一种提高装备电磁特性测量精度的方法及装置

1.本发明涉及探测技术领域，尤其涉及一种提高装备电磁特性测量精度的方法及装置。


背景技术：

2.电磁散射和逆散射是电磁隐形装备设计、目标电磁成像识别等前沿技术的核心问题，其数学模型的强耦合性、强非线性、多尺度、强病态，及信号采集时噪声干扰、非合作目标关键技术指标的情报空白等问题所带来的复杂性，一直制约着高效数值算法和模拟工具的发展。电磁散射问题方面，传统低频数值方法求解效率低，不适用于电大尺寸模拟；高频近似方法计算快，便于求解电大尺寸问题，却存在精度差、仅适合简单结构目标；电磁逆散射方面，现有的算法存在算法精度低、求解慢、成像模糊、不适用于高对比度目标等局限性。
3.申请人发现现有技术中至少存在如下问题：电磁正逆散射求解的效率和精度不高。


技术实现要素：

4.本发明实施例所解决的技术问题是如何提高电磁正逆散射求解的效率和精度的问题。
5.为达上述目的，一方面，本发明实施例提供了一种提高装备电磁特性测量精度的方法，包括以下步骤：
6.基于电磁方程的深度学习求解模型，结合神经网络建立maxwell方程的神经网络模型，具体包括：
7.接收发射源数据和所述电磁方程的深度学习求解模型所求的空间电磁特性分布值；
8.将所述发射源数据和所述空间电磁特性分布值输入到神经网络中；
9.利用神经网络对所述发射源数据和所述空间电磁特性分布值进行结合，建立maxwell 方程的神经网络模型；
10.利用所述maxwell方程的神经网络模型对装备空间的电磁特性分布进行求解；
11.通过所述maxwell方程的神经网络模型对所述解进行修正。
12.另一方面，本发明实施例提供了一种提高装备电磁特性测量精度的装置，包括：
13.融合单元，基于电磁方程的深度学习求解模型，用于结合神经网络建立maxwell方程的神经网络模型，具体包括：
14.接收模块，用于接收发射源数据和所述电磁方程的深度学习求解模型所求的空间电磁特性分布值；
15.输入模块，用于将所述发射源数据和所述空间电磁特性分布值输入到神经网络中；
16.构建模块，用于利用神经网络对所述发射源数据和所述空间电磁特性分布值进行
结合，建立maxwell方程的神经网络模型；
17.计算单元，用于利用所述maxwell方程的神经网络模型对装备空间的电磁特性分布进行求解；
18.修正单元，用于通过所述maxwell方程的神经网络模型对所述解进行修正。
19.上述技术方案具有如下有益效果：本发明采用优化的图神经网络构造格林函数图卷积层，将不同收发站的坐标、位移、信号相干关系、极化方式等高维先验信息纳入图神经网络的输入，特别是引入真实实验数据和极端条件的数值模拟数据作为输入，针对强干扰环境、移动载具收波、隐身目标探测、非合作目标的姿态识别，实现端到端(end-to-end) 的学习，训练模型稳健和可靠的求解能力。与当前主流电磁散射和逆散射数值方法相比，效率提升20％以上，数值模拟数据与实验结果基本吻合；实现对探测目标结构超分辨重建，逆散射成像分辨率整体优于主流方法。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1是本发明实施例提供的一种提高装备电磁特性测量精度的方法的流程图；
22.图2是本发明实施例提供的一种提高装备电磁特性测量精度的装置的结构示意图；
23.图3是本发明实施例提供的一种提高装备电磁特性测量精度的方法的第一种实施方式流程图。图4是本发明实施例提供的一种提高装备电磁特性测量精度的方法的第二种实施方式流程图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.本发明提供了一种提高装备电磁特性测量精度的方法，如图1所示，包括以下步骤：
26.s101：基于电磁方程的深度学习求解模型，结合神经网络建立maxwell方程的神经网络模型，具体包括：
27.接收发射源数据和所述电磁方程的深度学习求解模型所求的空间电磁特性分布值；
28.将所述发射源数据和所述空间电磁特性分布值输入到神经网络中；
29.利用神经网络对所述发射源数据和所述空间电磁特性分布值进行结合，建立maxwell 方程的神经网络模型；
30.s102：利用所述maxwell方程的神经网络模型对装备空间的电磁特性分布进行求解；
31.s103：通过所述maxwell方程的神经网络模型对所述解进行修正。
32.神经网络包括：残差神经网络、densenet和物理信息神经网络。
33.依据电磁问题的物理背景，结合残差神经网络、densenet、物理信息神经网络，构造 maxwell方程的理论简化模型，实现电磁方程的快速数值求解。重点训练模型在电大尺度规模、复杂和含噪电磁环境、不均匀介质、具有复杂散射结构和外形的散射目标等情形下的泛化能力。引入辛网络层和保哈密顿量网络层，突破数值解缺乏物理背景的难点，使数值解具备重要的物理性质或数学结构性质，提高数值解的质量。
