粗糙面的电磁散射快速计算及基于CNN的参数反演研究

发布时间：2020-07-12 11:52

【摘要】：随机粗糙面的电磁散射特性研究能为目标探测与识别、雷达精确制导等军事领域提供理论依据,且在农业和海洋渔业等民用方面具有实际应用。本文研究了随机粗糙面及其上方多个目标的复合电磁散射的快速方法、随机粗糙面宽带电磁散射的快速分析方法和基于深度卷积神经网络的随机粗糙面参数反演方法。主要研究内容如下:1.提出了一种基于标量积分方程的单源等效原理算法(SS-EPA)并应用于介质随机粗糙面及其上方多个导体或介质目标的复合电磁散射中。利用等效面将随机粗糙面和目标分成不同的区域。因为等效面上的未知量密度要远小于散射体上的未知量密度,且利用等效面上电流和磁流的关系,使SS-EPA方程只含电流(或者磁流),所以SS-EPA可以显著减少MOM的未知量。数值计算了不同数量和不同种类(PEC或电介质)目标位于高斯介质粗糙面上方的复合电磁散射。结果显示当目标数量更多或形状更复杂时,SS-EPA具有更高的计算效率。2.提出了一种结合Meahly近似和相位提取(PE)的混合方法,解决了粗糙面宽带电磁散射问题。为进一步加速计算,采用特征基函数法(CBF)和自适应交叉近似(ACA)混合方法取代传统的MOM方法来求解切比雪夫节点对应的频率点处的电磁流。最后分析该方法不仅可以应用于不同均方根高度的高斯粗糙表面,而且也适用于不同风速的海面。新算法不仅提高了计算速度,而且具有适用性和稳定性。3.提出了一种使用深度卷积神经网络(CNN)反演随机粗糙面参数的方法。通过对有限数量的随机粗糙面样本的SAR图像进行训练,可以预测给定范围内任何粗糙面的均方根高度和相关长度参数。该卷积神经网络是在仿真模拟数据的基础上构建的,为深度卷积神经网络训练提供了新思路。所提出的CNN网络可以同时反演粗糙面的均方根高度(RMS)和相关长度。结果表明CNN的反演结果要远优于支持向量机(SVM)的结果。
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN011
【图文】：

模型图,二维随机粗糙面,模型,相关长度

华东师范大学2/2/2 11(x)i nxNLnn Nf b eL （2.8a）2/2'/2 11 2(x)i nxNLnn Ni nf b eL L （2.8b）22/2''/2 11 2(x)i nxNLnn Ni nf b eL L （2.8c）这里二维高斯谱函数为2 2 2(k) exp24h l k lW （2.9）其中h 为随机粗糙面的相关长度，l为均方根高度。图 2-1（a）和（b）分别给出了不同均方根高度、相关长度的二维高斯随机粗糙面样本数值模拟图形。

模型图,粗糙面,模型,相关长度

2N n m ,2N n 2 M m , n m ,nSK SK SK SK （2.11b） mnmn mnx ySKL L （2.11c）(5)利用 FFT 计算粗糙面高度起伏2 22 2( )0 0 M NM Nj pm qnpq mnm ne (6)最后获得粗糙表面的高度样本2Re ( 0 2M, 0 2N)pq pq p : q :这里三维高斯谱函数为2 2 2 2 2( , ) exp4 4x y x x y yx yh l l k l k lW k k （2.12）其中 h 为随机粗糙面的相关长度，xl 和yl 分别为 x 和 y 上的均方根高度。图 2（a）和（b）分别给出了不同均方根高度、相关长度的三维高斯随机粗糙面样本数值模拟图形。

模型图,二维粗糙面,电磁散射,粗糙面

图 2-3 二维粗糙面电磁散射模型随机粗糙面的长度被限制在[-L/2,L/2]，所以在|x|>L/2 的因此粗糙面的表面感应电流不存在，这样粗糙面的边界处粗糙面边界处的人为反射，称之为截断效应。通常在目标均匀能量分布的平面波，但在粗糙面电磁散射需要采用具锥形波来保证截断边界的电流足够小，而避免因有限的粗应的产生。通常采用 Thorsos 提出的锥形波[42-43]进行计算射波如下所示202(x ztan )exp[i k (xsin zcos )(1 w(r))]exp( )ii ig 波因子，通常取 L/10 到 L/4，入射波矢量为

【参考文献】