一种粗糙表面光散射场直接计算方法

摘要

本发明涉及激光雷达技术领域，特别是涉及一种粗糙表面光散射场直接计算方法，该方法包括以下步骤：S1：根据基尔霍夫近似算法在多组参数设定值下得出多组对应粗糙表面的散射场的仿真数据E(r)；S2：根据S1中的所述参数确定模型对应的数据输入口数量，构建深度学习框架模型；S3：选取S1中的部分参数组所对应的参数设定值和对应的散射场数据用于对S2中的深度学习框架模型进行训练，获得训练完成的深度学习框架模型；S4：选取S1中另一部分参数组所对应的参数设定值用于对S3训练完成的深度学习框架模型进行验证，验证完成后即可对粗糙表面光散射场进行计算，本发明的计算方法在参数拟合方面具有很好的鲁棒性，提高了计算效率。

说明书

技术领域

本发明涉及激光雷达技术领域，特别是涉及一种粗糙表面光散射场直接计算方法。

背景技术

目标探测和识别在许多领域中都有着重要的应用前景，作为一种经典并广泛应用的目标探测和识别技术，激光雷达基于回波信号实现对于目标距离的精确测量，具有系统简便、探测范围广、信噪比高、受外界影响小等优点，因此广泛应用于军用领域(如末敏弹、目标侦查等)以及民用领域(遥感、无人驾驶等)。但是，这类基本的探测仅能够实现对于目标的定量化距离探测，虽然其能根据距离像识别目标并估计其运动轨迹，但是这种仅能根据形状进行信息提取的目标探测识别方法往往丢失了大量目标特征，如目标材料、目标表面特性等，导致其难以区分真实目标和伪装目标，从而限制了激光探测的应用前景。

考虑到散射场分析在目标探测与识别中的重要作用与价值，开展粗糙表面散射场的研究可以为未来散射探测在军事和民用领域内的应用研究提供重要的研究基础于应用参考，在随机粗糙表面散射计算中，无论是经典的MoM和KA方法，还是诸如微扰法、几何光学法和小斜率近似等散射计算方法，获得稳定的散射场全角度空间分布依赖于系综平均计算，即首先计算大量生成的随机粗糙表面的散射场，进而对这些散射场分布进行平均，从而得到对应于特征随机粗糙表面参数情况下的散射场全角度空间分布。

虽然系综平均解决了空间散射场随机涨落的问题，但是其需要对大量随机粗糙表面的散射场进行计算，计算负担重、计算时间长；另外，受到计算样本数量的限制，由系综平均得到的光散射场分布依旧存在部分的涨落噪声，因此限制了这些依赖于系综平均的随机粗糙表面光散射场计算方法的应用范围，从而导致计算效率低。

因此，本发明提出来一种粗糙表面光散射场直接计算方法，予以解决上述问题。

发明内容

本发明实施例提供了一种粗糙表面光散射场直接计算方法，可以解决现有技术中存在的问题。

本发明提供了一种粗糙表面光散射场直接计算方法，该方法包括以下步骤：

S1：根据基尔霍夫近似算法在多组参数设定值下得出多组对应粗糙表面的散射场的仿真数据E(r)，其中每组参数均包括均方根高度、相关长度、折射率、入射角、入射光波；

S2：根据S1中的所述参数确定模型对应的数据输入口数量，构建深度学习框架模型；

S3：选取S1中的部分参数组所对应的参数设定值和对应的散射场数据用于对S2中的深度学习框架模型进行训练，获得训练完成的深度学习框架模型；

S4：选取S1中另一部分参数组所对应的参数设定值用于对S3训练完成的深度学习框架模型进行验证，验证完成后即可对粗糙表面光散射场进行计算。

优选地，S1中散射场数据的计算步骤为：

S11：

根据式(1)计算粗糙表面高度：

其中，x

其中δ是表面均方根高度，T是表面相关长度。

给定式中相关参数后即可通过粗糙表面高度函数F(k

S12：

利用波动方程得出的散射场积分方程，如式(3)：

其中，随机粗糙表面高度S在有限区域V内，球面SR半径为R，与粗糙表面构成区域V，设r是区域V内任意一点，r'是粗糙表面上任一点，n为单位法向矢量；

根据式(4)计算散射场的仿真数据：

其中，E(r)为空间散射场的仿真数据，r是空间中一点的位置矢量，r'是粗糙面上一点的位置矢量，n是粗糙表面的表面面元法向量，E(r')是粗糙表面一点的表面场，G(r，r')是格林函数，ds'是表面面元表面积；

