1.一种基于深度卷积神经网络的近场超表面天线快速计算成像方法,其特征在于:该方法包括下列顺序的步骤:(1)对超表面天线近场成像的数学原理进行建模,超材料孔径天线的探针接收待探测场景目标散射的回波测量值,通过构建测量矩阵来反映回波测量值与场景目标散射系数分布之间的映射关系;
(2)基于卷积神经网络构建近场MSACI-Net成像网络,整个近场MSACI-Net成像网络由全连接层、卷积层构成,接收天线收集的测量值和MF方法估计结果共同构成MSACI-Net网络的训练数据集和测试集,训练近场MSACI-Net成像网络,重构接收矩阵;
(3)根据近场MSACI-Net成像网络设计网络训练算法,使用均方误差计算网络预测值与真实值之间的损失,通过设置迭代次数、指数衰减率、学习率的超参数,利用Adam优化算法,使近场MSACI-Net成像网络的损失最小;
(4)利用实测场数据训练近场MSACI-Net成像网络,训练完成后实时高精度地重建高质量的原始目标信息;
所述步骤(1)具体包括以下步骤:
(1a)超材料孔径天线的探针接收到的回波测量值g包含了近场场景目标的所有散射信息,在一阶Born近似散射模型下,通过构建测量矩阵H来描述回波测量值g与场景目标散射系数σ之间的映射关系;在重构测量矩阵时,需要计算场景中不同距离切片处,每个距离切片所包含的俯仰与方位的场景分辨单元所引入的线性相位项,然后将其排列组合,形成总的测量矩阵;
(1b)测量矩阵H的定义为:
式(1)中,表示指向自由空间矢量,表示场景中处的辐射场大小,表示探针在场景空间处的辐射场大小;H的物理含义是发射天线U0TX和接收天线U0RX孔径在目标所处位置处,二者辐射场大小的乘积,其形式为:式(1)中的积分方程写成离散矩阵测量方程的形式:
即超表面天线近场成像数学模型为:
g=Hσ+n (4)
式(4)中,为探针接收的回波测量值,M为超材料孔径天线有效辐射方向图个数,为待分辨的场景目标散射系数,N为场景离散单元个数,为测量噪声项,定义为测量矩阵或者测量模式;
所述步骤(2)具体包括以下步骤:
(2a)基于超表面天线近场成像数学模型g=Hσ+n,利用多层全连接层和卷积层构成超表面天线计算成像系统,在已有的超表面天线场景目标回波测量值g的基础上,通过传统MF方法得到近似的场景目标估计结果构成近场MSACI-Net成像网络的训练数据集;
(2b)近场MSACI-Net成像网络由全连接层和卷积层构成,其中全连接层为三层,卷积层为四层,每层全连接层包含N个神经元,当输入回波测量值g时,通过三层全连接层后得到σ的估计值经过reshape操作,的形状由N×1变成kx×ky,其中kx和ky表示水平和垂直近场扫描点,所有全连接层生成的特征图的大小与要成像的体素数量一致;
(2c)全连接层后面紧跟着四层卷积层,第一层卷积层和第三层卷积层使用卷积核来减少网络参数,第二层卷积层和最后一层卷积层使用卷积核生成特征映射作为网络的输出;四层卷积层的每一层都执行ReLu零填充操作,使得成像系统保持与特征图的大小一致;
(2d)经过四层卷积层的操作后,最终得到重建后的目标图像,完成整个图像的重建操作;
所述步骤(3)具体包括以下步骤:
(3a)包含N个训练样本的训练数据集表示成{(σ1,g1),(σ2,g2),...,(σN,gN)},根据训练数据集求使得误差最小的H,记作Hf:式(5)中,σ=[σ1,σ2,...,σN],是整个近场的原始场景目标数据,是接收的回波测量值经过反演得到的重构场景目标,即在g=[g1,g2,...,gN]、n和H已知的前提下,根据超表面天线近场成像数学模型为g=Hσ+n计算得到的;其中,为探针接收的回波测量值,M为超材料孔径天线有效辐射方向图个数,为待分辨的场景目标散射系数,为测量噪声项,定义为测量矩阵或者测量模式;
(3b)设置近场MSACI-Net成像网络的基本参数,包括随机初始化测量矩阵H,带参数的随机目标函数f(·),最大迭代次数T,矩估计的指数衰减率ρ1=0.9,ρ2=0.999,数值稳定常数ε=10-8,梯度优化算法的学习率δ=10-3;
(3c)使用均方误差函数MSE计算网络预测值与真实值之间的损失L(H),即:
式中,σi∈σ,表示近场中一个目标的成像数据,表示通过超表面天线近场成像数学模型计算的一个近场目标的成像数据;
(3d)使用Adam优化算法对网络进行训练,计算测量矩阵H的梯度卷积层的权重系数在前向传播和后向传播期间更新,更新一阶矩向量和二阶矩向量最后更新目标函数参数直到训练周期结束,此时系统的损失函数趋于收敛。
2.根据权利要求1所述的基于深度卷积神经网络的近场超表面天线快速计算成像方法,其特征在于:所述步骤(4)具体包括以下步骤:(4a)准备训练数据集(gtr,σtr)和测试集gt,设置训练近场MSACI-Net成像网络的最大迭代次数T,随机初始化近场MSACI-Net成像网络每一层的权重参数W;
(4b)在训练的每一轮迭代中,从训练数据集中随机批量抽取gtr和σtr分别作为近场MSACI-Net成像网络的输入和输出;利用MSE函数作为近场MSACI-Net成像网络的损失函数,训练近场MSACI-Net成像网络中每一层的权重参数W;
(4c)经过T轮循环迭代,近场MSACI-Net成像网络的损失值趋于极小值,近场MSACI-Net成像网络训练完成,保存训练完成的近场MSACI-Net成像网络;
(4d)训练完成后的近场MSACI-Net成像网络用于对目标进行高精度成像,将测试集gt输入训练完成的近场MSACI-Net成像网络,得到重构目标σt,实时高精度地重建高质量的原始目标信息。