关键词： 电磁逆散射   粒子群优化算法   蝙蝠算法   先验信息  

摘要： 经典的电磁反演算法通过建立目标函数,最小化实验测量数据与预测分布对应的散射数据之间的差异进行反演,常用的迭代优化手段是确定性优化算法。确定性优化算法在简单良好的操作条件下能有效地收敛到最优解,但是在实际应用中,噪声干扰和激励波的限制等因素对其影响较大。由于过度依赖于梯度计算,确定性优化在不利测量环境下容易陷入局部极值。基于此,本论文在微波成像框架下基于两类随机优化算法粒子群算法(Particle Swarm Optimization,PSO)和蝙蝠算法(Bat Algorithm,BA)对二维圆柱形电介质进行电磁探测,研究算法的实现机制,并通过数值模拟实验进行性能分析。首先,本文根据电磁散射理论构建二维TM微波成像模型,单频入射波多角度入射散射体,通过接收端接收的回波信号预测散射体在成像区域(Domain of Interest,DOI)的状态。采用电磁积分方程来描述成像区域中的电磁场,将目标的物理参数与观察区域内的电磁场联系起来。由于电磁散射积分公式是病态的和非线性的,将逆散射问题转化成优化问题并添加正则化项求解,使解具有唯一性。然后,本文在微波成像模型的基础上,运用PSO算法对二维圆柱形电介质进行逆散射问题研究。讨论不同的种群规模和不同强度的噪声下PSO算法重构圆柱形电介质的成像精度。下一步,提出了基于BA算法对二维圆柱形电介质进行逆散射问题研究。仿真实验验证了算法对散射目标参数重构的准确性、有效性和鲁棒性。最后,本文提出了结合先验信息采用PSO和BA反演算法基于像素点求解电磁逆散射问题。为了提高算法的计算效率,在反演算法中融入先验信息。通过衍射层析法(Diffraction tomography,DT)获得散射体的模糊图像,与其混合的PSO和BA算法基于像素点重建散射体图像,得到散射体的相对介电常数在成像区域内的分布。实验结果显示,结合DT的PSO和BA算法具有鲁棒性,混合PSO可以准确还原出多个孤立散射体的相对介电常数分布;混合BA对于方形散射体和两个圆柱形散射体的轮廓和位置重建效果较好。

关键词： 电磁逆散射   电磁成像   复合材料   深度学习  

摘要： 复合材料由于具有高强度、重量轻、耐腐蚀等优点被广泛用于航空航天、汽车、医疗器材等领域,作为一种人工材料其具有多介质、多层、周期性、各向异性等特征。但材料制造过程中工艺的不稳定性和使用过程中的疲劳累积会使其产生位移、裂缝、气泡和孔隙等缺陷,严重影响其性能,因此如何实现对复合材料快速准确的无损检测是关键。电磁成像方法具有穿透能力强、衰减小、极化敏感、分辨率高等特点,非常适合复合材料的检测。但复合材料中的缺陷和电磁成像系统的工作波长相比大多是亚波长的,这给电磁成像方法带来了极大挑战。针对这一挑战,本论文开展了基于全波散射效应的超分辨率电磁成像算法的研究,提出了针对复合材料目标的高效、高精度、高稳定性的成像算法。论文的主要工作可概括如下:首先,总结了电磁成像算法的研究现状,分析了不同成像算法的优缺点以及存在的潜力。同时,对近年来的研究热点——深度学习技术进行了简要介绍,分析了深度学习技术融合电磁成像的优势及可行性。其次,针对传统波恩迭代算法计算效率较低的问题,提出了一种基于波恩序列的快速正向算子,取代了传统算子的大尺寸矩阵求逆操作,将每一步横向迭代融入了纵向迭代过程中,从而提高了计算效率。数值和实验仿真成像结果表明基于快速正向算子的新算法达到了大幅减少成像时间的效果。再次,提出了两种基于差分方程和全波散射效应的新型迭代算法。在基于积分方程模型的成像算法中,格林函数是不可或缺的组成部分,但复杂背景下的格林函数的求解是极其复杂且非常耗时。针对这一问题,本文基于差分方程提出了两种新型迭代算法,无需格林函数的参与计算。同时,相比于其它同类算法,新型算法在成像精度方面不受额外限制条件的约束。另外,针对迭代过程中正则化因子的合适取值需要变化的问题,提出了一种自适应正则化因子方法,实现了在迭代过程中自动选取的目的。实验和仿真结果表明,两种新型算法达到了能灵活应对各种复杂环境的效果,同时能够获得较好地成像精度和较高的成像质量。从次,针对上述所提算法依旧需要迭代才能完成收敛的问题,为提高成像效率,提出了一种基于信号子空间的有效近似方法,在每一步迭代中给出更加精确的结果,从而实现提高收敛速度的目的。数值仿真结果表明,基于信号子空间近似的新算法达到了可以用更少的迭代步数完成收敛的效果。最后,提出了一种新型复数神经网络用于电磁成像。近年来,深度学习技术在逆散射成像领域得到了广泛的应用,但传统的神经网络输入的数据多为实数数据,这种限制使散射数据完整信息被部分丢弃,导致成像效果精度不高。针对这一问题,本文提出了一种复数神经网络用于电磁成像,可以直接将散射数据作为输入,实现了充分利用完整成像信息的目的。仿真结果表明,基于复数神经网络和深度学习的算法几乎可以实时成像,在成像质量和效率方面达成了远优于传统迭代算法的效果。

