合反演方法的巨大优势。最后,对全文内容进行总结,并对联合反演方法研究的未来发展进行展望。

关键词： 电磁重构   CNN   U-Net网络   散射体重构  

摘要： 随着社会的发展和科学技术的进步,电磁重构技术在日常生活中的应用越来越广泛。电磁重构属于电磁逆散射问题,它是指在已知散射场的情况下求解目标成像区域中的介电常数分布的技术,与之相对的是电磁正散射问题,电磁正散射问题是在已知目标成像区域中介电常数分布的情况下求解散射场。电磁逆散射问题是一个非线性、不适定的问题,不能直接求解。目前主流的电磁逆散射问题求解方法可以分为线性方法和非线性方法,其中线性方法求解速度快,适用于实时成像,但是精度较低;非线性方法精度较高,但是计算过程复杂,因此传统的电磁逆散射求解方法无法兼顾求解速度和求解精度两个要求。得益于深度学习技术的发展,作者尝试使用深度学习技术实现一种能快速获得高精度重构结果的电磁重构方法。本文首先研究了传统的电磁逆散射求解算法,并结合目前流行的神经网络技术,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的电磁逆散射重构算法。CNN在网络结构中加入了卷积模块,能够很好的分析输入数据中的数值变化边界,在图像领域有着广泛的应用前景。在电磁逆散射问题中,由于所有数据都是矩阵形式,这也为使用CNN求解电磁逆散射问题提供了可能。针对使用CNN求解电磁散射问题,本文提出了两项创新:首先是直接利用CNN求解电磁散射问题中的正、逆问题,并对CNN的网络结构进行改进,引入了效果更稳定的U-Net网络;其次是将神经网络技术和传统的衍射层析成像算法(Diffraction Tomography,DT)相结合,提出了一种混合电磁重构算法。在第一部分的创新内容中,作者直接将电磁散射问题中的散射场和成像区域介电常数分布矩阵分别作为CNN的输入和输出进行训练,并且对标准CNN的网络结构进行改良,在网络结构中加入了反卷积和跳级结构,引入了性能更好的U-Net网络。第二部分的创新内容是先分析传统的DT成像算法,然后将DT成像算法和神经网络相结合,使用DT算法的解作为神经网络的输入训练网络,提出了一种混合电磁重构方法。最后本文在各章的末尾通过仿真结果证明了文中提出的新算法的有效性。

关键词： 带电球   神经网络   逆散射   Mie理论   DSE   GLMT   石墨烯涂层球  

摘要： 空气中粒子之间频繁的碰撞和摩擦都会致使粒子带电,对带电粒子的散射特性与逆散射研究将有助于遥感、成像及大气光学的发展。Mie理论能够精确地计算平面波入射的粒子散射特性,但只能得到总体散射之后的结果,使用Debye级数展开(DSE)方法则能对粒子的每个散射过程加以解释分析。具有独特光学特性的石墨烯涂层粒子通过Drude-Sommerfeld模型转化亦可将其认为是一种特殊的带电粒子。贝塞尔光束是一种沿着传播方向,传播特性保持不变的典型结构光束。使用广义洛伦兹米氏理论(GLMT)能够对贝塞尔光束入射的石墨烯涂层球散射特性加以研究。神经网络是一种重要的机器学习方法,通过数据的驱动能够很好的解决分类与回归问题,因其在反演方面精度高,速度快的特点,使其成为了近年来解决逆散射问题重要方法。本文基于上述研究方法,研究了带电球形粒子的散射与逆散射问题。首先,基于DSE方法研究了平面波入射带电球形粒子的散射;其次,基于GLMT研究了贝塞尔光束入射到石墨烯涂层金纳米球的散射;进一步地,利用神经网络实现了带电球形粒子(石墨烯涂层金纳米球)参数的反演。主要的研究工作如下:1.推导了带电球粒子散射的DSE。其中,菲涅尔系数通过求解带电球粒子与空气之间的边界条件得出,并利用其将全局系数展开成Debye级数形式,同时给出了远场散射强度、消光和吸收效率的计算公式。首先,通过与Mie理论(对于带电球形粒子)和DSE(对于中性球形粒子)的数值仿真对比,验证了DSE的正确性。其次,使用DSE计算了平面波入射的带电球形粒子的远场强度、吸收和消光效率,并研究了各种参数(包括表面电荷、折射率、尺寸参数、德拜模式等)的影响,也分析了带电粒子产生的彩虹。2.基于机器学习方法,搭建带电球形粒子逆散射的神经网络模型。通过平面波对带电球形粒子的半径、折射率和表面电荷的快速反演,分析了网络隐藏层神经元个数对反演精度的影响,借助测试集中加入随机噪声的方式检验了所设计系统的抗噪声性能。测试结果表明,表面电荷和半径大致呈现出隐藏层神经元的个数越多,反演精度越高;当相对噪声为10%以下时,反演效果影响不大,噪声为20%时,个别案例误差稍大,噪声为40%,反演精度变差,总体上系统能保证在相对噪声小于10%时取得良好效果。同时,折射率的反演精度相对稍差,抗噪声能力也有所下降。3.基于Drude-Sommerfeld模型与GLMT,研究了石墨烯涂层金纳米粒子对贝塞尔光束的散射,数值计算了远场散射强度分布,分析了不同层数与粒子球核半径的石墨烯涂层金纳米球的远场散射强度受贝塞尔光束阶数、半锥角、偏振角的影响。并通过逆散射神经网络模型,成功实现了石墨烯涂层金纳米球的涂层层数、粒子球核半径的反演,对反演精度的变化规律及系统抗噪声能力进行了分析。计算结果发现,贝塞尔光束入射时,石墨烯涂层球的粒子球核半径越大或石墨烯涂层层数越多,相应的远场强度越强。石墨烯涂层金纳米球远场散射强度受贝塞尔阶数,半锥角的影响较大,受偏振角的影响较小。反演方面由贝塞尔波束入射的数据集当隐藏层神经元个数增加至600时效果达到最佳。而由平面波入射下的数据集反演精度相对更高,且神经网络隐藏层神经元个数仅为300时,已经有较好的效果,网络系统在相对噪声小于5%时性能较好。