一种基于深度学习的目标电磁散射特性快速预测方法

本发明涉及计算电磁学，特别是涉及一种基于深度学习的目标电磁散射特性快速预测方法。
背景技术：
：随着智能技术、自组网技术的快速发展，集群化、智能化的协同体系已成为电子信息系统工作的必然趋势。对于探测类电子设备，通过发射电磁波对目标进行照射，并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位、高度等信息。目标的散射回波是探测类电子设备工作的基础，对于大尺度的复杂目标，传统的数值方法计算量大，求解速度较慢，对于高速运动的目标，其角度、姿态等都在不断变化，目标的电磁散射特性也在随之变化，单纯采用传统数值方法逐帧计算的方式无法满足目标rcs快速预测的需求，因此对高动态目标电磁散射特性的快速预测，日益成为影响电子设备性能正常发挥的重要因素。技术实现要素：本发明的目的在于克服现有技术的不足，提供一种基于深度学习的目标电磁散射特性快速预测方法，有效解决了现有方法计算量大、求解效率低等难题，满足高动态目标电磁散射特性快速预测的需求。本发明的目的是通过以下技术方案来实现的：一种基于深度学习的目标电磁散射特性快速预测方法，包括以下步骤：s1：建立目标电磁仿真模型；s2：确定影响目标电磁散射特性的因素；s3：在影响因素取不同值的条件下对目标模型进行仿真得其远场rcs，建立训练集和测试集；s4：利用bp神经网络算法构建bp神经网络模型；s5：利用训练集对bp神经网络模型训练；s6：利用测试集对训练得到的bp神经网络模型进行测试，若测试达标，则进入步骤s7,若测试不达标，则返回步骤s4；s7：利用测试达标的bp神经网络模型进行电磁散射特性的快速预测。本发明的有益效果是：本发明通过引入深度学习，提出一种“提前生成，现场调用”的基于先验知识的快速预测思路，可以有效解决现有方法计算量大、求解效率低等难题，满足高动态目标电磁散射特性快速预测的需求。附图说明图1为本发明的方法流程图；图2为影响目标电磁散射特性的因素示意图；图3为实施例中bp神经网络的拓扑结构示意图；图4为实施例中单个三棱锥的电磁仿真模型示意图；图5为实施例中两个三棱锥的电磁仿真模型示意图；图6为实施例中θ＝105.77°，mae＝0.6103时预测rcs与真实rcs随变化的曲线示意图；图7为实施例中θ＝115.33°，mae＝0.7727时预测rcs与真实rcs随变化的曲线示意图；图8为实施例中θ＝140.03°，mae＝0.6569时预测rcs与真实rcs随变化的曲线示意图；图9为实施例中θ＝167.77°，mae＝0.3338时预测rcs与真实rcs随变化的曲线示意图。具体实施方式下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。本发明通过分析，目标场景的整体电磁散射特性与构成要素(即各子目标结构)及目标间相对位置存在某种可预测的关系。为满足高动态目标电磁散射快速预测需求，针对传统数值方法无法满足短时间内预测高动态目标电磁散射特性的问题，同时考虑到电磁散射特性数据维度高、变量多、变化范围大的特点，通过引入深度学习的方法，提出一种“提前生成，现场调用”的基于先验知识的快速预测思路，以高质量的数值仿真数据样本为基数，同构最优化算法拟合出能反映数据变化规律的模型，能够一定程度上保持传统数值方法的仿真精度，又能够满足快速预测的需求，在实际应用中，受益于所得模型的泛化性，无需进行现场仿真计算，将需求直接带入模型快速得到符合精度要求的预测结果，具体地：如图1所示，一种基于深度学习的目标电磁散射特性快速预测方法，其特征在于：包括以下步骤：s1：建立目标电磁仿真模型；s2：确定影响目标电磁散射特性的因素；s3：在影响因素取不同值的条件下对目标模型进行仿真得其远场rcs，建立训练集和测试集；s4：利用bp神经网络算法构建bp神经网络模型；s5：利用训练集对bp神经网络模型训练；s6：利用测试集对训练得到的bp神经网络模型进行测试，若测试达标，则进入步骤s7,若测试不达标，则返回步骤s4；s7：利用测试达标的bp神经网络模型进行电磁散射特性的快速预测。