买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜安徽大学申请的专利一种基于VAE-GAN的无相位的频率分集的计算成像方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115308783B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211070780.8，技术领域涉及：G01S19/37；该发明授权一种基于VAE-GAN的无相位的频率分集的计算成像方法是由吴振华;徐嘉飞;赵发发;钱军;杨利霞设计研发完成，并于2022-09-02向国家知识产权局提交的专利申请。

本一种基于VAE-GAN的无相位的频率分集的计算成像方法在说明书摘要公布了：本发明公开了一种基于VAE‑GAN的无相位的频率分集的计算成像方法，包括如下步骤：S1、构建超表面天线近场成像的数学模型；S2、基于超表面天线近场成像的数学模型，并通过结合深度神经网络和压缩感知技术构建PFDCI‑Net成像网络；S3，对PFDCI‑Net成像网络设计网络训练算法，并对PFDCI‑Net成像网络进行优化，使PFDCI‑Net成像网络的损失最小；S4，使用目标FMNIST数据和目标MNIST数据集训练PFDCI‑Net成像网络，获取重构目标场景的散射系数。本发明提出的计算成像方法完全避免相位恢复带来的误差，降低频率分集CI重建问题的计算复杂性，提高了成像精度与效率。

本发明授权一种基于VAE-GAN的无相位的频率分集的计算成像方法在权利要求书中公布了：1.一种基于VAE-GAN的无相位的频率分集的计算成像方法，其特征在于，所述方法包括如下步骤： S1、构建超表面天线近场成像的数学模型； 步骤S1中，构建超表面天线近场成像的数学模型，具体过程如下： S11、超表面天线的探头接收待探测场景目标散射的回波测量值g；其中，场景目标散射的回波测量值g包括场景目标的所有后向散射分量，场景目标散射的回波测量值g来自场景中物体散射的入射场； S12、构建场景测量矩阵H；其中，场景测量矩阵H是来自发射天线和接收探头在场景中每个位置处的辐射电场的集合； S13、通过构建场景目标散射的回波测量值g、场景测量矩阵H与场景目标散射系数σ之间的映射关系，获取超表面天线近场成像的数学模型； S2、基于超表面天线近场成像的数学模型，并通过结合深度神经网络和压缩感知技术构建PFDCI-Net成像网络； 步骤S2中，基于超表面天线近场成像的数学模型，并通过结合深度神经网络和压缩感知技术构建PFDCI-Net成像网络，具体过程如下： S21、将场景目标散射的回波测量值输入到PFDCI-Net成像网络的编码器E中，推断到一个隐向量z，并学习训练样本与隐向量z之间的关系； S22、将隐向量z输入PFDCI-Net成像网络的生成器G中生成假样本进行训练； S23、通过训练PFDCI-Net成像网络的鉴别器D，利用鉴别器D对来自生成器G生成的假样本和来自真实数据的真样本进行监测鉴别； S3，对PFDCI-Net成像网络设计网络训练算法，并对PFDCI-Net成像网络进行优化，使PFDCI-Net成像网络的损失最小； 步骤S3中，对PFDCI-Net成像网络设计网络训练算法，并对PFDCI-Net成像网络进行优化，使PFDCI-Net成像网络的损失最小，具体为： S31、获取包含n个训练样本x的训练数据集{σ1,g1,σ2,g2,σ3,g3,L,σn,gn}，基于超表面天线成像数学模型|gi|2＝|Hσi+n|2，对PFDCI-Net成像网络设计网络训练算法； 其中，σi为训练数据集中的第i个场景目标散射系数；gi为训练数据集中的第i个场景目标散射的回波测量值； S32、在PFDCI-Net成像网络中，输入测量矩阵H，迭代次数T，场景目标散射的回波测量值g，场景目标散射系数σ，初始化编码器E、生成器G和鉴别器D； S33、使用均方误差函数MSE计算假样本与真样本之间的损失MSE为： 公式4中，σi表示σ＝[σ1,σ2,σ3,L,σn]中第i个原始场景目标散射系数，σ^i表示由生成器G生成的假样本； S34、使用KL散度DKL计算训练样本x的概率分布与概率拟合分布之间的差距，具体公式为： 公式5中，px表示样本x的概率分布，qx表示样本x的概率拟合分布； 对目标函数Lθ进行优化，具体公式为： 公式6中，qφz|x表示解码器的输出分布函数，pθx,z表示训练样本x和隐向量z的联合概率分布，pz表示隐向量z的先验分布函数，z～q表示隐向量z服从输出分布函数概率分布，pθx|z表示条件分布函数； S35、使用Adam算法对鉴别器D和生成器G的代价函数进行更新： 公式7中，Dσ表示鉴别器D对场景目标散射系数的输出，DGEg表示鉴别器D对目标回波数据经过解码器后由生成器G生成的假数据GEg的输出，s表示抽取的样本数量； 编码器E和生成器G通过以下代价函数联合优化： 公式8中，g表示探头接收到的场景目标散射的回波测量值，H表示由发射场和散射场构建的测量矩阵，GEg表示生成器G生成的假样本，λ表示正则化参数，qφz|y表示隐向量z的先验条件概率分布，pθz表示隐向量z的概率分布； 利用生成器G和鉴别器D使用最小-最大代价函数交替训练成像网络，具体公式为： 公式11中，x～Pdatax表示训练样本x的数据分布，z～qφz|y表示隐向量z的先验条件概率分布，φ表示权重参数，Dx表示鉴别器D对训练样本x的输出，DGz表示鉴别器D对生成的假样本Gz的输出； 步骤36、计算测量矩阵H的梯度更新卷积层的权重系数，更新一阶矩向量和二阶矩向量更新目标函数参数直至训练的代价函数收敛为止，即训练周期结束； S4，使用目标FMNIST数据和目标MNIST数据集训练PFDCI-Net成像网络，获取重构目标场景的散射系数 步骤S4中，使用目标FMNIST数据和目标MNIST数据集训练PFDCI-Net成像网络，获取重构目标场景的散射系数，具体过程为： S41、获取训练集σtr,gtr和测试集gt，设置训练PFDCI-Net成像网络的最大迭代次数T，初始化PFDCI-Net成像网络中编码器E、生成器G和鉴别器D的权重参数W； S42、在每一次迭代中，从训练集σtr,gtr中抽取s个场景目标散射系数{σ1,σ2,σ3,L,σs,}，根据|gi|2＝|Hσi+n|2计算s个场景目标散射系数对应的场景目标散射的回波测量值{g1,g2,g3,L,gs,}，将场景目标散射的回波测量值{g1,g2,g3,L,gs,}输入PFDCI-Net成像网络中，利用MSE函数和KL散度作为PFDCI-Net成像网络的代价函数，训练PFDCI-Net成像网络中编码器E、生成器G和鉴别器D的权重参数W； S43、经过T次迭代后，PFDCI-Net成像网络的代价函数逐渐收敛，代价函数的值趋于极小值，PFDCI-Net成像网络训练完成； S44、将测试集gt输入训练完成的近场PFDCI-Net成像网络，获取重构目标场景的散射系数σt。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230000 安徽省合肥市经开区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。