34.利用神经网络对所述发射源数据和所述空间电磁特性分布值进行结合，结合后建立 maxwell方程的神经网络模型，具体包括：
35.构建格林函数卷积神经层；舍弃传统方法中依据经验假设选取的格林函数，构建格林函数卷积神经层，从复杂信道的数据中，自适应地学习和修正格林函数，数据驱动转化和吸收目标电磁特性的谱信息，实现超分辨机理。
36.构建电磁非线性相互作用神经网络模块；对复杂外形和电磁结构的目标进行非线性拟合，通过模型与真实目标之间误差的反向传播，将倏逝波信息转化到传输波内。有效地包含散射体内部、相邻目标之间的电磁相互作用，在算法中融入倏逝波信息，提升模型的超分辨能力。针对多基地雷达、移动雷达网的复杂情形，采用优化的图神经网络构造格林函数图卷积层，将不同收发站的坐标、位移、信号相干关系、极化方式等高维先验信息纳入图神经网络的输入；
37.利用所述格林函数卷积神经层和所述电磁非线性相互作用神经网络模块训练maxwell 方程的人工神经网络表达。具体结构如图4所示，正交多项式变换含chebyshev多项式、 legendre多项式、laguerre多项式、hermite多项式、jacobi多项式等正交多项式的快速变换，及上述多项式的紧致形式。利用拟线性快速变换，将空域信息在多项式频域上分解，具有谱精度，且具有计算可并行性。保结构拟谱对角核由仿真数据、实测采集等数据集训练得来，包含相应测量技术和数据的信息与知识产权；且根据相应电磁问题背景，采用多对角、厄密特、正交矩阵等不同的稀疏信息储存和处理方案，计算空间与时间复杂度仅线性复杂度。
38.正交多项式逆变换即第一项的反变换，经保结构谱神经网络算子处理并激活后的信号，与入射信号进行耦合，包括但不限于叠加、频道堆叠、利用残差神经网络跳步、随机舍去等，最终产生输出信号传递至下一层网络层。
39.构建电磁非线性相互作用神经网络模块，具体包括：
40.对目标装备进行非线性拟合，通过模型与真实目标装备之间误差的反向传播，将倏逝波信息转化到传输波内。
41.通过所述maxwell方程的神经网络模型对所述解进行修正，具体包括：
42.通过引入真实电磁特性分布数据来修正所述解。引入真实实验数据和极端条件的数值模拟数据作为输入，针对强干扰环境、移动载具收波、隐身目标探测、非合作目标的姿态识别，实现端到端(end-to-end)的学习，训练模型稳健和可靠的求解能力。
43.本发明还提供了一种提高装备电磁特性测量精度的装置，如图2所示，包括：
44.融合单元21，基于电磁方程的深度学习求解模型，用于结合神经网络建立maxwell 方程的神经网络模型，具体包括：
45.接收模块，用于接收发射源数据和所述电磁方程的深度学习求解模型所求的空间电磁特性分布值；
46.输入模块，用于将所述发射源数据和所述空间电磁特性分布值输入到神经网络中；
47.构建模块，用于利用神经网络对所述发射源数据和所述空间电磁特性分布值进行结合，建立maxwell方程的神经网络模型；
48.计算单元22，用于利用所述maxwell方程的神经网络模型对装备空间的电磁特性分布进行求解；
49.修正单元23，用于通过所述maxwell方程的神经网络模型对所述解进行修正。
50.所述神经网络包括：残差神经网络、densenet和物理信息神经网络。
51.所述构建模块，具体包括：
52.用于构建格林函数卷积神经层；
53.用于构建电磁非线性相互作用神经网络模块；
54.用于利用所述格林函数卷积神经层和所述电磁非线性相互作用神经网络模块训练 maxwell方程的人工神经网络表达。
55.所述用于构建电磁非线性相互作用神经网络模块，具体包括：
56.用于对目标装备进行非线性拟合，通过模型与真实目标装备之间误差的反向传播，将倏逝波信息转化到传输波内。
57.所述修正单元，具体包括：
58.修正模块，用于通过引入真实电磁特性分布数据来修正所述解。
59.该实施例提供的一种提高装备电磁特性测量精度的装置的工作方法与原理已在实施例一种提高装备电磁特性测量精度的方法中详述，故在此不再赘述。
60.本发明采用优化的图神经网络构造格林函数图卷积层，将不同收发站的坐标、位移、信号相干关系、极化方式等高维先验信息纳入图神经网络的输入，特别是引入真实实验数据和极端条件的数值模拟数据作为输入，针对强干扰环境、移动载具收波、隐身目标探测、非合作目标的姿态识别，实现端到端(end-to-end)的学习，训练模型稳健和可靠的求解能力。与当前主流电磁散射和逆散射数值方法相比，效率提升20％以上，数值模拟数据与实验结果基本吻合；实现对探测目标结构超分辨重建，逆散射成像分辨率整体优于主流方法。下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明，实施过程中没有介绍到的技术细节，可以参考前文的相关描述。