进一步地，所述步骤s1中，目标电磁仿真模型是指能够用于电磁仿真计算的模型，包括在仿真软件中设置的目标几何结构、结构材料、仿真频率、边界条件、激励方式和网格剖分方式。所述网格剖分方式是指在仿真过程中，将目标几何结构剖分为网格单元的方式，由于目标的几何结构在仿真软件中不能直接进行仿真分析；网格剖分时主要考虑剖分得到网格单元的形状和尺寸；所谓的网格剖分方式，就是基于仿真软件对目标几何结构的仿真需求，采用四面体、六面体甚至八面体等作为网格单元，把目标几何结构分成很多小的适用于电磁仿真计算的单元；如图2所示，所述步骤s2中，影响目标电磁散射特性的因素包括：影响单目标电磁散射特性的因素和影响群目标电磁散射特性的因素，其中：影响单目标电磁散射特性的因素包括：材料特性、工作频率、入射波的方位角和入射波的俯仰角；影响群目标电磁散射特性的因素包括：材料特性、工作频率、入射波的方位角、入射波的俯仰角、群目标之间的距离，以及群目标之间的相对位置。所述步骤s3包括以下子步骤：s301.构建单目标电磁散射特性下的训练集和测试集：对于单目标的电磁散射特性，考虑入射波的方位角和入射波的俯仰角θ因素，在取值范围为采样间隔为θ取值范围为θ1～θ2，采样间隔为δθ1的条件下，利用仿真软件仿真，得到单目标的远场单站rcs值σ1(单位为m2)，进行转化得到rcs转化值σ′1＝10lgσ1(单位为dbsm)，和θ不同取值及其对应的rcs转化值σ′1构成了单目标训练集；考虑入射波的方位角和入射波的俯仰角θ因素，在取值范围为采样间隔为θ取值范围为θ3～θ4，θ可在范围内随机取值或等间隔δθ2采样的条件下利用仿真软件仿真，得到单目标的远场单站rcs值σ2(单位为m2)，进行转化得到rcs转化值σ′2＝10lgσ2(单位为dbsm)，和θ不同取值及其对应的rcs转化值σ′2构成了单目标测试集；s302.构建群目标电磁散射特性下的训练集和测试集：对于群目标的电磁散射特性，考虑目标之间的距离r、入射波的方位角和入射波的俯仰角θ因素，在r取值范围为r1～r2，采样间隔为δr1，取值范围为采样间隔为θ取值范围为θ1′～θ2′，θ的采样间隔为δθ1′的条件下利用仿真软件仿真，得到群目标的远场单站rcs值σ3(单位为m2)，进行转化得到σ′3＝10lgσ3(单位为dbsm)，r、和θ不同取值及对应条件下的rcs转化值σ′3构成了群目标训练集；考虑目标之间的距离r、入射波的方位角和入射波的俯仰角θ因素，在r取值范围为r3～r4，采样间隔为δr2，取值范围为采样间隔为θ取值范围为θ3′～θ4′，θ可在范围内随机取值或等间隔δθ2′的条件下利用仿真软件仿真，得到群目标的远场单站rcs值σ4(单位为m2)，进行转化得到σ′4＝10lgσ4(单位为dbsm)，r、和θ不同取值及对应条件下的rcs转化值σ′4构成了群目标测试集。在上述过程中，r、和θ的各个取值范围与采样间隔均为根据实际应用需求自行进行选取和设置的参数，r的单位为m，和θ的单位为度；例如可以是0-360°，θ1～θ2可以是90-180°，和δθ1可以是2°，r1～r2可以是3-38m，δr1可以是1.5m；其中的范围要在的范围之内，θ3～θ4的范围要在θ1～θ2的范围之内，r3～r4的范围要在r1～r2的范围之内，的范围要在的范围之内，θ3′～θ4′的范围要在θ1′～θ2′的范围之内；与δθ2与δθ1、与δθ2′与δθ1′、δr2与δr1二者之间均可以相同，也可以不同。所述步骤s5包括：s501.训练单目标神经网络模型：将单目标训练集中的和θ作为特征向量输入到构建的bp神经网络模型中，通过前向传播算法得到神经网络模型的预测值，再与单目标训练集中的rcs转化值进行损失值(loss)计算，然后通过反向传播来更新网络权重，之后再循环进行前向和反向传播过程，直至损失值达到预期效果，即利用单目标训练集完成对所建神经网络模型的训练，得到单目标神经网络模型；其中损失值通过均方误差或平均绝对误差进行计算；在本申请的实施例中，由于单目标训练集中具有多组和θ，每一组和θ作为一个样本，在单目标训练集中，每一个样本均有一个对应的rcs转化值(真实值)，这些真实值形成一个真实向量，将各个样本形成的特征向量输入神经网络模型后，模型输出的预测向量中会包含与每一个样本对应的预测值；将预测向量包含的预测值与真实向量包含的真实值进行比较，即可得到损失值；s502.