基于矩方法的宽带RCS计算神经网络方法（适用于大入射角情况） 作者：Woongi Bin、Sanghyuk An 和 Wonzoong Chung

宽频带多入射角雷达散射截面计算方法及深度神经网络模型WBRCS-Net的提出与验证，通过最小化均方误差损失规避传统方法矩的数值不稳定问题，仅需频率和入射角作为输入即可实现宽域预测，并在PEC球体和立方体上验证模型误差低于万分之一，优于Maehly近似方法。

　　>

摘要

在本文中，我们提出了一种基于深度神经网络的方法，用于计算宽频带和广泛入射角范围内的雷达截面（RCS）。所提出的网络称为WBRCS-Net，其设计目的是通过最小化均方残差损失来收敛到矩方法（MoM）的解，而无需显式求解MoM线性系统，从而避免了传统迭代求解器中常见的数值不稳定问题。此外，由于仅使用频率和入射角作为输入，WBRCS-Net能够在广泛的入射角范围内实现宽带RCS预测，同时大幅简化了网络架构。WBRCS-Net的性能在完美导电（PEC）球体和立方体上进行了评估，并与基于切比雪夫多项式的Maehly近似方法进行了比较，比较范围为2–12 GHz的频率范围和0 °～90 °的入射角范围内。实验结果表明，一旦训练完成，WBRCS-Net能够在广泛的入射角范围内实现稳定的宽带RCS计算，并具有即时推理速度，其最小均方误差（MSE）相对于参考MoM解而言，达到了1?14的数量级。