技术特征：
1.一种基于深度学习求解高度非线性逆散射问题的快速成像方法，其特征在于，包括如下步骤：步骤1：利用fbe-cie-i迭代方法对未知散射体进行初步重建，得到感兴趣区域内的粗略图像；步骤2：对得到的粗略图像数据进行归一化处理；步骤3，将预处理后的数据作为神经网络的输入，将该散射体的真实介电常数值作为该网络的标签，用平均绝对比误差和结构相似度结合组成的加权损失函数对神经网络进行训练。2.根据权利要求1所述的步骤1中基于深度学习求解高度非线性逆散射问题的快速成像方法，其特征在于，所述的fbe-cie-i迭代方法如下：根据cie-i模型，得到目标方程和数据方程据方程其中表示对比源，对角矩阵表示维度为m
×
m的修改对比度函数，β表示一个用于降低逆散射问题非线性程度的常数矩阵，表示每一次入射的入射场，表示将感兴趣域d内对比源映射到感兴趣域d内散射场，表示接收天线接收到的散射场，表示感兴趣域d内对比源映射到测量区域散射场；根据目标方程和数据方程，构建损失函数其中其中对比源表示为其中表示二维离散逆傅里叶变换，通过共轭梯度法和最小二乘法交替更新对比源和修改的对比度函数最小化损失函数。3.根据权利要求1所述的步骤1中基于深度学习求解高度非线性逆散射问题的快速成像方法，其特征在于，包括fbe-cie-i反演方法，具体步骤如下：步骤a：设n＝0，初始化位置参数，r＝0，维度为m0×
1的向量m0为傅里叶基的数量，选择一个较大的β值和较小的低频傅里叶基数量m0；步骤b：n＝n+1,更新α：其中d
p,n
表示第n次迭代的步长，表示第n次迭代的共轭梯度方向；步骤c：更新对比源并计算相应的总场步骤d：用最小二乘法更新修改的对比度函数步骤e：更新对比度函数：步骤f：设置终止条件，如果满足条件，迭代终止，如果不满足，则返回步骤b。
4.根据权利要求3所述的步骤1中基于深度学习求解高度非线性逆散射问题的快速成像方法，其特征在于，所述终止条件设置如下：其中k为一个常数，设为0.02。
技术总结
本发明属于电磁成像技术领域，公开了一种基于深度学习求解高度非线性逆散射问题的快速成像方法，包括步骤1：利用FBE-CIE-I迭代方法对未知散射体进行初步重建，得到感兴趣区域内的粗略图像；步骤2：对得到的粗略图像数据进行归一化处理；步骤3，将预处理后的数据作为神经网络的输入，将该散射体的真实介电常数值作为该网络的标签，用平均绝对比误差和结构相似度结合组成的加权损失函数对神经网络进行训练。本发明采用基于模型的反演方法，可以有效地将实测散射场数据转化为原始图像，有效地减少计算时间和资源。然后将含有低频分量的初步图像进行归一化处理后作为GAN网络的输入，GAN网络通过补充高频分量实现超分辨率成像。网络通过补充高频分量实现超分辨率成像。网络通过补充高频分量实现超分辨率成像。
技术研发人员：钱泽民 徐魁文 董正岳
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.12.22
技术公布日：2022/3/29