申请/专利权人:南京信息工程大学
申请日:2024-02-05
公开(公告)日:2024-04-12
公开(公告)号:CN117705830B
主分类号:G01N22/00
分类号:G01N22/00;A61B5/0507
优先权:
专利状态码:有效-授权
法律状态:2024.04.12#授权;2024.04.02#实质审查的生效;2024.03.15#公开
摘要:本发明公开了一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法,包含一:利用频分DBIM优化算法获取电磁前向散射数据;二:将矢量格林函数和成像域离散化求解电磁逆散射问题对未知域的散射体进行初步重建;三:将初步重建的散射体数据集分为测试集与验证集来训练U2Net网络,从而具有高质量的成像结果。本发明通过先验信息修正子问题的范数正则化,以及U2Net的强大特征提取能力,不断更新对比度值来最小化损失函数,大大提升了对强散射体的成像精度与抗噪声能力。测试结果显示,相比传统成像算法,所提方法的成像误差降低了15%~30%,尤其是在强散射情况下,其成像结果得到极大的提升,具有一定的应用价值。
主权项:1.一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法,其特征在于,包括如下步骤:步骤1、利用频分变形波恩迭代DBIM优化算法获取电磁前向散射数据;步骤2、将电磁前向散射数据中的总电场和未知散射体的计算域D离散网格化,构建离散散射模型;步骤3、在多频段多收发天线的情况下,基于离散散射模型,构建具有先验条件的多子损失函数问题模型;步骤4、在多子损失函数问题模型中,初始化设定迭代开始以及最大迭代次数,在达到迭代次数或达到损失函数阈值后,将范数正则化以及先验信息修正子问题获取的介电常数作为成像近似解;步骤5、将成像近似解作为U2net卷积神经网络的输入,成像区域介电常数分布矩阵作为卷积神经网络的输出,训练U2net卷积神经网络;步骤6、使用训练好的U2net卷积神经网络对未知散射场中散射体的近似解来重构未知散射体。
全文数据:
权利要求:
百度查询: 南京信息工程大学 一种基于U2Net框架下频分DBIM优化的超宽带微波成像方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。