关键词： 电磁散射   电磁逆散射   散射体   散射波   特征提取   微波遥感   几何形状   参数反演  

摘要： 电磁散射研究目标与环境受入射电磁波激励后所产生的散射波的特性,电磁逆散射则是由给定的入射波和测得的散射波研究诸如几何形状、粗糙度、电磁参数等散射体的特性。两者互为正反问题,主要研究方法有理论建模、实验测量、特征提取、参数反演等。电磁散射与逆散射作为雷达共性基础技术,对雷达探测、成像与识别、微波遥感等技术的研究和发展具有重要的支撑作用。

关键词： 逆散射问题   前向问题   深度学习   物理模型驱动   迭代展开  

摘要： 电磁场逆散射问题是指利用测量的散射场数据重构探测区域内介质目标的电性能参数空间分布。由于逆散射问题内在的非线性和病态性,通常采用迭代优化方法求解该问题。但是鉴于迭代的本质,这些非线性迭代优化方法通常涉及一个复杂的优化问题,成像过程耗时,难以实现高性能的实时成像。其次,为了降低逆散射问题的病态性,使用一些人工选择的正则化参数稳定优化算法,但缺乏理论指导如何选择合适且通用的正则化函数。另外,新兴的深度学习技术具有非线性拟合的优势,特别适用于反问题求解,近年来也应用于电磁场逆散射成像领域。深度学习技术虽然能够提供实时的成像方案,但是不容易集成逆散射的领域知识,而且高度的非线性和病态性将降低深度学习的泛化能力。针对上述问题,本文从电磁场前向散射问题的数值计算、非学习迭代成像方法的数值优化和基于深度学习的反演成像方案等方面展开研究,提供了有关如何将神经网络与领域知识以及传统迭代优化方法相结合的一些建议。本文的具体工作如下:首先,基于自由空间的电磁波前向散射模型和电磁场积分方程,耦合数据方程和状态方程,构造前向散射的目标函数,分别采用矩量法和频域有限差分法对测量域中散射场进行数值模拟。在仿真和实测两种场景中,深入分析对比了两种数值方法的性能。其次,设计并实现了三种基于深度学习的逆散射反演成像方案:基于数据驱动的反演成像方案、基于深度学习辅助的优化方法和基于模型驱动的深度迭代展开成像方案。本文结合物理规律和数学推导设计所需的神经网络体系架构,将逆散射的领域知识和传统的非学习成像技术逐渐嵌入到神经网络中,并给出了相应的建议。最后,在物理模型驱动的非线性深度学习方法中,受传统迭代算法和现有神经网络的启发,通过增加辅助变量,将原非线性问题转化成若干个线性问题。其每次迭代映射为新型网络结构中相对应的子模块。该成像方案能够生成快速、良好的成像结果。此外,该思想适用于任意场景的（线性和非线性）逆散射问题。

