刘仁杰，孟品超，尹伟石

（长春理工大学 理学院，长春 130022）

随着超声探测、医学成像、遥感、汽车无人驾驶等无损障碍物探测技术的应用，多个障碍物反散射问题从而兴起，与单个障碍物反散射问题相比，该问题的困难之处在于多个障碍物之间的相互影响使其更为复杂、难以求解。目前求解多障碍反散射问题的方法主要有混合牛顿法［1］、高频积分方程有限元重构法［2］、雅可比型迭代算法［3］等，在这些方法中，多个障碍物之间的距离对反演结果的精确度影响较大，当障碍物之间距离很小时，反演的结果较差。

近几年深度学习发展迅猛，许多学者将其应用在不同的领域，刘璐和孟品超［4］提出了一种基于全卷积神经网络用于交通警告标志检测，王国辉、杨波和王春阳［5］提出了一个时空LSTM的自动驾驶车辆运动规划模型。由于反散射问题是具有非线性的［6］，而深度学习网络对非线性的映射有着较好的学习效果，因此一些学者将其用以求解反问题，Jonas Adler和 Ozan Öktem［7］提出了一种部分学习的迭代深度神经网络来解决不适定的反问题，Sanghvi Y［8］使用一种基于深度学习的框架来解决电磁反散射问题，Weishi Yin、Wenhong Yang和 Hongyu Liu等人［9］提出一个两层时间序列的神经网络模型解决不可穿透障碍物的几何反散射问题。

本文针对多体障碍物的情况，构造一个基于注意力机制的神经网络模型，利用声波散射场的远场数据，确定障碍物位置信息。

1 多体障碍散射问题

2 神经网络模型

构建一个基于注意力机制的双层神经网络模型，每层神经网络结构如图2所示，分为编码层（Encoder）和解码层（Decoder）两部分。……