本发明属于声波逆散射成像，尤其涉及一种基于径向基神经网络的声波逆散射成像方法及系统。
背景技术：
1、在声环境中，基于散射声波重建障碍物的形状是一个逆散射问题。这一问题在环境污染检测、地质勘探、医学成像和雷达成像技术等领域具有重要研究意义。近年来，人们开发和建立了许多重建方法来处理逆散射问题。解决逆散射问题的计算方法可以分为两类，分别是传统的数值方法和新兴的机器学习方法。
2、发明人发现，传统的数值方法可以产生令人满意的重建，但大多数方法的计算成本非常高，对于三维问题可能是难以承受的费时成本；而目前采用的机器学习方法，逆散射中存在非线性和不适定性的问题，且存在先验信息不准确导致的的物体形状与物体原本的形状之间存在区别的问题。
技术实现思路
1、本发明为了解决上述问题，提出了一种基于径向基神经网络的声波逆散射成像方法及系统，本发明在保证先验信息准确性的基础上，解决了计算成本高，以及逆散射问题中存在的非线性和不适定性问题。
2、为了实现上述目的，本发明是通过如下的技术方案来实现：
3、第一方面，本发明提供了一种基于径向基神经网络的声波逆散射成像方法，包括：
4、根据获取的障碍物远场数据，通过线性采样法得到每个障碍物的适应度值，根据适应度值确定障碍物形状重建需要的形状参数；
5、对所述形状参数进行粒子群优化，通过更新粒子的速度和位置，得到优化后的形状参数；
6、根据优化后的形状参数，利用基于径向基神经网络的形状参数反演模型，重建障碍物的形状。
7、进一步的，线性采样法的模型为：
8、
9、其中，算子f是散射问题对应的远场算子，求解得到的g表示等高线的高度；是方程基本解对应的远场模式；u∞是相应声波散射场的合成远场模式；z是重构域中的一个采样点坐标；是观测方向的单位向量；d表示入射方向的单位向量。
10、进一步的，通过求解远场方程构造适应度函数，然后根据适应度值重构障碍物的形状。
11、进一步的，粒子群优化函数为：
12、
13、其中，是由形状参数为(x0,x1,…,x2m+1)的物体得到的远场数据；m为常数。
14、进一步的，粒子群优化过程包括：
15、在解空间中随机生成一组粒子，每个粒子有随机的位置和速度；
16、计算每个粒子的适应度；
17、如果当前粒子的适应度优于其历史最佳适应度，则更新粒子的最优历史位置；如果当前粒子的适应度优于群体的全局最佳适应度，更新全局最优位置；
18、根据个体最优位置、全局最优位置以及粒子当前的速度和位置来更新粒子的速度和位置；
19、如果达到预设的最大迭代次数或者满足其他设定的终止条件，结束优化。
20、进一步的，所述基于径向基神经网络的形状参数反演模型包括卷积层、池化层和径向基神经网络；使用卷积层提取远场数据的全局信息，再通过池化层将远场数据的特征降维，压缩数据的数量；使用径向基神经网络进行数据之间的非线性拟合。
21、进一步的，使用梯度下降法调整所述基于径向基神经网络的形状参数反演模型的权重参数。
22、第二方面，本发明还提供了一种基于径向基神经网络的声波逆散射成像系统，包括：
23、线性采样模块，被配置为：根据获取的障碍物远场数据，通过线性采样法得到每个障碍物的适应度值，根据适应度值确定障碍物形状重建需要的形状参数；
24、优化模块，被配置为：对所述形状参数进行粒子群优化，通过更新粒子的速度和位置，得到优化后的形状参数；
25、障碍物重建模块，被配置为：根据优化后的形状参数，利用基于径向基神经网络的形状参数反演模型，重建障碍物的形状。
26、第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于径向基神经网络的声波逆散射成像方法的步骤。
27、第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于径向基神经网络的声波逆散射成像方法的步骤。
28、与现有技术相比，本发明的有益效果为：
29、本发明中首先，根据获取的障碍物远场数据，通过线性采样法得到每个障碍物的适应度值，根据适应度值确定障碍物形状重建需要的形状参数；然后，对所述形状参数进行粒子群优化，通过更新粒子的速度和位置，得到优化后的形状参数；最后，根据优化后的形状参数，利用基于径向基神经网络的形状参数反演模型，重建障碍物的形状。本发明通过采用线性采样方法获取障碍物形状的先验信息，利用基于径向基神经网络的形状参数反演模型，重建障碍物的形状，解决了传统方法中高计算成本问题，以及逆散射中的非线性和不适定性问题；同时，如果直接利用线性采样法得到物体的形状参数，由于形状参数构成的物体形状和物体原本的形状有所区别，为了保证先验信息(形状参数)的准确性，对形状参数进行粒子群优化使其更接近物体原本的形状，并且，在粒子群优化前使用线性采样法，能够使粒子群优化算法得到很好的初始猜测，避免了粒子群优化算法陷入局部最优解的问题，节省了算力资源，能够迅速准确的得到全局最优解。
1.一种基于径向基神经网络的声波逆散射成像方法，其特征在于，包括：
2.如权利要求1所述的一种基于径向基神经网络的声波逆散射成像方法，其特征在于，线性采样法的模型为：
3.如权利要求1所述的一种基于径向基神经网络的声波逆散射成像方法，其特征在于，通过求解远场方程构造适应度函数，然后根据适应度值重构障碍物的形状。
4.如权利要求1所述的一种基于径向基神经网络的声波逆散射成像方法，其特征在于，粒子群优化函数为：
5.如权利要求4所述的一种基于径向基神经网络的声波逆散射成像方法，其特征在于，粒子群优化过程包括：
6.如权利要求1所述的一种基于径向基神经网络的声波逆散射成像方法，其特征在于，所述基于径向基神经网络的形状参数反演模型包括卷积层、池化层和径向基神经网络；使用卷积层提取远场数据的全局信息，再通过池化层将远场数据的特征降维，压缩数据的数量；使用径向基神经网络进行数据之间的非线性拟合。
7.如权利要求1所述的一种基于径向基神经网络的声波逆散射成像方法，其特征在于，使用梯度下降法调整所述基于径向基神经网络的形状参数反演模型的权重参数。
8.一种基于径向基神经网络的声波逆散射成像系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于径向基神经网络的声波逆散射成像方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于径向基神经网络的声波逆散射成像方法的步骤。
