《機器學習方法在電磁逆散射問題中的套用研究》是2019年科學出版社出版的圖書，作者是張清河。
基本介紹
- 書名：機器學習方法在電磁逆散射問題中的套用研究
- 作者：張清河
- ISBN：9787030575296
- 出版社：科學出版社
- 出版時間：2019-06-01
內容簡介,圖書目錄,
內容簡介
《機器學習方法在電磁逆散射問題中的套用研究》系統地論述了機器學習方法的概念、原理、方法、流程和步驟及其在若干電磁逆散射領域中的套用。《機器學習方法在電磁逆散射問題中的套用研究》共11章，內容包括緒論、機器學習方法、逆散射問題描述及模型建立、機器學習方法在自由空間逆散射中的套用、機器學習方法在埋地目標逆散射問題中的套用、機器學習方法在各向異性材料參數反演中的套用、機器學習方法在複合結構目標逆散射中的套用、機器學習方法在土壤濕度反演中的套用、機器學習方法在風驅粗糙海面逆散射中的套用、機器學習方法在雪地環境逆散射中的套用、結束語。《機器學習方法在電磁逆散射問題中的套用研究》內容主要為筆者近年來的研究成果，並增加了國內外新研究進展。《機器學習方法在電磁逆散射問題中的套用研究》理論部分介紹了兩種機器學習方法——人工神經網路和支持向量機的原理與套用方法步驟，以及電磁正演問題中的數值方法和近似方法。《機器學習方法在電磁逆散射問題中的套用研究》重點討論了機器學習方法的套用實例，涵蓋了不同電磁環境、不同結構目標、不同介質類型的電磁逆散射問題，可以方便不同領域的讀者選擇參考。
圖書目錄
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 套用背景 1
1.2 電磁場逆問題分類 2
1.3 逆散射中的數學問題 2
1.4 研究方法 3
1.5 研究進展和現狀 7
1.6 本書的目的、內容和結構安排 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 人工神經網路 18
2.2.1 神經元模型 19
2.2.2 神經網路的結構 21
2.2.3 神經網路的學習 22
2.2.4 BP網路及其學習算法 22
2.2.5 基於L-M原理的BP神經網路研究 26
2.2.6 網路的拓撲結構 29
2.3 支持向量機 31
2.3.1 結構風險最小化原則 31
2.3.2 支持向量回歸 32
2.3.3 核函式 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神經網路電磁逆散射模型 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套用 57
4.1 復散射係數回歸估計 57
4.2 電磁參數重構 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套用 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 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 數值結果及分析 76
5.4 一維介質隨機粗糙面散射 78
5.4.1 MoM電磁建模 78
5.4.2 數值結果及分析 80
5.5 介質隨機粗糙面與埋地導體複合散射 82
5.5.1 MoM電磁建模 82
5.5.2 數值結果及分析 84
5.6 埋地目標探測及參數反演 85
參考文獻 92
第6章 機器學習方法在各向異性材料參數反演中的套用 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 數值色散及穩定性條件 98
6.2 各向異性介質FDTD方法 99
6.2.1 各向異性介質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反演 104
參考文獻 106
第7章 機器學習方法在複合結構目標逆散射中的套用 108
7.1 複合結構目標正散射問題 108
7.1.1 複合結構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 正散射問題數值結果 112
7.2 逆散射數值算例 114
7.2.1 二維介質覆蓋導體圓柱電磁逆散射 114
7.2.2 二維複合方柱電磁逆散射 120
參考文獻 123
第8章 機器學習方法在土壤濕度反演中的套用 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 經驗模型 131
8.2.3 Dobson半經驗模型 132
8.2.4 數值模擬 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參數敏感性分析 156
8.5.2 IEM相關參數敏感性分析 158
8.5.3 Q/H模型土壤發射率參數敏感性分析 160
8.5.4 Q/H模型土壤亮溫參數敏感性分析 161
8.5.5 Qp模型土壤亮溫參數敏感性分析 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粗糙海面逆散射中的套用 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 風驅海面散射雙尺度模型 188
9.4 敏感性分析及反演方案設計 192
9.4.1 建模及反演步驟 192
9.4.2 雷達參數敏感性分析 193
9.4.3 反演方案設計 195
9.5 反演結果及分析 196
9.5.1 風速反演結果與分析 196
9.5.2 鹽度反演結果與分析 198
參考文獻 200
第10章 機器學習方法在雪地環境逆散射中的套用 202
10.1 分層隨機粗糙面微擾法理論 203
10.2 雪地環境介質介電模型 209
10.2.1 土壤的相對介電常數 209
10.2.2 積雪的相對介電常數 210
10.3 雪地環境微波散射特性 211
10.4 雪地環境參數反演 215
10.4.1 步驟及流程 215
10.4.2 敏感性分析 216
10.4.3 反演方案設計 216
10.4.4 反演結果及分析 217
參考文獻 220
第11章 結束語 222
