基于深度学习的电磁逆散射关键问题研究

发布时间：2021-05-24 17:46

　　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... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文的主要内容及创新点
    1.4 论文的结构安排
第二章 逆散射原理
    2.1 传统逆散射成像方法
        2.1.1 波恩近似法
        2.1.2 反向传播法
        2.1.3 波恩迭代法
        2.1.4 对比源法
        2.1.5 子空间优化法
    2.2 基于深度学习的逆散射成像方法
        2.2.1 卷积神经网络
        2.2.2 全卷积神经网络
        2.2.3 反向传播
        2.2.4 基于神经网络的成像方法
    2.3 本章小结
第三章 新型网络层
    3.1 Unet模型
    3.2 复值卷积层
        3.2.1 复值卷积运算
        3.2.2 复值批量归一化
        3.2.3 权重初始化
    3.3 激活函数
        3.3.1 ModReLU
        3.3.2 CReLU和 ZReLU
    3.4 反向传播
        3.4.1 基础知识
        3.4.2 卷积层
        3.4.3 激活函数
        3.4.4 全连接层
    3.5 频谱池化
        3.5.1 实现原理
        3.5.2 反向传播
    3.6 Nested结构
    3.7 本章小结
第四章 实验结果与分析
    4.1 实验环境
    4.2 实验数据集
        4.2.1 散射电场数据集
        4.2.2 伪谱数据集
    4.3 模型结构
        4.3.1 复值Unet结构
        4.3.2 UnetPlus结构
    4.4 结果分析
        4.4.1 散射电场数据集实验分析
        4.4.2 伪谱数据集实验分析
    4.5 本章小结
第五章 总结与展望
    5.1 本文的工作总结
    5.2 下一步工作展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3204598