S13：根据S11中的粗糙表面高度函数生成多组参数的粗糙表面，利用S12中的斯特拉顿-朱兰成方程计算每组参数表面空间散射场的仿真数据，获得多组参数下的粗糙表面的散射场仿真数据。

优选地，S2中深度学习框架模型的构建步骤：

S21：首先根据S1中输入数据的类型，确定模型对应的数据输入口数量；

其中，模型的输出数据为粗糙表面散射场的强度分布；

S22：基于深度神经网络构建深度学习框架模型，深度神经网络选用全连接神经网络，全连接神经网络包含多个隐含层；

根据下式(5)计算网络中的每一个隐含层的神经元的向量：

y＝W·x+b (5)

W为权重矩阵，x为上一个隐含层神经网络的神经元组成的向量，偏置向量b

式(6)为神经网络的激活函数：

f(x)＝max(0，x) (6)

该函数在输入信号x<0时，函数值f(x)＝0；x>0时，函数值f(x)＝x；

其中，该函数在函数值小于0时处于已抑制状态，同时函数值大于0时梯度恒等于1，不会发生右饱和现象，满足建立粗糙表面散射场分布计算模型的需求；

根据式(7)计算损失函数值E

其中，y

使用损失函数值对模型作出评价，同时选择Adam作为神经网络模型的优化器，Adam优化器结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计和二阶矩估计进行综合考虑，计算出更新步长。

优选地，S3中深度学习框架模型的训练步骤为：

S31：将S13中计算的仿真数据E(r)按照8:2划分为训练集数据和测试集数据；

S32：初始化模型中所以隐含层神经元的权重矩阵W和偏置向量b；

S33：将训练集数据分批次输入到模型中计算网络输出值和网络输出误差；

S34：利用Adam优化器对损失函数进行优化，得出多层网络权重矩阵W，进入下一次学习，在达到规定学习次数之后或满足损失函数值情况停止学习，获得训练合格的模型以及模型收敛后的训练误差值。

优选地，模型的有效性验证：

S41：将S31中的测试集数据输入到S3训练完成的深度学习框架模型中，输出散射场的预测数据y

S42：将S1通过对基尔霍夫近似算法得出的散射场的仿真数据E(r)和S41中得出的预测数据y

相对于现有技术，本发明的优点在于：

本发明的方法具有自学习和自适应的优势，并且在参数拟合方面具有很好的鲁棒性，相比于经典的KA方法与矩量法，该方法不依赖于系综平均计算，极大的提高了计算速度与计算效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的散射场直接计算方法金属铁表面的方法流程图；

图2为本发明的金属铁损失函数值下降曲线；

图3为本发明的实施例中金属铁在入射角度10°下的拟合效果图；

图4为本发明的实施例中金属铁在入射角度20°下的拟合效果图；

图5为本发明的实施例中金属铁在入射角度30°下的拟合效果图；

图6为本发明的实施例中金属铁在入射角度40°下的拟合效果图。

具体实施方式

下面将结合本发明实施例中的附图1到图6，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在入射光波长λ＝0.6328μm，均方根高度为0.6λ，表面相关长度为6λ下，选择金属铁表面为计算对象，该波长下铁的折射率为2.85+3.36i。

本发明提供了一种粗糙表面光散射场直接计算方法，该方法包括以下步骤：该方法包括以下步骤：

S1：根据基尔霍夫近似算法在多组参数设定值下得出多组对应粗糙表面的散射场的仿真数据E(r)，其中每组参数均包括均方根高度、相关长度、折射率、入射角、入射光波；S2：根据S1中的所述参数确定模型对应的数据输入口数量，构建深度学习框架模型；S3：选取S1中的部分参数组所对应的参数设定值和对应的散射场数据用于对S2中的深度学习框架模型进行训练，获得训练完成的深度学习框架模型；S4：选取S1中另一部分参数组所对应的参数设定值用于对S3训练完成的深度学习框架模型进行验证，验证完成后即可对粗糙表面光散射场进行计算。

其中，模型的输入包括之前确定的影响最终散射场分布的随机粗糙表面特征参数，粗糙表面特征参数包括折射率、均方根高度、相关长度、入射俯仰角为θi、散射俯仰角为θs、入射光波长λ