61.实施例1：
62.本发明提供了一种提高装备电磁特性测量精度的方法(一种电磁正逆散射计算方法)，如图1所示，针对maxwell方程及其逆问题在电大尺度、复杂散射目标和电磁环境应用中的瓶颈难题，采用理论分析、算法设计和数值模拟相结合的手段，综合人工神经网络和保结构算法理论，开展maxwell方程及其逆问题的高效、高精度融合求解算法及其应用研究，以提高计算精度、效率和数值解的质量。
63.受制造工艺精度、装备使用损耗和保存条件等因素影响，装备生命周期中电磁特
性存在不确定性，制约了装备的长期可靠性。武器装备体系收集的数据量极大、信噪比低、数据存在缺失，装备生命周期电磁特性保持的影响因素多、基于物理学和统计学的数学模型不完善，是这一领域的研究的主要困难。应用正逆散射融合模型和统计分析工具，有望解决这些技术难题。基于正逆散射的物理背景和统计学原理，搭建兼容仿真、靶试、演习等多种实验数据的综合分析平台，实现装备生命周期电磁特性管理的不确定度评估，对建设现代化装备管理体系具有重要意义。
64.实施例2：
65.一种提高装备电磁特性测量精度的方法(一种电磁正逆散射计算方法)，如图3所示， maxwell方程的深度神经网络表征。在传统的计算电磁方法中，低频数值方法一般需要画网格，对于需要满足远场条件的雷达问题消耗的计算资源很大，不适用于实时成像和大尺度模拟的要求，另外一般需要假设吸收边界条件等假设条件；高频近似方法则存在精度差、不能保持系统守恒量、不适用于不规则目标、多次散射情形的问题。使用深度学习方法建立微分方程的理论简化模型，一般可以归结为以下约束优化问题：
[0066][0067]
其中u代表训练得到的深度神经网络，x,f,g分别代表已知的目标电磁散射特性及电磁散射背景、实验测量样本或数值模拟结果组成的训练集、电磁方程引入的先验物理知识，表示模型中人工选取的损失函数。受样本规模和计算资源不可能无限等原因，实际计算中多通过求解以下问题对上述理想模型进行逼近：
[0068][0069]
具体实施时，一般采用前馈神经网络和误差反向传播进行模型训练。项目采用发射源入射数据和待求解空间的电磁特性分布为输入，利用数据驱动、主动学习或非监督学习等手段，及小批量(mini-batch)、批量归一化、梯度修正估计等技巧，训练maxwell方程的人工神经网络表达，利用网络正则化等方法减少网络所需的参数，争取在接近于高频近似方法的求解时间内模拟复杂电磁环境的电大尺度问题，并达到低频数值格式的计算精度。
[0070]
结合保结构的算法设计理念，设计保持maxwell方程数值解的能量、辛与多辛结构的深度学习方法。以辛积分子或能量守恒积分子等传统保结构算法积分偏导数，通过误差估计作为哈密尔顿神经网络的超参数，引入修正方程，构造可以保持哈密尔顿量的人工神经网络算法。其理论框架如图3所示。
[0071]
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
[0072]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书
特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0073]
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
[0074]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
[0075]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrativecomponents)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0076]
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0077]
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom 存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0078]
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但
不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
[0079]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。