基于无相位数据的障碍物反散射问题研究

【摘要】：反散射问题在雷达、无损探伤、医学成像等众多科学领域都有着广泛的应用.实际测量中往往只能测得远场数据或散射场数据的强度信息(即无相位数据).由于无相位数据具有平移不变性,在全孔径内测得的无相位数据反演障碍物的位置较为困难.若只能在有限孔径内获得障碍物的无相位数据,则获取到的障碍物信息大量缺失,进一步增加了反演障碍物的位置的困难.因此,本文主要关注的是应用全孔径和有限孔径的无相位远场数据反演障碍物的位置及形状的问题.针对全孔径和有限孔径产生的无相位远场数据反演障碍物位置及形状的声波散射问题,构建了两层序列对序列的神经网络模型.首先,应用随机森林方法对正问题产生的无相位远场数据进行预处理;其次,以无相位远场数据与障碍物边界曲线方程参数作为输入和输出序列,通过长短时记忆神经网络控制门思想与长期记忆功能,有选择性地更新网络状态保存数据特征,应用梯度下降算法更新模型权重和偏置,克服了没有相位信息的远场数据反演障碍物位置及形状的困难.为了简化模型复杂度,提高模型训练速度,以门控循环单元神经网络来代替序列对序列神经网络编码端与解码端的长短时记忆神经网络,提出了门控循环单元对门控循环单元神经网络.将预处理过的无相位远场数据与障碍物边界曲线方程的傅里叶截断系数作为网络的输入输出,应用梯度下降算法训练网络.解决了全孔径及有限孔径产生的无相位远场数据反演障碍物位置及形状的问题.上述两种神经网络中的激活函数若满足一致有界的条件,则可证明其是收敛的.数值实验过程中,序列对序列神经网络收敛速度快,重构效果好,且对于加有噪声的数据集,只要噪声控制在一定的范围内,障碍物的重构效果相对于真实障碍物偏差较小.门控循环单元对门控循环单元神经网络相较于序列对序列神经网络,模型较简单,训练时间相对减少,收敛速度较快.实验结果说明了所提出的两种神经网络都能很好的重构障碍物的位置及形状.