训练群目标神经网络模型：将群目标训练集中的r、和θ作为特征向量输入到bp神经网络模型中，通过前向传播算法得到神经网络模型的预测值，再与群目标训练集中的rcs转化值进行损失值(loss)计算，然后通过反向传播来更新网络权重，之后再循环进行的前向和反向传播过程，直至损失值达到预期效果，即利用群目标训练集完成对所建神经网络模型的训练，得到群目标神经网络模型；其中损失值通过均方误差或平均绝对误差进行计算。在本申请的实施例中，由于群目标训练集中具有多组r、和θ，每一组r、和θ作为一个样本，在群目标训练集中，每一个样本均有一个对应的rcs转化值(真实值)，这些真实值形成一个真实向量，将各个样本形成的特征向量输入神经网络模型后，模型输出的预测向量中会包含与每一个样本对应的预测值；将预测向量包含的预测值与真实向量包含的真实值进行比较，即可得到损失值；步骤s501～s502中，若损失值低于设定阈值，则认为达到了预期效果，其中设定阈值可以根据具体需求进行自定义设置；所述步骤s6包括：s601.将单目标测试集中的和θ值作为特征向量输入到步骤s5中训练得到的单目标神经网络模型中，通过前向传播算法得到单目标神经网络模型的预测值，将预测值与期望输出值即单目标测试集中的rcs转化值进行对比分析，根据预测精度判断单目标神经网络模型是否测试达标；如果测试达标，则进入步骤s7，如果测试不达标，则返回步骤s4；其中测试单目标神经网络模型是否达标的判断方式如下：若单目标神经网络模型的预测值与单目标测试集中rcs转换值的误差小于达标阈值，则测试达标，若单目标神经网络模型的预测值与单目标测试集中的rcs转换值的误差不小于达标阈值，则测试不达标；所述误差包括均方误差或平均绝对误差；达标阈值可以根据具体需求进行自定义设置；在本申请的实施例中，由于单目标测试集中具有多组和θ，每一组和θ作为一个样本，在单目标测试集中，每一个样本均有一个对应的rcs转化值(真实值)，这些真实值形成一个真实向量，将各个样本形成的特征向量输入训练得到的单神经网络模型后，模型输出的预测向量中会包含与每一个样本对应的预测值；将预测向量包含的预测值与真实向量包含的真实值进行比较即可得到误差；s602.将群目标测试集中的r、和θ值作为特征向量输入到步骤s5中训练得到的群目标神经网络模型中，通过前向传播算法得到群目标神经网络模型的预测值，将预测值与期望输出值即群目标测试集中的rcs转化值进行对比分析，根据预测精度判断群目标神经网络模型是否测试达标；如果测试达标，则进入步骤s7，如果测试不达标，则返回步骤s4；其中测试群目标神经网络模型是否达标的判断方式如下：若群目标神经网络模型的预测值与群目标测试集中rcs转换值的误差小于达标阈值，则测试达标，若群目标神经网络模型的预测值与群目标测试集中的rcs转换值的误差不小于达标阈值，则测试不达标；所述误差包括均方误差或平均绝对误差；其中，达标阈值可以根据具体需求进行自定义设置。所述步骤s7包括以下子步骤s701.根据预测需求，判断需要预测单目标电磁散射特性还是群目标电磁散射特性；若需要预测单目标电磁散射特性，进入步骤s702；若需要预测群目标电磁散射特性，进入步骤s703；s702.获取入射波的方位角和入射波的俯仰角θ，输入测试达标的单目标神经网络模型，由单目标神经网络模型输出预测结果；s703.获取目标之间的距离r、入射波的方位角和入射波的俯仰角θ，输入群目标神经网络模型，由群目标神经网络预测模型输出预测结果。