【儀表網 研發快訊】近日，自動化工程學院謝永樂教授“電磁與聲波測量”技術團隊在電磁逆散射成像(EISI)領域再次取得重要進展。團隊針對傳統計算電磁學方法計算復雜、深度學習方法缺乏物理可解釋性與泛化能力弱等挑戰，創新性地提出一種聯合多物理約束的核化深度展開網絡(Kernelized Deep Unfolding Network with Joint Physical Constraints)。該框架將深度學習的強大特征提取能力與物理模型的嚴謹性深度融合，為解決電磁逆散射這一高度非線性的不適定問題提供了全新、更高效且更可靠、可解釋的解決方案。
 

　　目前，相關研究成果已發表于“電磁波與天線”領域的旗艦期刊 IEEE Transactions on Antennas and Propagation，論文題為《Kernelized Deep Unfolding Network with Joint Physical Constraints for Electromagnetic Inverse Scattering Imaging》。該成果由2023級博士研究生張庭森與李西峰副教授共同完成，共同作者包括畢東杰、彭禮彪、謝永樂；此項研究還得到“電磁與聲波測量”團隊主持的國家自然科學基金“國家重大科研儀器研制”項目(62027803)的資助。
 

　　電磁逆散射成像技術旨在通過分析目標散射的電磁波數據，“無創”地重建其內部的介電常數等物理屬性分布，在醫療成像、工業無損檢測、地球物理勘探等關鍵領域擁有廣闊的應用前景。然而，該技術長期面臨兩大瓶頸：傳統迭代優化算法(如對比源反演法CSI、子空間優化法SOM)計算成本高、對初值敏感且易陷入局部最優；而新興的純數據驅動深度學習方法則常被詬病為“黑箱”，其泛化能力有限，且重建結果可能違背基本的電磁物理定律。
 

　　為突破這些瓶頸，本團隊提出的新方法新網絡極大地提升了模型的表達能力與泛化性能。
 

　　團隊通過兩組嚴苛的實驗驗證了新方法的性能，并將其與子空間優化方法(SOM)、核子空間優化方法(KSOM)以及SOM-Net深度展開網絡進行了全面對比。
 

　　1. 數值模擬實驗：使用MNIST手寫數字數據集，并疊加20dB高斯白噪聲。反演結果如圖1所示(定量表征數據見表1)，過程的物理量如圖2、圖3所示。實驗結果表明，所提方法的SSIM指標平均比SOTA的SOM-Net提升14.84%，PSNR平均提升17.95%。且過程物理量嚴格遵循Lippmann-Schwinger方程，避免了物理偽解。
 

　　2. 實測實驗：使用團隊創制的毫米波成像系統(如圖4所示)，對高對比度的金屬字母、剪刀等真實物體進行成像。反演結果如圖5所示(定量表征數據見表2)，過程的物理量如圖6、圖7所示。實驗結果表明，所提方法的SSIM指標平均比SOM-Net提升9.66%，比PSNR平均提升20.81%。與傳統SOM方法相比，SSIM和PSNR的平均提升幅度更是分別達到了驚人的75.82%和39.11%。
 

　　綜上所述，該研究提出的聯合多物理約束的核化深度展開網絡，成功地在保持物理模型可解釋性的同時，利用深度學習的優勢，顯著提升了電磁逆散射成像的精度、魯棒性和泛化能力，為解決此類復雜的逆問題開辟了新的道路。其重建的感應電流和散射場與實際值高度吻合，均方根誤差極低。這證明了聯合物理約束策略的有效性，確保了重建結果不僅在圖像上更清晰，在物理意義上也更準確。