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： 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。

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   太赫兹电磁波   GPU加速技术   高分辨率   对比源反演算法  

摘要： 电磁逆散射成像技术是一种有效的无损检测技术,被广泛的应用在生物医学、国防安全、地质检测等多个领域,该技术可以实现亚波长级别的目标体重建。目前,逆散射成像技术中常选用的电磁波为频率在100M-100G Hz间的微波频段。该频段的电磁波频率较低,存在提高成像结果的分辨率的困难。另外,在现有的电磁逆散射成像算法中,以对比源反演(Contrast Source Inversion,CSI)为代表的基于矩量法的迭代类算法,反演过程计算量大且对计算机的资源要求较高,存在计算效率低的问题。针对现阶段电磁逆散射检测技术在成像分辨率和成像效率上的局限,本论文探索了基于图形处理器(Graphics Processing Unit,GPU)并行加速的太赫兹电磁逆散射成像方法。本论文的主要工作如下:(1)介绍了二维情况下TM电磁波逆散射问题的基础理论知识。详细研究了格林函数法、共轭梯度法、有限差分法三种电磁逆散射正演问题的求解方法,并分析了各数值正演计算方法的实现效果和适用范围。(2)研究了基于积分方程的乘性正则化对比源反演(Multiplicative Regularized Contrast Source Inversion,MRCSI)成像算法、基于有限差分法的乘性正则化反演成像算法(Finite Difference Multiplicative Regularized Contrast Source Inversion,FD-MRCSI)的原理和计算流程。并且从理论上,提出了具有更优性能的增量乘性正则化对比源反演成像算法(Incremental Distroted Multiple Regularized Contrast Source Inversion,ID-MRCSI)。(3)将频段在0.1-10THz之间的太赫兹电磁波,应用在反演成像算法中。通过仿真计算验证了,MRCSI、FD-MRCSI和ID-MRCS三种算法的可行性。并且通过设置不同的仿真条件,分别从成像分辨率、抗干扰性和在复杂背景下的重建效果三方面对比了这三种反演成像算法。对比结果显示,ID-MRCSI的成像分辨率最高,在6.4mm×6.4mm的目标区域内,能够达到0.1mm的分辨率;在抗噪声和对复杂目标体重建方面,其成像效果也是最优的。(4)开发了可实现人机交互的太赫兹电磁逆散射成像系统。将正演和反演计算过程整合为便捷高效的用户界面,极大地简化了操作流程。(5)介绍了并行计算技术的优势,在Matlab平台上实现了电磁逆散射的GPU并行加速方法。并比较了在普通串行计算和并行计算方式下,各反演计算方法在程序执行效率的变化。结果表明,并行计算的加速效果显著,最优情况下计算效率可提升10倍以上。

关键词： 电磁逆散射成像算法   深度学习   CUnet   UnetPlus   数据集  

摘要： 逆散射在众多领域有着广泛的应用,基于深度学习的逆散射算法更是成为研究的热点。但现有的成像方法存在复值数据利用不充分,算法模型抗噪声不高等问题。本文从两方面出发研究了基于深度学习的逆散射成像方法。一方面,从改善网络结构的角度入手,提出了基于复数卷积网络模型的成像算法和基于UnetPlus模型的成像算法。另一方面,从提高训练集质量以及结合传统逆散射方法的角度入手,提出了散射电场数据集和伪谱数据集,主要内容如下:首先,概述了基于迭代和非迭代的传统逆散射成像方法及其利弊,然后介绍了深度学习在逆散射领域的取得最新进展,并阐明了本文的研究意义。其次,从逆散射成像原理的角度出发介绍了波恩近似法、反向传播法、波恩迭代法、对比源法和子空间优化法五种典型的逆散射成像方法,从深度学习网络结构模型的角度出发,介绍了卷积神经网络的计算原理及其引申得到的卷积神经网络、全卷积神经网络等卷积网络以及三种已有的基于U型网络模型的逆散射成像方法。为解决实数U型网络模型中必须抛弃实部或者虚部从而导致信息丢失的问题,提出了基于复值U型网络模型的逆散射成像方法。复值U型网络的核心在于采用实部和实部、实部和虚部、虚部和实部、虚部和虚部计算代替实数卷积计算,除此之外,可以添加复值归一化、复值初始化和节点失活等函数层提高成像质量。为进一步提升网络性能,减少噪声导致成像效果不理想的问题,提出了基于迭代卷积U型网络模型的逆散射成像方法。采用嵌套卷积结构代替连接层结构,由于U型网络编码和解码的数据特征存在较大的偏差,嵌套卷积结构通过多重卷积和激活函数的修正,不断拟合数据之间的差异,减少编码器和解码器特征映射的语义间隙。然后,从电磁算法和深度学习相结合的角度出发,提出了高质量的散射电场数据集和伪谱数据集。基于散射电场数据集的复值U型网络模型解决了成像伪影问题,并且提升了成像效果,尤其适用于多散射体介质的情况下。基于伪谱数据集的迭代卷积U型网络模型将相对误差由14.234下降到5.021,能良好的恢复散射介质的轮廓并细化不同散射介质之间的差异,具备了较强的抗噪性。最后,总结了全文的内容,并从五个方面给出了下一步的工作展望。

