作者：王 琰
摘要：
基本格局：
**目标电磁特性参数（ISP的解）**与实测散射场存在确定的非线性关系。
难点：
ISP的方程存在病态特性，特别是对强散射目标。
噪声对结果有很大干扰。
求解方法：近似方法（适用于弱散射目标）或迭代优化方法（计算量大，有延时）
研究内容：
散射场数据—监督学习直接求解网络—>目标物体的电磁参数，该网络基于的降采样-上采样模型包含特征提取、图像增强与图像识别模块。
结合降采样-上采样算法与空洞卷积运算，改进出混合空洞卷积神经网络(HDCNN)。
优点：相比常规的空洞卷积运算，它在相同计算量下，扩展了感受野尺寸，降低了神经网络的深度。因为结合了降采样-上采样算法，HDCNN具有平移不变性和旋转不变性。
基于反向传播算法的监督学习求解网络
反向传播(BP)算法：在计算格林算子的基础上，对位移电流进行近似，得到预成像结果。BP预成像结果可作为深度网络的数据集。
优点：深度学习需要拟合的物理量变少—>神经网络的预测精度提升明显
深度强化学习网络 DQN
动态组成的 CNN 链：设计了一系列基于小型CNN 的电磁逆散射问题求解模块，让DQN协同使用不同模块求解电磁逆散射问题。
**关键词：**电磁逆散射，实时反演，卷积神经网络，监督学习，强化学习
词汇：
Convolutional Neural Network（CNN）卷积神经网络
Deep Q-Network（DQN）深度 Q 网络，结合了深度学习与强化学习
展望：
结合深度网络与物理含义。
由于深度学习的不可解释性，对其施加一些物理约束成为难点，对于一些数据的预测也可能造成错误的结果。未来可以尝试增强深度学习算法的物理解释性，并对其施加物理约束。
本文主要针对TM 波入射情况下，二维电介质的深度学习逆散射成像算法。未来可以朝TE波与三维发展。
在阅读大量文献的基础上，对传统的电磁逆散射算法进行深入理解，并引入深度学习算法，实现对传统算法的优化。
查阅到的资料：
病态问题：不满足下列特性：1.解的存在性；2.解的唯一性；3.解的稳定性