基于生成对抗网络的涡旋电磁波逆散射方法和系统

本发明涉及雷达领域，尤其是一种基于生成对抗网络的涡旋电磁波逆散射方法和系统。

背景技术：

1、通过目标电磁散射特性来反演目标的结构和尺寸是电磁散射领域重要的课题。近年来随着深度学习技术的发展，许多学者将深度学习技术融入到该问题的求解之中。目前该方向的研究多基于平面电磁波，而涡旋电磁波由于其独特的螺旋相位相位分布和幅度特性，使用涡旋电磁波来进行目标探测已经成为了近年来的一个研究热点。为了将涡旋电磁波广泛地应用于雷达探测、识别等领域，基于深度学习的涡旋电磁波逆散射特性反演已经发展成为了一个重要的研究课题。

2、电磁逆散射问题是一个具有重大意义的科学问题，它的研究始于二十世纪四十年代。在此期间，由于雷达、声纳等手段对物体进行检测与定位，人们也就提出了利用电磁波来探测更多的物体或背景等问题。近年来，国内外学者对电磁逆散射进行了大量的研究，并取得了一定的进展。对电磁场逆问题的研究，一般有两类：一类是线性的，一类是非线性的。传统的逆散射理论只能对线性模式及其相互联系进行求解，这只能得到近似的解，比如经典的born近似迭代算法。线性方法只能用来解决比较简单的目标的逆散射求解。而非线性方法将多重散射问题引入到非线性积分方程中，可以有效地反演散射物体及媒质的物性参数。非线性逆散射可以归纳为三种：1)以正则化为基础的确定性算法，如改进的born迭代方法；2)具备全局搜索能力的随机性算法，如遗传算法和粒子群算法；3)适合于神经网络的算法。

3、在求解一般的非线性反演问题时遇到了两个难题：一是当待反演参数维数增大时，常规反演算法难以应对其中的复杂非线性问题。其次，某些逆散射模型虽然在特定情形下表现良好，但其鲁棒性却无法满足更广泛的应用需求，尤其是对抗噪声的能力较差。伴随着机器学习方法的快速发展，对电磁场反演问题的研究也有了一些新的探索。机器学习被证明在解决上述两个问题上都有其独到的优点，而基于前向建模产生的数据集，可以很好地克服现有研究中存在的不足；例如，bermani等人采用支持向量机的方法，研究了二维物体位置和电磁性参数的反演。魏准等人则通过u-net结构研究了散射体与散射场之间对应的规律。在遥感领域，张清河等人利用svm与bp神经网路建立正向模式，对海面风速及土壤水分等特征参量进行了反演和重构。但电磁波逆散射的非线性求解会增加目前这些机器学习算法的复杂度，即目前在电磁波逆散射求解的速度上表现欠佳，并且可靠性也仍需进一步提升。

4、总的来讲，从数学的角度来看，电磁反演问题有不适定性和非线性两个特点。不适定性指的是当实际测量的维数比重建的参量维数更低时，不能保证各参数值的空间值都能够精确地预测。这种情况常见于实际问题中，如地质勘探和医学成像等领域。解决不适定性问题的方法包括增加观测数据量、引入先验信息和采用正则化技术，但这些方法往往需要根据具体问题进行相应的改变。另一方面，电磁反演问题通常涉及到非线性关系，因为物体与电磁波的相互作用往往是复杂而非线性的。这使得传统的线性求解方法不再适用，而需要借助于高级的数值优化和机器学习技术来解决。非线性性质导致了问题的复杂度增加，挑战了传统算法的处理能力，致使传统的非线性方法难以满足对电磁反演速度的要求。另外，传统算法多是针对平面电磁波的研究，对于涡旋电磁波的研究鲜有见闻。

技术实现思路

1、本发明的发明目的在于：针对上述存在的全部或部分问题，提供一种基于生成对抗网络的涡旋电磁波逆散射方法和系统，以针对电磁波逆散射反演的不适定性和非线性问题，快速、可靠地实现对涡旋电磁波逆散射的反演。

2、本发明采用的技术方案如下：

3、一种基于生成对抗网络的涡旋电磁波逆散射方法，其包括：

4、将散射目标的雷达散射截面输入到已训练的生成对抗网络，生成目标参数和/或涡旋电磁波参数；其中，

5、所述生成对抗网络包括生成器和判别器；

6、所述生成器被配置为：根据输入的雷达散射截面及随机噪声，生成目标参数和/或涡旋电磁波参数；

7、所述判别器被配置为：对输入的训练样本数据或所述生成器生成的目标参数和/或涡旋电磁波参数进行真伪判别，所述训练样本数据为样本雷达散射截面及对应的真实的目标参数和/或涡旋电磁波参数；

