信息材料与应用技术丛书 机器学习方法在电磁逆散射问题中的应用研究
作者： 张清河 著
出版时间：2019年版
丛编项： 信息材料与应用技术丛书
内容简介
《机器学习方法在电磁逆散射问题中的应用研究》系统地论述了机器学习方法的概念、原理、方法、流程和步骤及其在若干电磁逆散射领域中的应用。《机器学习方法在电磁逆散射问题中的应用研究》共11章，内容包括绪论、机器学习方法、逆散射问题描述及模型建立、机器学习方法在自由空间逆散射中的应用、机器学习方法在埋地目标逆散射问题中的应用、机器学习方法在各向异性材料参数反演中的应用、机器学习方法在复合结构目标逆散射中的应用、机器学习方法在土壤湿度反演中的应用、机器学习方法在风驱粗糙海面逆散射中的应用、机器学习方法在雪地环境逆散射中的应用、结束语。《机器学习方法在电磁逆散射问题中的应用研究》内容主要为笔者近年来的研究成果，并增加了国内外新研究进展。《机器学习方法在电磁逆散射问题中的应用研究》理论部分介绍了两种机器学习方法——人工神经网络和支持向量机的原理与应用方法步骤，以及电磁正演问题中的数值方法和近似方法。《机器学习方法在电磁逆散射问题中的应用研究》重点讨论了机器学习方法的应用实例，涵盖了不同电磁环境、不同结构目标、不同介质类型的电磁逆散射问题，可以方便不同领域的读者选择参考。
目录
目录
第1章 绪论 1
1.1 研究背景和意义 1
1.1.1 问题描述 1
1.1.2 应用背景 1
1.2 电磁场逆问题分类 2
1.3 逆散射中的数学问题 2
1.4 研究方法 3
1.5 研究进展和现状 7
1.6 本书的目的、内容和结构安排 10
参考文献 11
第2章 机器学习方法 17
2.1 机器学习方法概述 17
2.2 人工神经网络 18
2.2.1 神经元模型 19
2.2.2 神经网络的结构 21
2.2.3 神经网络的学习 22
2.2.4 BP网络及其学习算法 22
2.2.5 基于L-M原理的BP神经网络研究 26
2.2.6 网络的拓扑结构 29
2.3 支持向量机 31
2.3.1 结构风险最小化原则 31
2.3.2 支持向量回归 32
2.3.3 核函数 36
2.3.4 支持向量机训练算法 37
参考文献 40
第3章 逆散射问题描述及模型建立 43
3.1 逆散射问题描述 43
3.2 BP神经网络电磁逆散射模型 46
3.3 支持向量机电磁逆散射方法 48
3.3.1 支持向量机逆散射模型 48
3.3.2 支持向量机参数选择 49
3.3.3 支持向量回归电磁逆散射方法的流程 55
参考文献 55
第4章 机器学习方法在自由空间逆散射中的应用 57
4.1 复散射系数回归估计 57
4.2 电磁参数重构 60
参考文献 63
第5章 机器学习方法在埋地目标逆散射问题中的应用 65
5.1 埋地目标电磁逆散射模型 65
5.2 粗糙面散射理论基础 67
5.2.1 随机粗糙面的生成 69
5.2.2 入射锥形波 72
5.2.3 MoM表面积分方程的推导 73
5.3 一维PEC随机粗糙面散射 75
5.3.1 电磁散射建模 75
5.3.2 数值结果及分析 76
5.4 一维介质随机粗糙面散射 78
5.4.1 MoM电磁建模 78
5.4.2 数值结果及分析 80
5.5 介质随机粗糙面与埋地导体复合散射 82
5.5.1 MoM电磁建模 82
5.5.2 数值结果及分析 84
5.6 埋地目标探测及参数反演 85
参考文献 92
第6章 机器学习方法在各向异性材料参数反演中的应用 95
6.1 时域有限差分法简介 95
6.1.1 FDTD场域划分 96
6.1.2 Yee元胞 97
6.1.3 吸收边界条件 98
6.1.4 数值色散及稳定性条件 98
6.2 各向异性介质FDTD方法 99
6.2.1 各向异性介质FDTD差分格式 99
6.2.2 各向异性FDTD算法验证 102
6.3 各向异性材料电磁参数反演 104
参考文献 106
第7章 机器学习方法在复合结构目标逆散射中的应用 108
7.1 复合结构目标正散射问题 108
7.1.1 复合结构目标矩量法方程的建立 109
7.1.2 矩量法方程的快速求解方法 111
7.1.3 正散射问题数值结果 112
7.2 逆散射数值算例 114
7.2.1 二维介质覆盖导体圆柱电磁逆散射 114
7.2.2 二维复合方柱电磁逆散射 120
参考文献 123
第8章 机器学习方法在土壤湿度反演中的应用 125
8.1 微波遥感土壤湿度研究概况 125
8.2 土壤的介电模型 129
8.2.1 Wang的四成分模型 129
8.2.2 经验模型 131
8.2.3 Dobson半经验模型 132
8.2.4 数值模拟 133
8.3 土壤粗糙面微波散射模型 134
8.3.1 微扰法 136
8.3.2 Kirchhoff近似方法 142
8.3.3 积分方程方法 147
8.3.4 植被覆盖土壤散射模型 151
8.4 土壤粗糙面微波辐射模型 152
8.4.1 裸露土壤粗糙表面 152
8.4.2 植被覆盖土壤粗糙表面的模型 155
8.5 敏感性分析 156
8.5.1 SPM参数敏感性分析 156
8.5.2 IEM相关参数敏感性分析 158
8.5.3 Q/H模型土壤发射率参数敏感性分析 160
8.5.4 Q/H模型土壤亮温参数敏感性分析 161
8.5.5 Qp模型土壤亮温参数敏感性分析 163
8.6 机器学习方法反演土壤湿度 164
8.6.1 主动微波土壤湿度反演 164
8.6.2 被动微波土壤湿度反演 170
8.6.3 主动、被动相结合微波土壤湿度反演 172
8.6.4 植被覆盖土壤湿度反演 175
参考文献 178
第9章 机器学习方法在风驱粗糙海面逆散射中的应用 181
9.1 海洋微波遥感研究进展 181
9.2 海谱及海水介电模型 183
9.2.1 海谱模型 183
9.2.2 海水介电模型 188
9.3 风驱海面散射双尺度模型 188
9.4 敏感性分析及反演方案设计 192
9.4.1 建模及反演步骤 192
9.4.2 雷达参数敏感性分析 193
9.4.3 反演方案设计 195
9.5 反演结果及分析 196
9.5.1 风速反演结果与分析 196
9.5.2 盐度反演结果与分析 198
参考文献 200
第10章 机器学习方法在雪地环境逆散射中的应用 202
10.1 分层随机粗糙面微扰法理论 203
10.2 雪地环境介质介电模型 209
10.2.1 土壤的相对介电常数 209
10.2.2 积雪的相对介电常数 210
10.3 雪地环境微波散射特性 211
10.4 雪地环境参数反演 215
10.4.1 步骤及流程 215
10.4.2 敏感性分析 216
10.4.3 反演方案设计 216
10.4.4 反演结果及分析 217
参考文献 220
第11章 结束语 222
