报告题目：基于Transformer和CNN的空间目标识别

报告人：北京理工大学 潘小敏

报告人简介：潘小敏，北京理工大学网络空间与安全学院教授，博导。研究方向包括电磁空间环境与信息对抗，电磁成像、人工智能等。作为课题负责人承担了多项国家级课题。获得北京市科学技术奖一等奖(序3)。入选教育部新世纪优秀人才支持计划和北京市优秀人才培养资助计划。以第一作者/通讯作者身份发表SCI论文近40篇，本人和指导的学生多次获得国际学术奖励。IEEE会员，中国电子学会高级会员，雷达学报期刊编委，《ACES Journal》SCI杂志客座编辑，10余次担任国际会议担任技术委员会共主席、特别分会组委会共主席等。

报告摘要：本文设计了一种基于Transformer和CNN的一维距离像序列分类识别网络。数值实验结果表明，在实验的数据集的条件下，采用基于Transformer和CNN的网络结构能达到88.04%的分类准确率，相较于采用循环网络结构有着一定的提升.

报告题目：基于收缩积分方程物理展开网络的有限孔径成像 方法

报告人：杭州电子科技大学 徐魁文

报告人简介：徐魁文，杭州电子科技大学电子信息学院教授、博士生导师。长期从事电磁成像与微波器件反演设计研究，在IEEE汇刊等权威期刊发表SCI论文70余篇，获授权发明专利30余项，目前担任IEEE Transactions on Geoscience and Remote Sensing与Electronic Letters副主编，2022年获得国际应用计算电磁学会青年科学家奖，主持并参与了国自然面上与重点、浙江省重点研发以及装备预研等多个项目。

报告摘要：在某些实际电磁定量成像应用场景中，由于没有办法获得全口径散射场数据，有限口径下的反演成像具有更高的非线性与病态性，为了解决这一问题，本论文提出了一种基于收缩积分方程子空间优化方法(Contraction Integral Equation for Subspace-based Optimization Method, CIE-SOM)物理展开的网络框架(定义为CIE-SOM-NET). 所使用的CIE模型能够减少非线性，使得 CIE-SOM-NET 在解决回归问题时可以得到更好的结果. 该算法由几个子模块组成，每个子模块由一个小卷积神经网络（CNN）和最小二乘算子组成，利用小卷积神经网络和最小二乘算子更新感应电流和修正对比函数，大大地降低了每个子网络所处理问题的非线性程度. 通过将确定性电流以及反向传播算法（Back Propagation，BP）的反演结果拼接输入网络，快速得到当前散射体的形状、大小以及介电常数。此外，在CIE模型中还设计了一种新的加权损失函数，通过结合结构相似度误差、数值误差，感应电流误差和散射场误差，进一步增强了网络反演性能.与传统的迭代反演方法相比，所提出的CIE-SOM-NET在成像精度和计算成本方面具有更大的优势，与传统SOM-NET 相比，引入了子网络的 CIE-SOM-NET方法具有更好的稳定性和鲁棒性。通过数值实验验证了 CIE-SOM-NET 在有限孔径下比 CIE-SOM具有更好的反演性能。

报告题目：面向全波逆散射的物理-数据共同驱动的小波结构

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：近些年来，深度学习网络模型在光学中的应用引起了广泛的关注。在传统的数值算法中，需要科研人员进行大量的模拟和连续的试错。这必定需要大量的人工成本和计算成本，并且也难以解决局部最优解的问题. 为了减少计算成本和人工成本等，提出了一种用于三维复杂结构宽带吸收器的反向设计模型. 方法 用于数据集制作的三维复杂结构宽带吸收器由三层结构组成，第一层和第三层都是石墨烯-单层黑磷混合使用的矩形结构，第二层是石墨烯-单层黑磷混合使用的“+”字形结构，三层结构被氧化铝包围。其中石墨烯与单层黑磷之间使用二氧化硅作为绝缘层，衬底为氧化铝，底部为PEC材质. 一共制作了51120条数据，其中50120条作为训练集，1000条作为测试集。在反向设计中我们将吸收光谱作为输入，每条光谱的结构参数作为其标签. 反向设计模型采用了8层的全连接网络，每层网络含有800个神经元. 且每个全连接网络后跟有批归一化处理和lrelu激活函数. 结果 实验结果表明，将测试集中的真实光谱输入到经训练集训练后的反向模型后获得的预测参数的光谱与真实结构参数光谱相比，准确度可以达到89.4%. 结论 该反向设计模型具有实现简单、准确度高、对硬件要求低、人工成本低和计算成本低等特点。在后续的研究中，这项工作可以为三维多材料复杂结构的结构体模型使用人工神经网络提供关键指导.

报告题目：基于深度学习的生物组织电磁参数定量恢复

报告人：上海科技大学 王雄

报告人简介：王雄，上海科技大学信息科学与技术学院副教授、研究员、博导。长期从事微波生物医学成像及治疗领域的研究，发表120多篇同行评审期刊和会议论文，曾获2012—2013年度IEEE天线与传播学会博士研究奖并于2017年入选上海市科学技术委员会上海市浦江人才计划，目前担任IEEE Journal of Electromagnetics, RF, and Microwaves in Medicine and Biology的副主编，并担任2022年IEEE国际微波生物医学会议（IMBioC）的TPC联合主席，主持国自然面上、青年、上海市浦江人才、上海市军民融合专项等多个项目。

报告摘要：精确且定量地重建三维样品的电磁本构参数，譬如介电常数和电导率。但高介电常数样品材料（即强散射体）的多重散射导致重建问题的不适定性和非线性显著增加，使得传统逆散射技术难以处理这类问题。在生物医学成像应用中，皮肤、乳腺组织、脑组织、肌肉、肿瘤等都具有较高的介电常数，因此传统逆散射方法无法精确地重建这类生物组织的电磁参数，限制了潜在的生物医学和临床疾病检测应用。 微波诱导热声成像（MITAT）技术通过处理微波激励出的超声波信号对样品进行成像，在疾病监测、癌症检测、异物检测等领域已有大量研究。热声成像也可以用于定量重建样品的介电常数和电导率分布，基本原理是样品内部的微波功率吸收分布与样品的电磁参数直接相关，而激发出的超声波信号又与微波功率吸收相关，这样就建立了超声波信号和电磁参数之间的物理关联。但已报道的基于热声成像电磁参数的重建质量和准确性仍需提高，特别是对于不均匀生物样品的精确重建较难。此外，以往的方法要求介电常数分布作为已知条件，以此来恢复电导率，但实际的生物医学应用场景难以满足这个条件。 本文采用深度学习热声成像技术解决生物组织电磁参数高质量定量重建的难题，提出了一种名为“双支残差U形网络（DBResU-Net）”的新型神经网络结构，对不均匀生物组织样品进行了电磁参数的定量恢复。有监督学习需要大量的训练数据支持，本文采用数值仿真方法来高效且经济地构建训练集。在实验中使用多个包含瘦肉、肥肉、肿瘤假体的样品来测试技术性能。实验结果表明该网络可以很可靠地恢复样品介电常数和电导率的数值，误差在5%以内，比传统方法有大幅提高。同时，该网络在处理验证集和训练集不匹配的情况时也具有良好的泛化能力和稳定性。本项目对于生物医学成像检测和无损检测等领域有重要意义。