8、所述生成对抗网络的训练过程包括：

9、训练判别器：固定所述生成器的网络参数，以训练样本数据中的真实的目标参数和/或涡旋电磁波参数作为真实样本，以所述生成器在训练样本数据中的样本雷达散射截面为输入下生成的目标参数和/或涡旋电磁波参数作为虚假样本，将真实样本和虚假样本按照预定比例结合后，输入到所述判别器进行迭代训练直至达到训练结束条件；

10、训练生成器：固定所述判别器的网络参数，以所述生成器生成的目标参数和/或涡旋电磁波参数作为真实样本，输入到所述判别器中进行迭代训练直至达到训练结束条件。

11、进一步的，训练判别器时，真实样本和虚假样本的比例为1:1。

12、进一步的，所述训练样本数据中，通过测量给定目标得到目标参数，通过建模仿真给定涡旋电磁波参数的涡旋电磁波入射到该给定目标得到对应的雷达散射截面。

13、进一步的，所述生成对抗网络的训练过程中，使用随机梯度下降法更新网络参数。

14、进一步的，真实样本和虚假样本的标记通过对样本数据的标签进行二值化标记实现。

15、本发明还提供了一种基于生成对抗网络的涡旋电磁波逆散射系统，其包括数据输入模块、模型训练模块和模型预测模块，其中：

16、所述数据输入模块被配置为：接收散射目标的雷达散射截面，以及训练样本数据，所述训练样本数据为样本雷达散射截面及对应的真实的目标参数和/或涡旋电磁波参数；

17、所述模型训练模块被配置为：对配置的生成对抗网络进行训练，其中，所述生成对抗网络包括生成器和判别器；

18、所述生成器被配置为：根据输入的雷达散射截面及随机噪声，生成目标参数和/或涡旋电磁波参数；

19、所述判别器被配置为：对输入的训练样本数据或所述生成器生成的目标参数和/或涡旋电磁波参数进行真伪判别；

20、所述模型训练模块根据以下配置对生成对抗网络进行训练：

21、训练判别器：固定所述生成器的网络参数，以训练样本数据中的真实的目标参数和/或涡旋电磁波参数作为真实样本，以所述生成器在训练样本数据中的样本雷达散射截面为输入下生成的目标参数和/或涡旋电磁波参数作为虚假样本，将真实样本和虚假样本按照预定比例结合后，输入到所述判别器进行迭代训练直至达到训练结束条件；

22、训练生成器：固定所述判别器的网络参数，以所述生成器生成的目标参数和/或涡旋电磁波参数作为真实样本，输入到所述判别器中进行迭代训练直至达到训练结束条件；

23、所述模型预测模块被配置为：将所述数据输入模块接收的散射目标的雷达散射截面输入到所述模型训练模块训练好的生成对抗网络，预测出目标参数和/或涡旋电磁波参数。

24、进一步的，所述模型训练模块在训练判别器时，配置的真实样本和虚假样本的比例为1:1。

25、进一步的，所述训练样本数据中，通过测量给定目标得到目标参数，通过建模仿真给定涡旋电磁波参数的涡旋电磁波入射到该给定目标得到对应的雷达散射截面。

26、进一步的，所述模型训练模块在训练生成对抗网络的过程中，使用随机梯度下降法更新网络参数。

27、进一步的，所述模型训练模块通过对样本数据的标签进行二值化标记实现对真实样本和虚假样本的标记。

28、综上所述，由于采用了上述技术方案，本发明的有益效果是：

29、1、现有技术多是解决平面电磁波照射下的电磁反演问题，并不适用对涡旋电磁波电磁逆散射反演问题的求解。本发明填补了涡旋电磁波逆散射反演的空白，为将涡旋电磁波广泛地应用于雷达探测、识别等领域提供了基础。

30、2、相较于传统的电磁反演方法，本发明通过使用神经网络可以快速有效得对目标参数和/或涡旋电磁波参数(即波源信息)进行反演，避开了传统电磁反演方法中的迭代的复杂性问题，可以快速有效地建立目标的雷达散射截面(即散射特性)和目标参数、涡旋电磁波参数之间的联系，在更短的时间内实现了目标参数的反演，提高了反演的效率，降低了成本。

31、3、本发明通过使用生成对抗网络，可以在不直接依赖传统前向模型的情况，从测量数据中学习并重建出目标的特征，实现对未知目标的更为准确的预测，这种基于生成对抗网络的方法不仅提高了逆散射的求解效率，同时还能更好地保留数据中的细节信息，从而产生更加可靠的重建结果。