在本申请的实施例中，由于群目标测试集中具有多组r、和θ，每一组r、和θ作为一个样本，在群目标测试集中，每一个样本均有一个对应的rcs转化值(真实值)，这些真实值形成一个真实向量，将各个样本形成的特征向量输入训练得到的群目标神经网络模型后，模型输出的预测向量中会包含与每一个样本对应的预测值；将预测向量包含预测值与真实向量包含的真实值进行比较即可得到误差值；如图3所示，在本申请的实施例中，采用的bp神经网络模型由一个输入层、一个输出层和多个隐藏层构成。将影响rcs的因素作为特征向量[x1,x2,…,xm]输入至神经网络模型，模型利用激活函数f1,f2,fm,…,fn实现rcs影响因素及其值之间的非线性映射关系，通过信息正向传播和误差反向传播的过程不断调节网络的权值和阈值，使网络预测的rcs输出值y与真实的rcs值尽可能接近，完成对模型的训练。在本申请的实施例中，利用仿真软件feko建立单个及两个三棱锥的电磁仿真模型，仿真模型如下图4和下图5所示，其中单个三棱锥的尺寸为3.9m×2.7m×1.2m，材料设置为全金属，两个三棱锥并排放置，间距可调。本实施例分别以单个三棱锥和两个三棱锥为例，进行所提方法的可行性验证。单个三棱锥方法验证：在入射波频率为500mhz，入射角θ为90°-180°，为0°-360°且取值间隔均为2°的条件下，仿真得到单个棱锥的远场单站rcs值。之后我们建立了包含七个隐藏层，隐藏层神经元数为64的bp神经网络，利用仿真数据进行训练。然后将模型在入射角θ为93.33°，105.77°，115.33°，123.33°，140.03°，153.33°，167.77°，为1.33°-359.33°且取值间隔为2°的条件下进行仿真，建立测试集以评估模型的预测能力及其泛化性。我们选择了三种评价指标，其定义如下：决定系数r2(r-square)均方误差mse(meansquarederror)平均绝对误差mae(meanabsoluteerror)其中，yi为第i个样本的真实值，yi为第i个样本的预测值，为真实值的平均值。决定系数r2是通过数据的变化来表征一个拟合的好坏，由上面的表达式可知决定系数的正常取值范围为[0，1]，越接近1，表明模型对数据拟合的越好。均方误差mse和平均绝对误差mae表明了真实值和预测值之间的差距，越接近0，模型对数据拟合的越好。测试集整体的r2、mse和mae值如下表所示：r2msemae预测时间0.97781.34380.7000＜0.6s测试集中在某一固定θ角下，预测rcs与真实rcs随变化的曲线如下图6～9所示。从图6～9可以看出，预测rcs与真实rcs的值相差不大，能够很好地拟合真实rcs随变化的趋势。两个三棱锥方法验证：在考虑距离和角度因素的情况下，在两个三棱锥之间的距离分别取3，4.5，6，7.5，……，39m，入射波频率为1ghz，θ为90°-180°，为0°-360°且取值间隔均为2°的条件下进行仿真，建立两个三棱锥模型的训练集。之后我们在r＝3m，5.5m，8m，10.5m，…，38m，θ为95.5°，108.2°，121.3°，134.6°，147.4°，159.1°，173.7°，为0°，2°，4°，…，360°的条件下仿真，建立测试集，并构建了包含15个隐藏层的bp神经网络，神经网络模型训练完成后对不同条件下多目标的rcs值进行预测。其中不同距离条件下，两个三棱锥模型的预测rcs的mae及预测时间如下表所示，mae不超过6db，预测时间优于0.6s，验证了方法可行性。预测结果评价如下表所示：r(m)35.5810.51315.518mae(db)5.16095.43145.46625.61685.80395.46775.7825预测时间(s)0.51950.58080.54430.55310.54950.54990.5536r(m)20.52325.52830.53335.5mae(db)5.85645.24805.38255.98635.49705.84315.3439预测时间(s)0.53950.55330.53600.55840.54410.51910.5149上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。当前第1页12