Estimation of Electrical Characteristics of Complex Walls Using Deep Neural Networks

Titolo

Stima delle Caratteristiche Elettriche di Muri Complessi mediante Reti Neurali Profonde (DNN)

1. Il Problema

La propagazione delle onde elettromagnetiche attraverso muri complessi e non omogenei introduce distorsioni significative nelle firme radar "through-wall" (attraverso il muro). Queste distorsioni includono riflessioni, rifrazioni, attenuazione, risonanze (ringing) e percorsi multipli, che possono generare falsi bersagli (ghost targets) e degradare le prestazioni del rilevamento.
Per rimuovere queste distorsioni e deconvolvere gli effetti del muro dal segnale散射ato dal bersaglio, è necessario stimare con precisione le caratteristiche elettriche del muro stesso, ovvero:

• Lo spessore.
• Il profilo della permittività dielettrica ($\epsilon_r$).
• Il profilo della conducibilità ($\sigma$).

Il problema rientra nel dominio dello scattering inverso elettromagnetico (EIS), una sfida altamente non lineare e mal posta, specialmente quando i muri sono composti da materiali diversi (mattoni, cemento, legno, fango) con strati multipli e regioni perdenti (lossy). I metodi tradizionali (come l'approssimazione di Born o metodi iterativi) sono spesso lenti, richiedono molta memoria e non sono adatti al tempo reale, oltre a presupporre spesso materiali privi di perdite.

2. Metodologia Proposta

Gli autori propongono l'uso di Deep Neural Networks (DNN) per risolvere il problema inverso, mappando direttamente i campi elettrici scatteringati (misurati o simulati) sui profili elettrici del muro.

• Setup di Simulazione:

  • Utilizzo della tecnica FDTD (Finite Difference Time Domain) per generare dati di addestramento.
  • Scenari 2D con sorgenti a banda larga (2.4 GHz, banda 2 GHz) e array di ricevitori.
  • Tre tipologie di muri simulati:
    1. Muro omogeneo lossy (singolo strato).
    2. Muro dielettrico con regioni perdenti periodiche.
    3. Muro multistrato non omogeneo con regioni perdenti interne.
  • Il dataset comprende 867 casi distinti con variazioni di spessore, permittività e conducibilità.

• Architetture di Rete Neurali Confrontate:

  1. FC-NN (Fully Connected Neural Network): Una rete multistrato standard per modellare relazioni input-output non lineari.
  2. CNN (Convolutional Neural Network): Aggiunge layer convoluzionali e di pooling per migliorare l'analisi dei pattern spaziali.
  3. GAN (Generative Adversarial Network): Un approccio basato su due reti in competizione (Generatore e Critico). Il generatore mappa il campo elettrico al profilo del muro, mentre il critico cerca di distinguere tra profili reali e sintetici. Questo approccio è particolarmente robusto quando i dati di addestramento sono limitati.

• Input e Output:

  • Input: Parte reale e immaginaria del campo elettrico scatteringato (nel dominio della frequenza) raccolto da 10 posizioni.
  • Output: Matrici vettorializzate che rappresentano i profili 2D di $\epsilon_r(x,y)$ e $\sigma(x,y)$.

3. Risultati Chiave

Validazione su Dati Simulati

Le reti sono state addestrate e validate su dati simulati:

• Accuratezza: I modelli hanno raggiunto un'accuratezza di circa il 95% per lo spessore, 96% per il profilo dielettrico e 90% per il profilo di conducibilità.
• Confronto Architetture:
  • Tutte le architetture hanno ricostruito con successo i profili dielettrici.
  • La ricostruzione della conducibilità è stata più difficile (errori NMSE più alti), specialmente per geometrie complesse.
  • Le GAN hanno dimostrato una maggiore robustezza quando la quantità di dati di addestramento era ridotta, superando FC-NN e CNN in scenari con meno dati.
  • I tempi di addestramento per FC-NN e CNN sono stati inferiori rispetto alle GAN (che richiedono l'addestramento di due reti), ma le GAN hanno offerto migliori prestazioni di generalizzazione con dati limitati.

Validazione su Dati Reali (Sperimentale)

I modelli addestrati esclusivamente su dati simulati sono stati testati su dati misurati da un setup radar reale (VNA Field Fox N9926A e antenne a tromba):

• Muri Esterni: Sono stati testati un muro di mattoni/cemento da 30 cm e un muro di mattoni con facciata in ceramica da 40 cm.
  • Le GAN hanno stimato lo spessore con un errore del 5%, mentre FC-NN e CNN hanno mostrato errori del 10% e 12% rispettivamente.
  • Le GAN hanno dimostrato la capacità di gestire alti valori di permittività e di trasferire l'apprendimento dai dati simulati a quelli reali con successo.
• Porta in Legno: Per una porta in legno spessa 3.5 cm, la ricostruzione è fallita. Questo è dovuto al fatto che il legno è quasi trasparente alle frequenze utilizzate (1.4-2.4 GHz), generando un segnale scatteringato trascurabile. Gli autori notano che per muri con bassa interazione elettromagnetica, la rimozione degli effetti del muro non è critica.

4. Contributi Principali

1. Stima di Profili Complessi: Estensione della stima delle caratteristiche dei muri non solo alla permittività, ma anche alla conducibilità e a profili spaziali complessi (non omogenei e multistrato).
2. Confronto di Architetture DNN: Analisi comparativa tra FC-NN, CNN e GAN per problemi di scattering inverso, evidenziando il vantaggio delle GAN in termini di robustezza con dataset limitati.
3. Validazione Cross-Domain: Dimostrazione che reti neurali addestrate su dati FDTD simulati possono essere applicate con successo a dati misurati su muri reali, superando il divario tra simulazione e realtà.
4. Efficienza: Proposta di un metodo che, una volta addestrato, permette una stima rapida (pochi secondi) delle proprietà del muro, abilitando potenzialmente l'elaborazione in tempo reale per il radar through-wall.

5. Significato e Impatto

Questo lavoro è significativo perché offre una soluzione praticabile per il problema dello scattering inverso elettromagnetico, che è tradizionalmente computazionalmente oneroso e instabile.

• Applicazioni Militari e Civili: Migliora la capacità dei sistemi radar through-wall di rilevare bersagli umani o oggetti dietro muri complessi, eliminando i "fantasmi" causati dal muro stesso.
• Robustezza dei Dati: L'uso delle GAN suggerisce che è possibile ottenere modelli accurati anche senza enormi dataset reali, sfruttando simulazioni fisiche accurate.
• Flessibilità: Il metodo è adattabile a diversi tipi di materiali e strutture, rendendolo uno strumento versatile per la caratterizzazione dei materiali e l'imaging non distruttivo.

In conclusione, l'articolo dimostra che l'intelligenza artificiale, in particolare le architetture generative (GAN), può superare i limiti dei metodi deterministici classici nella caratterizzazione di ambienti complessi, aprendo la strada a sistemi radar più intelligenti e precisi.