报告题目：基于天线方向图的蒸发波导中电波传播模型研究

报告人：西安电子科技大学 魏仪文

报告人简介：魏仪文，西安电子科技大学副教授，2016年博士毕业于西安电子科技大学无线电物理专业。2016-2018年任新加坡国立大学淡马锡研究所研究科学家。陕西省留学归国人才择优资助，西安市科协青年托举人才。研究方向为超大规模复杂环境下电波传播与散射，复杂环境目标探测及识别。

报告摘要:本文将一般性的天线方向图函数引入到海上蒸发波导传输问题的初始场设置中，解决了原有抛物方程方法(Parabolic Equation, PE)中，只能给出具有解析表达式的简单天线电波传播问题，扩展了PE方程中天线类型。本文首先将基于方向图的初始场和基于电流分布函数的初始场结果进行比对，证明了基于方向图获取初始场的正确性；接着以复杂的均匀面阵天线为例，根据其实际天线方向图，给出了均匀面阵天线作为发射源下，海上蒸发波导中电波传播模型；最后求解PE方程，给出了不同传播距离下，均匀面阵天线发射电磁波在空间中的电场强度分布，并讨论了强度随着接收距离的变化关系。

报告题目：面向全波逆散射的多物理域联合的参数共享深度学习方法

报告人：浙江大学 魏准

报告人简介：魏准，浙江大学百人计划研究员，博士生导师，入选国家优青，浙江省特聘专家、浙江省高层次人才-创新长期，曾任浙江大学生命科学学院专聘副院长，担任IEEE T-GRS期刊副主编、PEIR期刊行政编辑、副主编等。

报告摘要：近年来，深度学习技术在解决全波逆散射这类高度不适定的问题上展示出了突出的性能。然而，已有深度学习技术作为数据驱动的方法，其是否具有可解释性，较高的可靠性，良好的泛化能力一直是制约这类方法进一步发展的障碍。此外，深度学习方法使用的网络模型也较少根据具体的物理问题进行架构上的改变。基于上述现状，本文从全波逆散射的物理模型出发提出了多物理域联合的参数共享深度学习方法。 首先，基于电磁物理机制，利用散射数据进行非迭代优化，得到近似反演结果，本文采用主导电流方法；其次，本方法设计了多物理域联合的深度学习网络模块，该模块使用格林函数物理层联系了感应电流域和电场域的深度学习网络，最终重建了感兴趣区域中的多种相关联的物理量，包括感应电流，电场，和需要重建的散射体的电磁参数；最后，根据逆散射问题的特点，设计了参数共享的架构，使得上述网络模块在不同入射和级联中复用。相比于已有深度学习方法（如作为基准的DCS），大量的实验证明，所提出方法有以下的进步。首先，由于感应电流和电场的数据相较于散射体电磁参数更适合深度学习网络处理，方法在重建精度上有了提升；其次，得益于多物理域联合的网络结构，重建结果有了更强的物理约束，可解释性和泛化能力得到了提升；最后，网络模块在入射和级联中的复用使得本方法的结构不完全依赖于逆散射问题的系统架构，对于不同角度的和数量的入射无需重新训练网络而能直接使用，大大降低了网络重新训练的时间和计算成本，此外，网络模块的复用也减少了可训练的网络参数。本文所提出的多物理域联合的参数共享深度学习方法在和已有深度学习方法同等的可训练参数下，实现了更高精度的重建，并且有更强的可解释性和泛化能力，同时降低了潜在的重新训练的时间和计算成本。在如何设计面向全波逆散射的深度学习网络结构和如何将物理知识和深度学习方法结合的方面提供了思路.