关键词： 微波电磁逆散射技术   平衡式Vivaldi天线   深度学习   对比源反演算法  

摘要： 微波电磁逆散射技术是一种定量重建的成像方法。作为一种精确且无损的检测方式,该技术被广泛用于科学,工程,军事和医学等领域。它通过目标体周边散射场数据去重建目标体内部的介电常数分布,具有非接触的特点。经过几十年的研究与发展,该类方法已取得巨大的进步。然而,由于该类方法固有的强非线性,不适定性和过高的计算成本,反演计算仍然存在许多问题和挑战。近年来,深度学习网络(Deep Neural Network,DNN)被广泛应用于成像领域,基于深度学习的成像算法可以大大减少成像时间并显著提高成像质量。因此针对现阶段微波电磁逆散射技术存在的缺陷,同时结合深度学习算法的优势,本文提出了一种用于微波成像领域的深度学习算法。本论文的主要工作内容如下:(1)搭建了一套实际可用的微波成像系统,并对该系统重要的组成部分进行介绍。首先介绍了平衡式Vivaldi天线的设计思路。其次,详细地介绍了数据采集系统的硬件组成与软件设计。(2)详细描述了二维TM波下微波电磁逆散射成像问题,介绍了利用格林函数积分方程求解电磁逆散射正演问题的方法步骤。(3)研究了传统对比源反演成像算法(Contrast Source Inversion,CSI)、乘性正则化对比源反演成像算法(Multiplicative Regularized Contrast Source Inversion,MR-CSI)和基于多频点的乘性正则化对比源反演成像算法(Multi-Frequency Multiplicative Regularized Contrast Source Inversion,MF-MRCSI)的理论与求解思路。(4)利用仿真数据以及Manitoba大学微波实测数据验证了传统CSI、MR-CSI和MF-MRCSI算法的可行性,对比了不同频率以及不同介电常数下上述方法性能上的差异。并讨论了三种算法的抗干扰能力和不均匀背景下对目标体的重建能力,结果表明MR-CSI方法在这两方面均优于其他两种方法。同时,研发了基于人机交互界面的微波成像应用系统,通过应用系统简洁高效地实现了电磁逆散射正演和反演计算过程。(5)开发了一套名为复值pix2pix(Complex-Valued pix2pix,CVP2P)的深度学习算法,详细介绍了该算法的原理与结构,并将其结果与MR-CSI方法对比。研究表明对于强散射物体,CVP2P方法的结果是优于MR-CSI方法的。值得一提的是,CVP2P方法作为一种深度学习方案,它的重建时间不到1s,这比传统方案快几个数量级。同时,通过搭建的微波成像系统验证了算法具有良好的泛化能力。

关键词： 电磁散射   电磁逆散射   生成对抗网络   复数CNN   注意力模块  

摘要： 随着科学技术的不断发展,计算机算力不断提高,微波成像技术得到了广泛的应用,如医学成像,地质勘测,卫星遥感等领域。实际上,电磁反演成像的物理过程包含电磁波的散射与逆散射,即电磁成像的前向问题与逆问题。利用传统算法求解电磁散射问题时,涉及大矩阵逆运算,会耗费巨大的计算资源。而在求解逆问题时,求解算法会遇到两大挑战:非线性与病态性,也会面临计算资源耗费大的问题,同时会影响成像质量。如何提高算法在求解电磁散射与逆散射问题时的计算效率并提高成像质量,是本论文的主要研究内容。首先,本论文针对传统算法在计算散射场时计算资源耗费巨大的问题,提出了一种基于生成对抗网络(Generative Adversarial Networks,GAN)的电磁散射快速计算方法。由于传统算法在计算前向感应电流时,涉及大矩阵逆运算,耗费资源巨大,针对此提出了一种前向电流快速学习方法(Forward Induced Current Learning Method,FICLM),该方法的网络模型为Pix2pix-GAN,网络输入的信息为已知的对比度和入射场。通过对模型的特殊构建,该方法实现了入射天线任意角度入射情况下感应电流的预测。测试样本表明,网络模型具备较强的泛化能力,能预测出较为复杂的散射体内部感应电流。且计算区域在相同网格划分下,该方法计算得到的感应电流比传统矩量法(Method of Moments,Mo M)更精确,计算速度上相比快20多倍,且随着散射体的对比度增大,计算速度优势就越能体现。其次,本论文提出了一种基于散射场数据和复数CNN网络静态手势识别器。该网络模型与基于图像研究的实数网络不同,为复数CNN网络,且加入了注意力模块,测试表明,两者能有效提升网络识别准确率。且散射场数据相比图像数据规模更小,在占用计算机内存方面更具优势。最后,在已有基于新方程(New Integral Equation,NIE),对比源的傅立叶基展开(Fourier Bases-Expansion,FBE)研究算法基础上,本论文针对高度非线性逆散射反演问题进行了研究,提出了一种基于物理模型的学习型网络电磁反演方法。网络为Pix2pix-GAN,并加入了Self-Attention模块。测试表明,该方法能有效解决高度非线性逆散射问题,且耗时较短,整个计算过程在1秒左右。