关键词： 电磁逆散射   超分辨成像   非均匀背景成像   正则化   三维成像  

摘要： 随着社会和计算机科学技术的发展,在日常生活和军事领域,微波成像技术越来越被频繁地使用。然而,传统的电磁成像方法的局限性日益突出,因此开展能够获得分辨率更高、性能更优的成像方法与技术的研究,无论是对国防的军事现代化还是社会工业的进一步发展,都具有重大意义。电磁逆散射成像是学术研究领域中非常具有挑战性的课题之一,可以突破已有的电磁衍射极限,实现对探测区域的超分辨率成像,电磁逆散射成像是逆问题的一个重要分支,在众多领域都拥有广阔的应用前景,但同时又遭遇了两大挑战:病态性与非线性,如何有效地提升成像质量,同时更加快速地反演参数目标,是本论文的主要研究内容。首先,本论文针对非均匀背景下成像质量效果差的问题,提出了一种新型的基于差分积分方程模型框架下的快速成像方法,即差分形式的电磁Lippmann-Schwinger积分方程（difference Lippmann-Schwinger integral equation,D-LSIE）,该方程能够有效地将已知背景的先验信息与未知散射体的信息分离开来。在优化求解的过程中,采用了改进的Levenberg-Marquardt算法（modified enhanced Levenberg-Marquardt,ME-LM）。特别地,为了使算法能够稳定地反演,使用了一种基于广义交叉验证（generalized cross-validation,GCV）和截断奇异值分解（truncated singular value decomposition,TSVD）混合的正则化技术,该策略能够使算法更加稳定,提升算法解决高非线性电磁逆散射问题的能力。其次,本论文基于子空间优化（Subspace-based Optimization method,SOM）类的优化算法,提出了一种新颖的结合了乘性正则化技术的背景介质迭代更新的电磁波成像方法（multiplicatively regularized iterative updating background method,MR-IUBM）。通过采用乘性正则化技术,将正则化函数和损失函数有机结合,避免了单独为正则化参数手动选择的困难,同时也使得算法更加稳定,抗噪声能力强,同时使得重构的图形边缘信息更加清晰,数值仿真和实验测试的相关结果均验证了该算法的有效性。最后,在已有的二维电磁成像方法研究的基础上,本论文针对三维电磁逆散射成像问题,进行了系统性的研究,通过联合采用子空间优化技术和变形Born迭代方法（Distorted Born Iterative Method,DBIM）,提出了一种基于子空间正则化的DBIM三维场景下的快速成像算法,通过对多种场景进行数值仿真测试,实现了不同场景下的三维成像,验证了算法的有效性。

关键词： 电磁场逆散射   物理模型驱动的深度网络   非线性病态问题  

摘要： 电磁逆散射问题是根据测量的散射场数据和一些先验信息,对探测区域的物理属性进行重构的问题。由于电磁逆散射成像具有无损特性,广泛应用于军事、遥感、无损探测等领域,但该问题本质上具有非线性与病态性。传统的迭代优化方法求解电磁逆散射问题,有着重构精度高和保证目标函数收敛的优势,但也存在着可能会陷入局部极小值,存在人工过多干预正则化函数与参数问题,反演时间长和计算代价高等问题。针对这些问题,本文提出了一种电磁逆散射与深度学习相结合的成像方法,以期望该方法具有较高抗噪性与鲁棒性、相关参数是可学习的、能够实现实时重构以及减小计算代价。首先,本文的研究场景是二维的横磁波问题。在前向模型中,根据电磁波的传播过程以及测量的物理模型,将其中的非线性积分方程进行离散化,将之转换为矩阵公式,通过有限差分法/矩量法等方法获得散射场的数据。其次,针对电磁逆散射由于存在多次散射效应使得测量的散射场和目标散射体的电性能参数之间的非线性问题,本文提出了融合物理模型驱动与深度网络结构的线性电磁逆散射方法。该算法首先是忽略电磁间的耦合作用,然后获得介电常数的初始值,虽然初始值和实际数值相差较大,但是由于初始值中已经含有目标的特征信息,再使用这个初始值进行网络优化可以获得较好的重构。但该算法只适用于弱散射体。当目标是强散射体时,目标间的相互作用就不可忽略,这使得线性病态问题转变为非线性病态问题。针对非线性病态问题,在线性方法的基础上,提出了融合物理模型驱动与深度网络结构的非线性电磁场逆散射方法。该方法首先是根据电磁逆散射的数据方程获得介电常数的初始值,之后通过网络优化与不断的更新总场,使重构的介电常数更精确。最后,针对电磁逆散射的问题,本文创新性地将电磁逆散射的物理模型与卷积神经网络方法相融合,并且将网络结构等的参数转化为可学习变量,从而减小了计算代价以及实现了实时或准实时的电磁逆散射成像。实验结果不仅表明该方法在成像时的高效性和准确性,对于噪声还有良好的鲁棒性。

ISBN: (纸本)9787030575296