機器學習方法在電磁逆散射問題中的應(yīng)用研究

目錄
第1章 緒論 1
1.1 研究背景和意義 1
1.1.1 問題描述 1
1.1.2 應(yīng)用背景 1
1.2 電磁場逆問題分類 2
1.3 逆散射中的數(shù)學問題 2
1.4 研究方法 3
1.5 研究進展和現(xiàn)狀 7
1.6 本書的目的、內(nèi)容和結(jié)構(gòu)安排 10
參考文獻 11
第2章 機器學習方法 17
2.1 機器學習方法概述 17
2.2 人工神經(jīng)網(wǎng)絡(luò) 18
2.2.1 神經(jīng)元模型 19
2.2.2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 21
2.2.3 神經(jīng)網(wǎng)絡(luò)的學習 22
2.2.4 BP網(wǎng)絡(luò)及其學習算法 22
2.2.5 基于L-M原理的BP神經(jīng)網(wǎng)絡(luò)研究 26
2.2.6 網(wǎng)絡(luò)的拓撲結(jié)構(gòu) 29
2.3 支持向量機 31
2.3.1 結(jié)構(gòu)風險最小化原則 31
2.3.2 支持向量回歸 32
2.3.3 核函數(shù) 36
2.3.4 支持向量機訓練算法 37
參考文獻 40
第3章 逆散射問題描述及模型建立 43
3.1 逆散射問題描述 43
3.2 BP神經(jīng)網(wǎng)絡(luò)電磁逆散射模型 46
3.3 支持向量機電磁逆散射方法 48
3.3.1 支持向量機逆散射模型 48
3.3.2 支持向量機參數(shù)選擇 49
3.3.3 支持向量回歸電磁逆散射方法的流程 55
參考文獻 55
第4章 機器學習方法在自由空間逆散射中的應(yīng)用 57
4.1 復散射系數(shù)回歸估計 57
4.2 電磁參數(shù)重構(gòu) 60
參考文獻 63
第5章 機器學習方法在埋地目標逆散射問題中的應(yīng)用 65
5.1 埋地目標電磁逆散射模型 65
5.2 粗糙面散射理論基礎(chǔ) 67
5.2.1 隨機粗糙面的生成 69
5.2.2 入射錐形波 72
5.2.3 MoM表面積分方程的推導 73
5.3 一維PEC隨機粗糙面散射 75
5.3.1 電磁散射建模 75
5.3.2 數(shù)值結(jié)果及分析 76
5.4 一維介質(zhì)隨機粗糙面散射 78
5.4.1 MoM電磁建模 78
5.4.2 數(shù)值結(jié)果及分析 80
5.5 介質(zhì)隨機粗糙面與埋地導體復合散射 82
5.5.1 MoM電磁建模 82
5.5.2 數(shù)值結(jié)果及分析 84
5.6 埋地目標探測及參數(shù)反演 85
參考文獻 92
第6章 機器學習方法在各向異性材料參數(shù)反演中的應(yīng)用 95
6.1 時域有限差分法簡介 95
6.1.1 FDTD場域劃分 96
6.1.2 Yee元胞 97
6.1.3 吸收邊界條件 98
6.1.4 數(shù)值色散及穩(wěn)定性條件 98
6.2 各向異性介質(zhì)FDTD方法 99
6.2.1 各向異性介質(zhì)FDTD差分格式 99
6.2.2 各向異性FDTD算法驗證 102
6.3 各向異性材料電磁參數(shù)反演 104
參考文獻 106
第7章 機器學習方法在復合結(jié)構(gòu)目標逆散射中的應(yīng)用 108
7.1 復合結(jié)構(gòu)目標正散射問題 108
7.1.1 復合結(jié)構(gòu)目標矩量法方程的建立 109
7.1.2 矩量法方程的快速求解方法 111
7.1.3 正散射問題數(shù)值結(jié)果 112
7.2 逆散射數(shù)值算例 114
7.2.1 二維介質(zhì)覆蓋導體圓柱電磁逆散射 114
7.2.2 二維復合方柱電磁逆散射 120
參考文獻 123
第8章 機器學習方法在土壤濕度反演中的應(yīng)用 125
8.1 微波遙感土壤濕度研究概況 125
8.2 土壤的介電模型 129
8.2.1 Wang的四成分模型 129
8.2.2 經(jīng)驗?zāi)Ｐ?131
8.2.3 Dobson半經(jīng)驗?zāi)Ｐ?132
8.2.4 數(shù)值模擬 133
8.3 土壤粗糙面微波散射模型 134
8.3.1 微擾法 136
8.3.2 Kirchhoff近似方法 142
8.3.3 積分方程方法 147
8.3.4 植被覆蓋土壤散射模型 151
8.4 土壤粗糙面微波輻射模型 152
8.4.1 裸露土壤粗糙表面 152
8.4.2 植被覆蓋土壤粗糙表面的模型 155
8.5 敏感性分析 156
8.5.1 SPM參數(shù)敏感性分析 156
8.5.2 IEM相關(guān)參數(shù)敏感性分析 158
8.5.3 Q/H模型土壤發(fā)射率參數(shù)敏感性分析 160
8.5.4 Q/H模型土壤亮溫參數(shù)敏感性分析 161
8.5.5 Qp模型土壤亮溫參數(shù)敏感性分析 163
8.6 機器學習方法反演土壤濕度 164
8.6.1 主動微波土壤濕度反演 164
8.6.2 被動微波土壤濕度反演 170
8.6.3 主動、被動相結(jié)合微波土壤濕度反演 172
8.6.4 植被覆蓋土壤濕度反演 175
參考文獻 178
第9章 機器學習方法在風驅(qū)粗糙海面逆散射中的應(yīng)用 181
9.1 海洋微波遙感研究進展 181
9.2 海譜及海水介電模型 183
9.2.1 海譜模型 183
9.2.2 海水介電模型 188
9.3 風驅(qū)海面散射雙尺度模型 188
9.4 敏感性分析及反演方案設(shè)計 192
9.4.1 建模及反演步驟 192
9.4.2 雷達參數(shù)敏感性分析 193
9.4.3 反演方案設(shè)計 195
9.5 反演結(jié)果及分析 196
9.5.1 風速反演結(jié)果與分析 196
9.5.2 鹽度反演結(jié)果與分析 198
參考文獻 200
第10章 機器學習方法在雪地環(huán)境逆散射中的應(yīng)用 202
10.1 分層隨機粗糙面微擾法理論 203
10.2 雪地環(huán)境介質(zhì)介電模型 209
10.2.1 土壤的相對介電常數(shù) 209
10.2.2 積雪的相對介電常數(shù) 210
10.3 雪地環(huán)境微波散射特性 211
10.4 雪地環(huán)境參數(shù)反演 215
10.4.1 步驟及流程 215
10.4.2 敏感性分析 216
10.4.3 反演方案設(shè)計 216
10.4.4 反演結(jié)果及分析 217
參考文獻 220
第11章 結(jié)束語 222