摘要： 电磁散射研究目标与环境受入射电磁波激励后所产生的散射波的特性,电磁逆散射则是由给定的入射波和测得的散射波研究诸如几何形状、粗糙度、电磁参数等散射体的特性。两者互为正反问题,主要研究方法有理论建模、实验测量、特征提取、参数反演等。电磁散射与逆散射作为雷达共性基础技术,对雷达探测、成像与识别、微波遥感等技术的研究和发展具有重要的支撑作用。

关键词： 电磁散射   电子技术   逆散射   雷达探测   系统工程   研究和发展   支撑作用  

摘要： 电磁散射与逆散射作为雷达共性基础技术,对雷达探测、成像与识别等技术的研究和发展具有重要的支撑作用。为了及时总结国内在电磁散射与逆散射研究方面的最新进展,推动相关技术的进步,《系统工程与电子技术》(EI收录)计划推出"电磁散射与逆散射"专栏。现面向该领域专家学者征集研究论文,欢迎投稿。

关键词： 电磁逆散射   微波成像   电大目标   对比度源反演   线性采样方法   遗传算法  

摘要： 目前的常规算法都不能有效解决电大目标的逆散射成像问题。提出了一种基于线性采样方法(LSM)和对比度源反演(CSI)方法的混合成像方法。首先用LSM截断阈值确定目标所在区域,在目标区域赋对比度固定值,然后用这个结果取代后向传播解作为初值进行CSI迭代,重建目标的对比度分布。用遗传算法对截断阈值和赋的对比度固定值进行优化,得到这两个值的最佳参数选择。仿真结果显示该方法对电大目标甚至能做到精确重建,在有噪情况下也能得到比后向传播解作初值更好的结果。

关键词： 电磁逆散射   微波成像   线性采样方法   对比度源反演   T矩阵   电大尺寸   混合目标  

摘要： 电磁逆散射成像在很多领域有着广泛的应用前景。作为一种典型的逆问题,电磁逆散射有非线性和病态两大特征,这给求解带来了极大的困难。目前常规的方法可以用来求解逆散射问题,但是主要是针对一些简单的目标。对于复杂目标的反演问题,常规算法存在适用性差、反演精度不高、计算效率低等缺点。本文致力于解决电大混合目标的逆散射成像问题,在目前常规方法的基础上,提出了三种算法分别解决电大目标的成像问题、理想导体与介质混合目标的成像问题以及逆散射成像的快速计算问题。首先,给出了逆散射成像的数学模型。针对此模型,分别给出了两种基于不同物理原理的成像框架。一种是基于体等效原理的成像框架,把散射场视为体等效电流的辐射场,待求的对比度包含在体等效电流当中。另一种是基于T矩阵方法的逆散射成像框架,通过匹配边界条件把待求的媒质参数转化为求解T矩阵,通过这种方式间接求解媒质参数。然后,研究了电大目标的逆散射成像问题。对比度源反演方法不能解决电大目标的反演问题是因为初值选择不好使迭代过程陷入局部最优。针对电大目标的逆散射成像问题,提出了分两步解决办法。首先通过线性采样方法截断赋值得到目标的对比度初始分布。在这个过程中,采用遗传算法优化截断和赋值参数。然后把目标的初始分布作为对比度源反演方法新初值参与迭代,优化得到最终的重建结果。接着,研究了理想导体与介质混合目标的成像问题。目前的T矩阵反演方法是基于子空间优化方法来迭代求解的,由于需要奇异值分解存在计算复杂度高的缺点,且计算精度不高。提出用共轭梯度迭代来求解基于T矩阵的反演问题,然后把这个重建结果作为先验信息,用遗传算法优化出一个新的初值再次参与迭代。通过这种方法提高了对理想导体和介质混合目标的成像精度。最后,提出了一种逆散射成像的快速计算方法。在T矩阵方法的反演框架内,创新性应用了线性采样方法中虚拟实验的思想。在截断得到的目标轮廓内,通过匹配每个虚拟实验圆周的边界条件,可以依次求解目标轮廓内每个点的媒质参数。避免求解大的线性方程组,只需要求解一系列一元方程,大大提高了计算效率。总之,针对逆散射成像存在的三个问题,提出了三种解决方法,对于逆散射成像的研究有一定的意义。