进一步的，S1中散射场数据的计算步骤为：

S11：根据需要的表面参数对功率谱函数进行频域滤波，得到粗糙表面高度函数：

其中，x

其中δ是表面均方根高度，T是表面相关长度。

给定式中相关参数后即可通过粗糙表面高度函数F(k

S12：

根据矢量格林定理，利用波动方程可得到如式(3)的散射场积分方程：

其中，随机粗糙表面高度S在有限区域V内，球面SR半径为R，与粗糙表面构成区域V，设r是区域V内任意一点，r'是粗糙表面上任一点，n为单位法向矢量。

利用基尔霍夫-亥姆霍兹积分公式进一步展开得到斯特拉顿-朱兰成方程，根据式(4)计算散射场的仿真数据：

其中，E(r)为空间散射场的仿真数据，r是空间中一点(即观察点)的位置矢量，r'是粗糙面上一点的位置矢量，n是粗糙表面的表面面元法向量，E(r')是粗糙表面一点的表面场，G(r，r')是格林函数，ds'是表面面元表面积。

S13：使用多个均方根高度、多个相关长度、多个折射率、多个入射角、多个入射光波长这些不同的参数，根据S11中的粗糙表面高度函数生成多组参数的粗糙表面，利用S12中的斯特拉顿-朱兰成方程计算每组参数表面空间散射场的仿真数据，获得多组参数下粗糙表面散射的仿真数据。

进一步的，S2中深度学习框架模型的构建步骤：

S21，首先根据S1中输入数据的类型，确定模型对应的数据输入口数量；

其中，模型的输出数据为粗糙表面散射场的强度分布。

S22，基于深度神经网络构建深度学习框架模型，深度神经网络选用全连接神经网络，全连接神经网络包含多个隐含层；

根据下式(5)计算网络中的每一个隐含层的神经元的向量：

y＝W·x+b (5)

W为权重矩阵，x为上一个隐含层神经网络的神经元组成的向量，偏置向量b

用(6)式作为神经网络的激活函数：

f(x)＝max(0，x) (6)

该函数在输入信号x<0时，函数值f(x)＝0；x>0时，函数值f(x)＝x。

其中，该函数在函数值小于0时处于已抑制状态，同时函数值大于0时梯度恒等于1，不会发生右饱和现象，满足建立粗糙表面散射场分布计算模型的需求；

根据式(7)计算损失函数值E

其中，y

使用损失函数值可以对模型作出评价。同时选择Adam作为神经网络模型的优化器，Adam优化器结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计和二阶矩估计进行综合考虑，计算出更新步长。

进一步的，S3中深度学习框架模型的训练步骤为：

S31：将S13中计算的仿真数据E(r)按照8:2划分为训练集数据和测试集数据；S32：初始化模型中所以隐含层神经元的权重矩阵W和偏置向量b；S33：将训练集数据分批次输入到模型中计算网络输出值和网络输出误差；S34：利用Adam优化器对损失函数进行优化，得出多层网络权重矩阵W，进入下一次学习，在达到规定学习次数之后或满足损失函数值情况停止学习，获得训练合格的模型以及模型收敛后的训练误差值。

其中，使用损失函数值对模型作出评价，同时选择Adam作为神经网络模型的优化器，Adam优化器结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计和二阶矩估计进行综合考虑，计算出更新步长。

进一步的，模型的有效性验证步骤：

S41：将S31中的测试集数据输入到S3训练完成的深度学习框架模型中，输出散射场的预测数据y

S42：将S1通过对基尔霍夫近似算法得出的散射场的仿真数据E(r)和S41中得出的预测数据y

其中，图2为训练过程损失函数的变化曲线，曲线上各点代表在当前迭代次数时的误差大小，反映了神经网络的学习过程，由于每批次训练所选择的样本不同，导致在模型训练前期损失函数值存在波动，但是随着训练的进行可以有效收敛，体现了该模型的有效性以及优秀的学习能力。

其中，图3到图6给出了材料铁的基尔霍夫近似计算数据与神经网络建模数据的比较。在入射光波长λ＝0.6328μm，均方根高度为0.6λ，表面相关长度为6λ，入射角度分别为10°，20°，30°，40°，方位角为0°时的对比图像。可以看到图3到图6中基尔霍夫近似计算的原始数据曲线峰值随散射角度发生变化，而且神经网络模型拟合出的曲线同原始数据基本一致，这表明深度神经网络对于材料铁的描述有良好的效果，可以准确地描述材料铁的光学散射特性。

综上，本发明的方法具有自学习和自适应的优势，并且在参数拟合方面具有很好的鲁棒性，相比于经典的KA方法与矩量法，该方法不依赖于系综平均计算，极大的提高了计算速度与计算效率，其次方法简单，值得推广。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改，所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。